响应和滤波器偏差感知约束的无人机目标跟踪算法

针对无人机视觉跟踪任务中目标外观变化大、视野角度多变问题,提出基于响应和滤波器偏差感知约束的无人机实时目标跟踪算法.该算法根据视频帧间响应差和滤波器变化的一致性,通过建模前后帧响应差和滤波器的变化,建立基于响应偏差感知和帧间滤波器偏差约束机制的目标函数,学习目标的外观变化和滤波器的帧间变化.引入辅助变量构建优化函数,采用交替方向乘子法（ADMM）将计算目标问题转化为求相关滤波器和辅助变量的最优解.采用跟踪准确度和成功率指标,将所提算法与其他9种算法在DTB70、UAV123@10 fps和UAVDT等3个无人机视频数据库上进行对比实验.实验结果表明,所提算法对遮挡、形变、角度变化等干扰属性均具有良好的鲁棒性,跟踪平均速度达到39.0帧/s,能够有效跟踪无人机目标.     

一种改进的雷达弱目标检测前跟踪算法

针对基于粒子滤波的检测前跟踪算法(PF-TBD)采样盲目性的问题,提出基于辅助粒子滤波的检测前跟踪算法(APF-TBD).该算法的重要性密度函数是一种依靠过去状态与系统最近观测量的密度函数,进一步使权值变化稳定,最终使得均方根误差较小,得到的粒子更逼近真实值,并将其应用于常规雷达对弱目标的检测与跟踪.仿真结果表明,该算法比PF-TBD有更好的检测效果与跟踪效果.     

一种多特征和动态权重策略的目标跟踪算法

传统的单一特征很难准确描述目标的外观特征，无法对目标进行大范围的精确跟踪。针对这一问题，提取卷积特征和颜色直方图特征分别训练相关滤波模型，并提出了一种动态权重策略可自适应地融合两种特征响应图。在模型更新方面，引入目标周围的背景信息，共同训练相关滤波器。将该算法在OTB2013和OTB2015数据集上进行了测试。实验结果表明，该算法可以有效地提高跟踪的准确性和成功率。     

自适应权值卷积特征的鲁棒目标跟踪算法

针对传统基于固定权值卷积特征的深度学习跟踪算法在部分视频跟踪失败的问题,提出一种新颖的基于响应图和熵函数的评估各卷积神经网络层跟踪性能的方法. 该方法能根据评估结果自动调整各层的权值系数;同时引入边界框检测机制,当跟踪响应最大值小于给定阈值时,采用滑动窗口采样一定数量的边界框,并对边界框进行评估,生成初始建议边界框;最后在初始建议边界框的基础上进行相关滤波跟踪,并给出模型更新策略。 将文中算法与其他9种算法在OTB-2013视频数据库上进行跟踪仿真,实验结果表明,所提算法具有较高的中心点距离准确率和跟踪成功覆盖率。     

一种基于卡尔曼滤波器的彩色目标跟踪方法

提出了一种基于卡尔曼滤波器的彩色目标跟踪方法。该方法首先在YCbCr颜色空间使用高斯模型构建目标颜色模型,根据该颜色模型在图像中进行目标检测,获取目标中心,然后利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心建立搜索区域,在搜索区域内进行目标检测,计算目标中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

一种有效的随动跟踪方法

针对视频监控系统,提出了一种离散化像机运动的随动跟踪方法,解决了像机运动时对目标检测带来的困难,并弥补了由于单个摄像机拍摄范围的局限性。文中针对像机监控场景,离散化像机转动,建立索引表;通过多帧差分和自适应背景方法提取运动对象,并结合K alm an滤波器和多帧预测思想实现了对特定目标的鲁棒跟踪;综合利用目标的信息、索引表和云台实现了对特定目标的随动跟踪。实验结果表明,该算法对于复杂场景中运动目标的检测和跟踪具有较好的鲁棒性和实时性;对特定目标的随动跟踪具有良好的实时性和稳健性。     

