在线特征选择和遮挡处理的目标跟踪*

为了提高相似物体干扰、光照变化等复杂环境下目标跟踪的稳定性,提出利用Fisher准则的在线选择鉴别性特征,将在线特征选择嵌入到跟踪算法中。但是,在目标被严重遮挡时仍在线选择鉴别性特征,会使目标模板偏移,导致跟踪失败。为了在目标被严重遮挡的情况下仍能在线选择鉴别性目标特征,选择一个可靠的子区域来推测被遮挡目标的颜色特征,再选择鉴别性特征。实验结果表明该方法在相似物体干扰、被跟踪目标被遮挡等复杂环境下极大地改善了跟踪的稳定性。     

背景变化鲁棒的自适应视觉跟踪目标模型

提出了视觉跟踪任务中目标动态建模的一种方法.该方法首先针对跟踪序列中的当前帧图像观测进行Haar变换,从而得到图像的过完备特征描述;然后根据Fisher准则,评价每个Haar特征对目标和当前背景的区分能力,目标模型由那些区分能力最强的Haar特征构成.在跟踪过程中,采用卡尔曼滤波算法预测目标下一时刻的可能位置,从而根据目标的图像观测和目标下一时刻可能的位置附近的背景图像观测,对Haar特征的区分能力进行动态评价.通过保留区分能力强的特征,同时淘汰区分能力弱的特征,维护目标模型的强可区分性和低计算复杂性.该方法的主要策略是,在最大程度地保持可区分性的前提下,减少计算的复杂性.实验结果表明,在存在诸多不确定性因素的真实长序列视频上,该跟踪方法能够实时地完成复杂的目标跟踪任务.     

复杂背景下的快速机动目标跟踪算法

为了解决复杂背景及大视野场景下跟踪机动目标易丢失和跟踪精度低的难题,提出了一种复杂背景下的快速机动目标检测与跟踪算法.利用帧间差分算法提取图像中的机动目标,在初始帧建立机动目标的颜色直方图模型,将后续输入图像的像素值转化为直方图分布下的概率值;根据与目标模型的相似度,将每个候选区域的像素值作为密度;利用自适应均值漂移算法寻找机动目标的真实位置;利用卡尔曼滤波预测目标位置.实验结果表明:算法能够准确地在复杂背景和大视野场景下快速检测并跟踪机动目标.     

显著子区域在线选择的目标鲁棒跟踪

针对复杂环境下的视觉目标鲁棒跟踪问题,模拟人视觉选择注意显著区域的智能特性,提出一种在线选择目标显著子区域的跟踪方法。根据中心-周围差异和相对背景的差异提取具有区分性的子区域,通过跟踪误差分析子区域时序一致性,选择稳定的显著子区域,利用子区域局部与目标整体的空间关系估计目标位置。实验结果表明,通过动态选择显著的目标子区域,能够提高对部分遮挡和背景相似干扰影响的适应性。     

似然相似度函数在目标跟踪中的鲁棒机理研究

复杂背景条件下低对比度目标的跟踪和测量方法,是视觉领域的一个重要课题.低对比度,低信噪比,目标旋转、缩放、被遮挡等非理想状态给跟踪算法的研究带来很大困难,算法既要适应目标和背景的复杂变化,又要保证运算量小,满足工程实时性要求.提出一种基于似然相似度函数的低对比度目标跟踪方法.在建立模型阶段,利用棱锥面方程的单峰特性突出模型中的目标灰度信息,使目标与背景灰度信息的可区分性更高;在模型匹配阶段,从统计学中的极大似然估计方法得到启发,构造一种新的似然相似度函数,与传统的相似度量相比,度量值的可区分性更高,大大提高了匹配区域的无重复模式;最后,将目标跟踪过程转化为对目标跟踪位置的极大似然估计过程.目前,该算法已经成功嵌入TMS320C6416硬件平台.大量实验结果表明,该算法所能探测的目标对比度LSCR最低限度约为3.作为实例,给出复杂背景下低对比度LSCR=4.9时空中飞机的实验结果.     

自适应紧致特征的超像素目标跟踪

目的 针对现有的超像素目标跟踪算法（RST）对同一类中分别属于目标和相似干扰物体的超像素块赋予相同特征置信度,导致难以区分目标和相似干扰物的问题,为此提出自适应紧致特征的超像素目标跟踪算法（ACFST）。方法 该方法在每帧的目标搜索区域内构建适合目标大小的自适应紧致搜索区域,并将该区域内外的特征置信度分别保持不变和降低。处于背景中的相似干扰物体会被该方法划分到紧致搜索区域外,其特征置信度被降低。当依据贝叶斯推理框架求出对应最大后验概率的目标时,紧致搜索区域外的特征置信度低,干扰物体归属目标的程度也低,不会被误判为目标。结果 在具有与目标相似干扰物体的两个视频集进行测试,本文ACFST跟踪算法与RST跟踪算法相比,平均中心误差分别缩减到5.4像素和7.5像素,成功率均提高了11%,精确率分别提高了10.6%和21.6%,使得跟踪结果更精确。结论 本文提出构建自适应紧致搜索区域,并通过设置自适应的参数控制紧致搜索区域变化,减少因干扰物体与目标之间相似而带来的误判。在具有相似物体干扰物的视频集上验证了本文算法的有效性,实验结果表明,本文算法在相似干扰物体靠近或与目标部分重叠时,能够保证算法精确地跟踪到目标,提高算法的跟踪精度,具有较强的鲁棒性,使得算法更能适应背景杂乱、目标遮挡、形变等复杂环境。     

