船艇码头监视和目标跟踪

介绍的系统,在尽量节省硬件资源的前提下,通过软件方法和键盘多重定义及分层屏蔽设计,最大限度的完成多种控制功能,以很小代价解决了港池内船艇开环自动跟踪监视等一系列实际问题。该系统简单灵活,控制操作方便。     

基于粒子滤波和GVF-Snake的目标跟踪算法

提出了一种基于粒子滤波和GVF-Snake的自适应目标跟踪算法.该算法首先采用背景差分法获取目标初始轮廓,利用改进的GVF-Snake的强大搜索能力,使Snake收敛至运动目标的真实轮廓;然后根据控制点的距离增删控制点,达到自适应地跟踪运动和变形目标的目的;最后通过结合粒子滤波和改进的GVF-Snake,得到一种能量粒子滤波(EPF)目标跟踪算法,并利用提出的的跟踪策略,改进其抗遮挡能力.实验结果表明,被跟踪目标在遮挡情况下也能够保持良好的跟踪效果.     

基于星载光电成像跟踪测距的空间目标定轨

以获得空间未知目标的轨迹运动信息为目的,研究了一种基于星载光电成像跟踪测距方式的空间目标定轨技术。该技术从测量学角度出发,利用星载光学测量系统获得目标的相对运动信息,利用角度传感测量系统获得卫星的姿态角变化和跟踪架的角随动信息,最后通过坐标变换解算出目标在地球惯性坐标系中的绝对运动信息。文中依次从物理模型、坐标体系、基本原理等方面对该项技术进行了描述和推导,获得了目标在地球坐标系下的状态方程和观测方程。最后,在对天基监视卫星轨道模型、星载光电跟踪控制模型、目标特性及光学成像测距模型进行分析后,建立了具体的数学模型,并对计算结果进行了分析讨论。得到的结果显示理想模型的目标轨迹测量精度优于0.5km。     

搜索区域和目标尺度自适应的无人艇海面目标跟踪

海面目标跟踪任务是实现水面无人艇自主化航行、智能化作业的重要基础。相比于普通场景的目标跟踪,海面目标跟踪需要面对目标抖动剧烈及目标尺度变化大等问题。针对海面目标在图像画面中抖动剧烈的问题,本文提出了搜索区域自适应算法,该方法通过对海面场景的分割完成了海天线位置的提取,然后通过海天线运动模型自适应地确定了每帧图像中目标搜索的区域;针对跟踪过程中海面目标尺度变化较大的问题,本文通过分割搜索区域的方法实现了目标尺度变化的自适应跟踪。基于相关滤波跟踪框架并结合上述两种改进策略,在真实的海面目标图像测试序列中,本文算法相比传统的相关滤波算法在跟踪精度上至少提升了26%,有效地解决了目标抖动剧烈和尺度自适应问题,提高了海面目标跟踪任务的精度。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型(IMM)的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计.在工程上,将基于CV和"当前"统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果.     

机器人双目视觉目标跟踪研究

简要介绍了双目视觉系统的软硬件组成,分析了图像采集模块得到的图像颜色模型的特点,将图像采集卡得到的图像转换成HSV格式.根据目标的颜色特征信息,进行双阈值图像分割,根据象素分布,得到目标跟踪窗口.从目标跟踪窗口得到目标的轮廓、中心等信息,由双目系统,求出目标距离.设计了一个简单的目标跟踪算法,控制电机转动,实现目标的对中.     

基于卡尔曼预测和滤波的视频目标跟踪

视频目标跟踪在军事和民用领域有着广泛的应用,其实现算法首选卡尔曼滤波算法,但是在应用卡尔曼滤波算法之前首先要获得目标当前时刻的观测信息,在全帧图像搜索并确定目标需要耗费大量的计算资源。针对这一问题,文章结合目标跟踪时的卡尔曼滤波算法,在每次完成目标状态的滤波估计后,进行卡尔曼一步预测,确定目标下一时刻可能的范围,避免下一时刻确定量测信息时对整幅图像的搜索,极大地减小计算量,提高目标跟踪的实时性和精度。计算机仿真实验验证文中所提方法的有效性。     

中高轨道目标的地基光电监视

针对中高轨目标暗弱为目标识别和识别效率增加的难度,研究了基于被动光学系统的地基光电光测系统;同时提出了一种通过对原始图像进行最优化处理,从而有效提高目标信噪比,增加目标识别效率的方法。首先分析了在轨目标的光学反射特性,比较了不同模式下目标的信噪比,给出光电监视系统的最优设计方案。然后,结合目标运动特性和观测条件等因素,设计了适合中高轨道目标的地基地球同步轨道(GEO)目标的观测模式。最后,针对暗弱目标图像识别难题,提出了基于最优化原理的低信噪比目标识别图像处理的新方法。根据实测数据对本文方法进行了实验验证,并与传统差帧法进行了比较。结果显示,本文方法可在目标信噪比大于3.09点条件下识别出目标。该项研究对中高轨道目标光电监视用设备的设计和使用很有参考价值。     