基于改进核相关滤波算法的目标跟踪

针对核相关滤波算法仅使用一种特征表达进行目标追踪,使其在一些场景中跟踪效果不佳的问题,提出了一种多特征融合的核相关滤波跟踪方法。采用31维的方向梯度直方图特征、58维的局部二值模式特征和1维的灰度特征进行融合。该算法选择在特征层进行特征融合,先将方向梯度特征和局部二值模式特征并联融合,再将融合后的特征串联融合灰度特征,形成新的特征表达。在OTB(Object Tracking Benchmark)数据集上进行了测试,结果表明,该算法具有更好的跟踪效果。     

BF粒子滤波算法在快速目标跟踪中应用的研究

为了对快速目标进行跟踪,在高斯加性白噪声的条件下(AGWN),文章把BF粒子滤波算法和迭代的Kalman滤波器方法结合起来对快速目标状态进行处理,状态估计用BF粒子滤波算法,能减小方差和运算量,同时用Kalman滤波器能提高跟踪精度和对目标状态的估计。仿真结果表明,文中所设计的快速和精确的BF算法能真正地解决快速目标跟踪问题。     

基于KCF的微型无人机目标跟踪方法研究

针对微型无人机(MAV)计算能力有限的问题,提出基于单目视觉的MAV目标跟踪方法。该方法采用核相关滤波算法(KCF)对目标进行检测,通过循环矩阵生成训练样本训练分类器,并采用傅里叶变换和高斯核函数实现对目标所在区域的快速检测;利用目标中心点在像素坐标系下的位置,通过坐标系变换估计出目标在世界坐标系下的位置,完成目标位置解算;将解算出的目标位置作为位置控制器的期望输入,以控制无人机实现对运动目标的轨迹跟踪。最后,利用Gazebo软件搭建仿真试验环境完成目标跟踪算法的仿真与验证。     

自动全局上下文感知相关滤波器跟踪算法

在相关滤波器跟踪算法中引入正则化后可以有效提高跟踪效率,但需要花费大量精力调整预定义参数,此外还有目标响应发生在非目标区域会导致跟踪漂移等问题,因此提出一种自动全局上下文感知相关滤波器(Automatic Global Context Awareness Correlation Filter, AGCACF)跟踪算法.首先,在跟踪过程中利用目标局部响应变化实现自动空间正则化,将自动空间正则化模块加入目标函数,使滤波器专注于目标对象的学习;其次,跟踪器利用目标全局上下文信息,结合自动空间正则化,使滤波器能及时学习到更多与目标有关的信息,减少背景对跟踪性能的影响;接着,在滤波器中加入时间正则化项,来充分学习目标在相邻帧之间的变化,从而获得更准确的模型样本.实验结果表明,与其他跟踪算法相比,AGCACF跟踪算法在距离精度和成功率方面具备更好的跟踪效果.     

基于自适应模板相关跟踪算法的研究

目前相关跟踪技术已经在目标识别领域得到了非常广泛的应用,该论文提出一种基于自适应模板的相关跟踪算法,该算法弥补了固定模板的不足,提高了跟踪的稳定性,尤其适合于复杂背景下连续图像的跟踪。     

飞蛾扑火优化的尺度比例感知空间长期跟踪器

针对无人机长期跟踪过程中尺度变换导致目标丢失和跟踪精度低的问题,提出了一种基于飞蛾扑火优化(moth-flame optimization, MFO)的尺度比例感知空间长期跟踪器。首先,设计了高斯初始化以代替飞蛾扑火优化算法的随机初始化策略,降低优化算法在跟踪过程中的计算复杂度,减少算力浪费;其次,结合快速梯度直方图特征,构建了改进的飞蛾扑火优化跟踪器;然后,为了解决无人机航拍长期跟踪中目标尺度变化的问题,设计了一种自适应尺度变换的判别尺度空间跟踪(discriminative scale space tracking, DSST)算法,进一步提出了一种尺度比例感知空间跟踪器,解决了尺度滤波器中因长宽比固定而导致的跟踪漂移;同时,分析了滤波器响应峰值在各背景下的变化情况,提出了一种能反映环境变化下跟踪置信度的指标,并通过置信度将MFO优化跟踪框架与尺度比例感知空间跟踪器相结合,解决了尺度变化与长期跟踪目标丢失的问题;最后,在无人机长期跟踪数据集上开展了性能验证。结果表明：提出的算法可有效防止漂移现象的发生,提升跟踪效率;与目前跟踪领域中12种同类文献算法进行对比可知,提出的算法精度较高...     

