基于角特征和Mean-shift的车辆跟踪方法

提出一种基于角特征点和Mean-shift的车辆跟踪方法,对不断改变尺寸的车辆目标进行有效跟踪,利用角特征点把模板目标构造成若干个同尺寸的子窗口,每个子窗口单独地按Mean-shift算法进行跟踪,并寻找其相应的中心位置,通过关联过程确定车辆目标在整个视场中的运行轨迹。实验结果表明,该方法简单、可靠,可以稳定地跟踪车辆目标。     

光流引导下机器人抓取目标物角点动态匹配

针对目标物位姿在线估计中的特征点动态匹配问题,以木块作为实验对象,提出了一种光流引导的目标物角点动态匹配方法。使用Yolov2-tiny进行目标物识别,完成目标物定位与分类。在提取区域内完成Shi-Tomasi角点检测,采用LK（Lucas-Kanade）光流对角点跟踪的方法实现角点在相邻两帧图像中的初始匹配,针对光流跟踪中特征点的偏移问题,对跟踪点为中心的11×11邻域进行角点再提纯。实验证明该算法能在视频序列中对目标物角点实时动态地匹配,且角点匹配结果比SIFT和Harris-SIFT方法准确度更高,实时性更好。     

基于角点检测的实时目标跟踪方法

当目标区域与背景特征接近时,由于目标模型中包含了大量的背景信息,基于Mean Shift的经典跟踪算法易受到背景信息的干扰,造成目标定位偏差,甚至丢失目标。为此,提出了一种基于角点的实时目标跟踪方法。该方法利用SU-SAN角点检测算子提取目标区域中的角点,由于目标区域内角点具有较强的目标表征能力,当使用这些角点构建目标模型时,能够增强目标与背景区域之间的辨别力,所以能够削弱背景信息对目标定位的干扰。实验结果表明,提出的方法能够实现对目标的准确跟踪定位,与经典的Mean Shift跟踪算法相比,该方法能够达到更好的跟踪效果,有效地提高了目标跟踪的准确性和实时性。     

基于SUSAN角点和HSV颜色模型的粒子滤波目标跟踪算法

针对传统粒子滤波目标跟踪算法在目标与背景颜色相似情况下目标定位偏差大、易导致丢失目标的缺陷,提出一种基于角点和颜色模型的粒子滤波目标跟踪算法。首先,提出一种改进SUSAN角点检测算法,采用圆形模板邻域内像素灰度值中值代替模板中心像素灰度值作为模板"核"来检测区域目标角点,其改进SUSAN角点算法在继承原有SUSAN算法计算简单、定位准确、具有旋转不变性等特点的同时,具有更好抗噪声性能;其次,利用HSV颜色模型光照不敏锐特性,对检测到的角点建立HSV颜色模型,并将其嵌入到粒子滤波框架中,实现对目标的跟踪。实验结果表明,当背景与目标颜色相近时,该算法能够有效避免背景对目标的干扰,取得了较好的目标跟踪性能。     

基于角点特征融合的Mean-shift跟踪算法

传统Harris检测算法不能很好地适应跟踪环境。为此,提出一种基于角点特征融合的Mean-shift跟踪算法。考虑人体姿态变化或遮挡对多区域跟踪的影响,采用角点更新策略,将特征融合主色调模型的跟踪结果与多区域跟踪结果进行权衡。实验结果表明,该算法能克服人体姿态变化或遮挡对跟踪的影响,实时性满足一般跟踪系统的要求,且在非遮挡状况下,其跟踪准确率比传统算法高。     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪。该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,将角点检测结果融入到LK光流法中,并对检测到的角点进行运动光流特征提取,最后通过卡尔曼滤波对出现的行人进行预测跟踪,采用匈牙利最优匹配算法实现对运动目标的持续匹配以及对运动目标的跟踪。仿真结果表明,本文提出的方法能够对视频中出现的运动目标进行检测跟踪,具有较好的识别效果,且检测效率得到提高。      

基于Harris角点匹配的工具识别方法

图像匹配对于工具识别过程具有重要意义,传统的图像匹配算法匹配过程复杂导致匹配速度慢,在实际应用中有局限。为了提高工具识别的效率,通过分析工具图像特征,设计出一种基于Harris角点特征的图像匹配方法进行工具识别。首先用Harris算法提取工具模板图像与搜索图像角点特征,然后使用归一化互相关匹配算法计算工具模板图像与搜索图像角点特征的相关值,进而确定匹配点对,最后采用RANSAC去除错误匹配点对。通过实际数据验证,基于Harris角点特征的图像匹配方法与传统方法相比,不仅识别速度快,鲁棒性好,而且在实际工程应用中更具适用性。     

一种复杂交通场景中的车辆检测与跟踪方法

为了提高复杂交通场景中车辆检测与跟踪算法的鲁棒性,提出了一种基于特征点匹配的车辆跟踪方法。由于使用了Harris角点检测算法和SIFT特征描述符,大幅降低了光照变化对车辆检测造成的影响。在车辆跟踪环节,采用基于图论的归一化割方法,充分地利用了车辆的速度、方向等信息,从而对部分遮挡的车辆取得了较好的分割效果。实验结果表明,所提出的方法在复杂交通场景中有较高的精确率与鲁棒性。     

一种基于角点的Mean Shift目标跟踪算法*

为了提高经典的Mean Shift算法在复杂场景中的跟踪性能,提出了一种基于角点的目标表示方法。首先,利用Harris角点检测算法提取表示目标主要特征的角点;其次,基于提取的角点,建立目标模型,将其嵌入Mean Shift算法进行跟踪。该方法仅用少量的关键点表示目标,能够自动去除目标和背景中的次要特征,有效地抑制背景成分对目标定位的影响,从而改进Mean Shift目标跟踪算法的性能。通过测试两个复杂环境下的视频,实验结果表明,相对于传统的目标跟踪算法,提出的方法取得了更好的性能。     

基于高通能量变换的多传感器图像配准

针对多源传感器图像的特点,提出了一种结合高通能量变换与角点匹配的图像配准方法。该方法首先利用SUSAN 算法进行角点检测,然后将角点匹配分为粗匹配和精匹配两个阶段实现：粗匹配时,对图像进行高通能量变换,有效减少多传感器图像间的差异,并利用高通能量图上角点邻域间的归一化互相关度量,来建立角点初始对应关系;精匹配时,通过RANSAC算法,进一步筛选出正确的匹配点对,并获取匹配参数。实验证明该方法能快速、准确地配准红外与可见光图像。