基于SIFT动态背景下的视频目标跟踪方法

提出了一种基于尺度不变性特征变换(SIFT)的视频目标跟踪方法.该方法通过提取前后两帧的SIFT特征,利用全图SIFT特征进行匹配,通过匹配的点对计算两帧的几何变换关系,再利用变换矩阵确定下一帧目标位置,实现了连续状态下的自动跟踪.实验结果表明此方法在遮挡、噪声、旋转、光照、缩放、小视角变化等方面有较好的鲁棒性.     

基于SURF目标跟踪算法研究

SIFT算法是特征图像特征提取中一种最具鲁棒性的算法,但是其在特征提取匹配上速度较慢,很难满足实时目标跟踪的要求。使用SURF特征提取方法既保持了SIFT算法的高精度的优点,又克服了速度慢的缺陷。提出使用SURF提取并且匹配目标的特征点,用重心算法计算目标的脱靶量,通过小区域跟踪方法和高速硬件平台实现目标的实时跟踪。实验证明,算法对目标的轻微旋转、部分遮挡、亮度变化具有很强的鲁棒性,跟踪速度比SIFT算法也极大提高。     

基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

基于CamShift算法的目标跟踪研究

针对传统的跟踪算法无法获取跟踪目标世界坐标值的问题,提出融合SIFT特征点匹配的CamShift目标跟踪算法。运用基于色彩的CamShift算法对目标进行跟踪的同时对跟踪搜索窗口进行SIFT特征点提取和匹配,以获取目标的部分特征点在左右成像平面上的二维坐标值,根据这些坐标值通过视差原理确定目标的空间位置。实验结果显示,该算法在室内简单的背景条件下,能很好地跟踪运动目标且跟踪误差在可接受的范围内。     

基于视频图像的目标跟踪系统设计

研究在简单的背景下实现对图像的识别和跟踪。系统以ARM微处理器STM32为主控制器。在分析了驱动电机和目标环境等因素的基础上,选择摄像头捕捉、采集图像并跟踪目标,通过合适的图像识别算法正确地处理图像信息、识别目标。通过对水平和垂直驱动电机的控制,实现三维目标跟踪。能够实现系统对目标的大范围,高精度的自动跟踪。     

一种基于改进RT-MDNet的全景视频目标跟踪算法

为了解决全景视频目标跟踪过程中,由于光照条件变化、相似背景干扰、目标运动时产生的形变和尺度变化等因素的影响,在跟踪中会出现目标漂移、目标丢失等情况,进而导致目标跟踪算法成功率低,鲁棒性差等问题,提出一种基于长短期记忆网络和改进Real-Time MDNet网络的全景视频目标跟踪方法.算法首先采用浅层卷积神经网络提取特征,并利用自适应的RoIAlign减少特征提取过程中的像素损耗,而后运用目标特征在线更新最后一个全连接层的权重,在全连接层中实现前景背景分离并提取出目标区域,然后通过长短期记忆网络自适应地选取目标框的尺度,最终输出目标位置信息.实验结果表明:单目算法应用在全景数据集时,难以适应全景中的尺度变化和背景变化,改进算法利用3层长短期记忆网络构建的尺度预测模块,可以有效地应对全景数据存在的尺度变化和目标形变问题,在保持较好的跟踪精度的同时,可以有效地应对目标跟踪中出现的小目标、目标遮挡、多目标交叉运动的情况,获得更好的视觉效果和更高的重叠率得分.     