基于fDSST的长时间目标鲁棒跟踪算法

在跟踪目标过程中,当目标遭遇强遮挡、移出视野、快速运动等时,快速判别尺度空间跟踪(fDSST)算法会丢失目标且无法再找回。为了解决这一问题,提出了一种基于fDSST的长时间目标鲁棒跟踪算法。在经典fDSST算法基础上增加了基于关键点匹配的检测模块和输出自适应决策模块,在判定目标丢失或不可见后可重新匹配目标并重新初始化跟踪器;跟踪时可自适应地选择置信度更高的结果作为最终输出结果;在以Raspberry Pi 4B为主控单元的嵌入式平台上进行算法移植,在OTB-100数据集和嵌入式平台上进行跟踪测试。结果表明：该算法相比其他主流算法具有更高的鲁棒性和准确性,改进算法宜在有嵌入式平台移植需求的应用场景下部署。     

面向激光跟踪仪跟踪恢复的合作目标视觉检测

为了实现复杂场景下激光跟踪仪跟踪恢复过程中合作目标靶球的检测,本文研究了基于深度学习的靶球检测方法。首先,分析靶球自身特点、应用环境及它在跟踪恢复过程中的作用,然后根据Faster R-CNN模型原理与跟踪恢复应用需求提出基于超特征与浅层高分辨率特征信息复用的改进方法生成新的融合特征图,并优化区域建议提取参数,协同解决图像中目标多尺度变化与小尺寸导致目标漏检率高的问题;同时提出一种基于强背景干扰的困难样本挖掘方法提高模型对外形颜色等与目标近似的干扰物识别能力,解决模型误检测率高的问题。最后,本文构建了目标靶球数据集并进行了对比训练与测试。测试实验结果表明:本文提出的基于强背景干扰困难样本挖掘方法的改进Faster R-CNN模型在目标多尺度、小尺寸检测,以及对复杂背景中相似干扰物的辨别能力都有提升,最终对测试集的检测精度达到了90.11%,能够满足激光跟踪仪跟踪恢复过程对合作目标靶球的视觉检测精度要求。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

基于双目标模型的时空上下文跟踪算法

传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性,故目标被长时间遮挡后,目标模型容易被错误更新且难以修正。因此,本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性,并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征,在目标被长时间遮挡后也能准确评估更新内容的有效性,并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明,改进算法在测试数据集上的跟踪成功率为82%,中心偏差为8pixels;在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升,实现了目标的可靠跟踪。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

路面机动目标的融合跟踪

针对自主车辆的机动目标跟踪问题提出了一个利用雷达和图像传感器的融合跟踪方法.采用动力学模型对车辆运动进行描述以适应车辆机动的情形.利用雷达的距离信息建立视觉窗口,利用三维线框模型从窗口图像中获取车辆转向角,然后通过数据融合技术,充分利用雷达与图像传感的量测信息,提高对机动目标的状态估计精度.三维仿真实验证明,与单纯基于雷达量测的跟踪方法相比,该融合方法大大提高了对机动目标的跟踪精度.     

特征点辅助的时空上下文目标跟踪与定位

针对动态目标跟踪中快速运动和目标遮挡而跟踪失败问题,提出了一种特征点辅助的时空上下文跟踪算法。首先提取目标特征点,通过特征点匹配和光流跟踪方法进行目标追踪,获得目标预估位置;其次,建立特征点变化率和时空上下文模型更新率关系模型,实时调控更新率,防止引入错误信息;最后,在预估位置区域内,构建局部上下文外观模型,计算与时空上下文模型的相关性获取置信图,进一步精确定位目标。算法在一组测试视频集中进行验证,相比目前4种主流算法(平均跟踪成功率最高为60%,平均跟踪误差最小为26.14 pixel),本算法综合性能达到最优,平均跟踪成功率为90%,平均跟踪误差为7.47 pixel,平均跟踪速率25.31 f/s。在双目视觉移动机器人平台上对随机运动目标进行跟踪实验,在背景干扰、遮挡、目标旋转和快速运动等组合情况下,跟踪成功率97.4%,跟踪距离平均相对误差为4.05%。     

MSMC跟踪算法在目标跟踪中的应用

针对序贯蒙特卡罗（Sequential Monte Carlo,MC）算法存在的计算量大的缺点,提出了一种新的MSMC（Mean Shift Monte Carlo）目标跟踪算法。算法在传统的MC算法中采取Mean Shift这种梯度最优下降法来寻找局部最大样本值,这样,就可以用较少的样本来保持对目标运动状态预测的多样性,有效地克服了MC算法收敛速度较慢的弱点,大大减少了算法的计算量,实现稳定且实时的目标跟踪,并使算法应用于实际工程中成为可能。     

一种基于Snake和强跟踪滤波器的目标跟踪方法

结合Snake和强跟踪滤波器提出一种新的目标跟踪方法.由于采用了贪婪算法,提高了Snake的收敛速度;采用滤波器进行预测,缩小了Snake的收敛范围,进一步提高了算法的运行速度,跟踪的实时性得到加强.同时,由于强跟踪滤波器的出色表现,对于运动目标的突变,本文的方法也能进行较好的跟踪.实验表明,本文的方法确是一种快速、有效的运动目标跟踪方法.     

组合Kalman隔点预测法用于跟踪机动目标的仿真研究

将Kalman预测法用于经纬仪跟踪机动目标,对不同靶标旋转速度下的机动目标跟踪进行了仿真研究.提出了状态方程输入矩阵G(k),用以弥补等角速度方程的加速度项.根据Kalman预测曲线与实测曲线误差的标准方差最小原则,确定了状态噪声与测试噪声的方差比值Q/R,并优化了适合经纬仪的比值Q/R.提出了组合Kalman隔点预测法,进行了1,2,3个隔点的仿真预测研究.仿真结果表明,组合Kalman隔点预测法可以实现经纬仪隔点跟踪目标.