自适应上下文感知的目标追踪方法

针对相关滤波方法容易受到背景干扰导致跟踪漂移的问题,提出自适应上下文感知图像跟踪方法. 为了减少背景干扰,选取离目标位置远的高响应区域为自适应上下文区域,赋予该区域自适应的低响应值. 根据上下文区域与目标区域响应的相对差值,给上下文区域自适应的惩罚因子,使得该算法具有更好的鲁棒性. 该算法在OTB2013、OTB2015及Temple-Color128标准数据集上都展现了优秀的跟踪性能,OTB2015的重叠率精度达到61.53%,超过大部分已有的优秀算法,特别是在背景混叠及部分遮挡的情况下有着更卓越的表现. 该算法的平均跟踪速度为24.5帧/s,实时性较好.     

基于遗传算法和粒子滤波器的非刚性目标跟踪

基于目标颜色特征，将遗传算法和粒子滤波器相结合进行非刚性目标的实时跟踪：一般情况下，采用遗传算法跟踪目标，以最优个体作为目标状态；当发生较严重遮挡时，最优个体不一定是目标的真实状态，利用粒子滤波器的思想，以各个体的加权平均作为跟踪结果来克服遮挡影响。实验结果表明该混合算法具有较强的鲁棒性，能有效实现复杂场景下的目标跟踪。     

基于遗传算法和粒子滤波器的非刚性目标跟踪

基于目标颜色特征,将遗传算法和粒子滤波器相结合进行非刚性目标的实时跟 踪：一般情况下,采用遗传算法跟踪目标,以最优个体作为目标状态;当发生较严重遮挡时,最优个体不一定是目标的真实状态,利用粒子滤波器的思想,以各个体的加权平均作为跟踪结果来克服遮挡影响.实验结果表明该混合算法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.     

多特征融合的相关滤波红外单目标跟踪算法

针对红外单目标跟踪问题,提出一种多特征的相关滤波目标跟踪算法。该算法融合了图像的卷积特征和差分特征,使用卷积特征和差分特征分别训练相关滤波模型。在跟踪阶段,对两种特征的相关滤波模型得到的响应图动态融合,利用动态融合的响应图来确定目标的最终位置,使用得到的目标位置分别更新相关滤波模型。在林雪平热红外数据集上进行了实验验证,与一些经典的跟踪算法进行了对比,表明该算法拥有更高的跟踪准确率。     

一种新的模糊控制多模型算法在目标跟踪中的应用

为解决传统的蛇形建模方法不能反映出反舰导弹典型运动特性的问题,引入动力学建模方法研究弹道问题,把导弹视为可控质点,建立了反舰导弹末端蛇形机动弹道模型.采用被动传感器进行跟踪,提出一种新的基于模糊控制的交互式多模型自适应无迹卡尔曼滤波算法,根据Sage-Husa噪声统计估值器的原理提出了状态误差协方差自适应算法,克服了传统噪声自适应算法在目标发生强机动时收敛速度慢的缺点,同时利用模糊控制方法实现了实时调整交互式多模型算法中的转换概率矩阵.仿真实表明:所建立的弹道模型对探测、识别和跟踪反舰导弹技术的研究有一定的参考价值;改进的跟踪算法能够快速调整模型概率,使得其估计误差的收敛速度比交互式多模型算法更快,鲁棒性更强,并且能够有效降低纯方位目标跟踪的误差,实现对反舰导弹末端蛇形弹道模型的稳定跟踪.     

基于序列Monte Carlo方法的运动目标跟踪

针对移动机器人中的非线性非高斯特性,提出用粒子滤波的方法对运动目标进行跟踪,研究在贝叶斯框架下进行目标跟踪的原理,分析粒子滤波算法及存在的问题.应用这种方法,针对移动机器人的实际情况,建立了具体的系统模型和测量模型,比较不同的重采样算法,实现了对运动目标的跟踪任务.仿真结果表明,粒子滤波对于非线性非高斯的动态系统有良好的估计效果,在3种常用的重采样算法中,残差重采样的准确性稍高,分层重采样的计算比较简单,而多项式重采样是一种基本的重采样算法.