基于SIFT算法的ATM视频人脸识别方法

提出一种视频图像中人脸识别的方法。首先将视频分解成单帧图像;然后利用基于肤色的方法计算人脸占图像的比例,进而确定关键帧位置;最后运用SIFT算法进行图像匹配,按照样本训练的阈值输出匹配结果。算法研究表明：该算法不需要大量视频训练并且保证了人脸识别系统的准确性,关键帧提取简单,相对传统的关键帧提取算法缩短了处理时间,为将人脸识别系统实时化提供了支持。其中视频中人脸识别率达到94.5%。     

基于无线传感网的目标跟踪算法及实验系统设计

为了对移动目标实现跟踪,设计了一个基于无线传感器网络和扩展Kalman滤波算法的目标跟踪系统.放弃了传统静态传感器方式,改用移动传感器方式获得目标距离信息,提出基于线性规划法的网络覆盖算法,减少了扫描探测区域的传感器数量,从而减少了采样时间,并提高了网络覆盖率.基于距离模型提出了窗口扩展卡尔曼滤波算法,该算法比普通扩展卡尔曼滤波具有更高的精度,通过实验验证了算法的有效性.     

基于多模式多特征融合粒子滤波视频目标跟踪

本文研究了目标的多特征融合跟踪问题.提出了衡量各特征质量的标量方法,利用粒子权值平方和来表示各特征信息的粒子退化程度,并以此值作为各特征信息质量状况的衡量.该方法能根据跟踪的实际情况判定各分信息粒子质量,并在此基础上提出了多模式融合策略,该策略能依据各分信息的质量变换各融合模式达到跟踪过程中各模式的最优组合.实验结果表明:在对复杂背景视频目标的跟踪中,该算法具有强的鲁棒性,较高的识别精度.     

基于卡尔曼预测的视频目标实时跟踪

在视频目标跟踪中,搜索区间大小直接影响着跟踪的速度和效率.现采用图象坐标系下的卡尔曼滤波预测来指导跟踪,设计了卡尔曼滤波器,对被跟踪目标的运动参数(位置,速度,加速度)进行滤波预测.缩小了搜索区间(减至为匹配模型的大小),提高了系统的实时性和跟踪精度.实验结果表明:在对大运动和大运动大机动两种视频目标的跟踪中,耗时仅为全局搜索的1/4,精度可达3像素以内.     

一种基于视频预测的红外行人目标跟踪方法

红外视频与普通彩色视频相比易受周围环境的影响,在红外行人跟踪中行人目标外观轮廓和灰度分布常有较大幅度变化,导致跟踪困难.为解决此问题,本文提出了一种VPSiamRPN（Video Prediction with Siamese Region Proposal Network）红外行人目标跟踪系统.在SiamRPN（Siamese Region Proposal Network）网络的基础上,针对目标形变、目标遮挡和背景杂波等严重影响红外跟踪效果的因素进行研究,设计将PredNet (Deep Predictive Coding Networks for Video Prediction and Unsupervised )网络的图像预测功能结合应用到SiamRPN网络上,以提高跟踪模板与被检测目标的相似度,增强目标跟踪中的模型匹配能力,从而提高对红外行人目标的跟踪能力.通过改变网络层数、预测所用的目标图像及图像帧数、网络的跟踪策略,对网络进行优化,设计了9组对比试验,在PTB-TIR数据集上,与SiamRPN网络客观定量对比,通过跟踪的成功率和重叠率在10种属性上对网络进行评估.实验结果表明:本文网络对红外目标的识别在热交叉、强度变化、遮挡和尺寸变化等多种属性上的跟踪成功率和重叠率均较SiamRPN网络有较大提高,显示出对红外行人跟踪的良好性能,在这一领域将有广阔的应用前景.     

基于SIFT特征匹配的图像拼接算法

针对传统图像拼接算法效率低和鲁棒性差的问题,提出一种改进的基于SIFT特征匹配的图像拼接算法。在图像预处理阶段,首次运用离散余弦变换、量化、反离散余弦变换、反量化,来对图像增强。其次,在计算变换模型时,由于没有预检验策略,致使RANSAC算法迭代次数增加。为此,提出了预检验策略。实验结果表明,在不改变匹配精度的前提下,该改进算法得到了比较理想的效果。     

基于改进粒子滤波的传感器网络目标跟踪研究

在分析粒子滤波算法(PF)的基础上研究了一种改进的粒子滤波算法-无迹粒子滤波算法(UPF).UPF算法使用无迹卡尔曼滤波(UKF)算法产生重要密度函数.动态组织传感器网络节点成簇,将UPF算法和PF算法应用于无线传感器网络(WSNs)的目标跟踪,实现了对网络中做匀速直线运动的单个目标的跟踪.最后将UPF算法与PF算法进行比较.仿真结果表明,改进算法UPF滤波提高了粒子利用效率,精度更高,跟踪性能更好.     

基于视频检测的卡尔曼滤波车辆跟踪算法及行为分析

采用基于目标检测的运动目标跟踪策略, 首先用时间差分法进行运动目标检测, 获得运动目标的初始位置;然后采用卡尔曼滤波器预测运动目标下一时刻所在的位置, 再利用运动目标检测的结果评估和矫正预测结果, 获得运动目标的准确位置, 并依据跟踪结果进行车辆的行为分析.实验结果表明, 本方法可有效地解决运动目标部分遮挡及短时间全遮挡下的可靠跟踪问题.     

基于时间窗同步算法的无线应变采集系统设计

对用于结构健康监测的分布式无线传感网络来说,时间同步技术在其中起着至关重要的作用,是实现网络中节点间协调采集数据的关键。文中提出了一种基于时间窗时间同步算法的无线应变采集系统。系统由上位机、协调器和节点组成。所提出的时间窗时间同步算法分为预同步阶段和正常同步阶段,具有低复杂度、易实现和稳定性相对较高的优点。实验表明,该系统同步精度和应变采样精度较高,能够满足一般的工程应用。     

基于视频监控的运动目标跟踪算法

利用Kalman滤波思想对运动目标的前时刻状态信息进行预测,获取重心位置与形态紧密度估计值;将估计值与当前时刻观测值进行匹配,根据匹配误差修正运动目标的速度与紧密度变化值,通过递归算法实现常态下运动目标的准确、快速跟踪.针对复杂场景下由于运动遮挡造成无法准确估计目标运动轨迹,采用灰色模型GM(1,1)保证了跟踪过程的连续、稳定.最后,通过不同交通场景的视频序列对本文算法进行了验证,结果表明本文方法具有较好的适应性、鲁棒性,可实现复杂遮挡情况下连续、稳定、实时的目标运动跟踪.     

目标跟踪算法综述

针对现有基于孪生网络的视频目标跟踪(video object tracking, VOT)方法存在的特征提取能力不足以及对外观变化过大或平面外旋转等目标跟踪效果不佳的问题, 提出一种基于残差密集孪生网络的VOT方法. 首先, 使用嵌入卷积注意力的残差密集网络对模板帧图像和检测帧图像分别提取不同层次的特征; 然后, 将不同层次的特征通过相互独立的区域候选网络进行互相关操作; 最后, 将多个区域候选网络的输出自适应加权求和, 得到最终的跟踪结果. 实验结果表明, 该方法在应对目标表观变化过大、平面外旋转等挑战时, 能够获得较好的跟踪效果.

     

一种基于WSN的目标跟踪节点唤醒策略

针对基于无线传感器网络的目标追踪应用提出了一种节点唤醒策略。对于目标是否进入网络监测范围,提出了巡逻监测法。对于已经进入监测范围的目标,提出了基于传感器节点自身的唤醒方法。理论分析与仿真表明该方法相对基于目标位置预估计的节点唤醒方法,提高了节点唤醒效率,减少了能量消耗。     

基于声学无线传感器网络的目标跟踪系统研究

利用无线传感器网络对具有声音特性的目标进行跟踪的特点,研究了基于时延估计的声源定位方法.选择广义互相关法作为时延估计算法,并改进球形插值法用于声源定位,从而减小了算法复杂度;再利用IRIS节点设计了一个面向目标跟踪的声学无线传感器网络原型系统,并进行相应的实验.实验结果表明,利用所设计的原型系统能实现对移动目标跟踪,而...