基于改进的MeanShift算法的选煤厂人员目标跟踪方法

针对采用传统的MeanShift算法进行智能视频监控易受背景干扰而丢失目标的问题,提出了一种将MeanShift算法与卡尔曼滤波算法相结合的选煤厂人员目标跟踪方法。该方法首先通过运动检测方法分割出跟踪目标区域,然后通过卡尔曼滤波算法预测下一帧跟踪窗口的起点,在此基础上采用MeanShift算法跟踪目标区域;由于选煤厂环境较复杂,为了防止跟踪失败,采用跟踪与检测相结合的方法来进一步保证跟踪的鲁棒性。实验结果表明,该方法能很好地消除背景中相似颜色区域的影响,具有较好的跟踪效果。     

粒子滤波实现无线传感器网络目标跟踪预测

为减少无线传感器网络(WSN)目标跟踪预测误差,提出一种粒子滤波实现WSN目标跟踪预测方法;该方法采用粒子滤波获得目标运动状态,联合当前时刻目标的本地估计位置、预测速度和加速度获得下一时刻目标预测位置,预测位置可作为当前头节点唤醒所述下一时刻传感器节点的依据;结果表明,上述粒子滤波预测方法预测准确度相比线性预测方法明显提高,均方根误差RMSE减少49%;相比基于二次多项式运动建模的WSN目标跟踪预测方法,均方根误差RMSE减少6%。     

结合运动方程与卡尔曼滤波的动态目标追踪预测算法

针对传统定位技术误差较大且无法预测目标位置等问题,提出了一种结合运动方程与卡尔曼滤波的动态目标追踪预测算法ME-KF。通过运动方程模拟动态目标运动特性,利用卡尔曼滤波来减小干扰噪声对测量结果的影响,并预测下一时刻的目标位置。该算法在辽宁排山楼矿井的人员定位系统中得到了实际应用,并取得了显著成果。实验结果表明,该方法提高了定位精度,能够对人员位置进行预测以及对危险区域进行预警,并且成功地分析判断了障碍物的分布状况。     

无线传感器网络动态最近邻协作目标跟踪算法

针对现有的目标跟踪算法不能兼顾精度和能耗的问题,提出了一种动态最近邻协作目标跟踪算法。本算法动态构建目标跟踪簇以更好地适应目标位置的实时变化,从而获取最佳的跟踪精度。当目标进入监控区域后,多个传感器节点感知到目标则自动成簇最小二乘方法初始移动目标的最初位置。引入预测机制,根据目标的未来位置,基于最近邻协作准则选择下一时刻的簇头节点。目标跟踪簇头节点在其邻居范围内选择任务节点观测目标位置,并采用集中卡尔曼滤波完成目标的状态估计。仿真结果表明:提出的目标跟踪算法具有跟踪精度高,节点间的单跳通信距离能够有效减少能耗。     

基于Camshift和Kalman滤波的自动跟踪算法

针对传统的Camshift算法在跟踪时需要手动定位目标,在颜色干扰、遮挡等复杂背景中容易跟丢目标的问题,提出了一种基于Camshift和Kalman滤波的自动跟踪算法。首先利用帧间差分法和Canny边缘检测法分割出运动目标的完整区域,然后用提取出的目标区域初始化Camshift算法的初始搜索窗口,从而实现了目标的自动跟踪。当背景中存在相似颜色干扰或者目标被严重遮挡时,采用Kalman滤波与Camshift算法相结合的改进算法进行跟踪。实验结果表明,本文改进算法在目标被严重遮挡、颜色干扰等情况下仍能有效、稳健地跟踪。     

移动机器人实时目标跟踪系统设计与实现

针对单目视觉移动机器人目标跟踪的实时性和鲁棒性要求,提出了基于Kalman滤波器的改进Camshift算法检测和定位目标.将Kalman预测值作为目标初始位置,补偿摄像头和目标相对运动导致的目标在图像中的偏移.在系统“跟丢”后判断目标丢失的原因,根据原因自适应拓展搜索窗口作为Cam-shift算法的下一帧初始搜索窗口.为了验证改进算法的有效性,自主研制了一种应用该算法的履带式机器人实时目标跟踪系统.实验结果表明:该系统具有很好的鲁棒性和实时性.     

基于卡尔曼滤波的移动机器人运动目标跟踪

提出了一种基于卡尔曼滤波的运动目标快速跟踪算法。针对复杂背景下彩色运动目标跟踪问题,采用基于颜色特征和形状特征相结合的方法进行目标识别。利用卡尔曼滤波器的预测功能,预测运动目标在下一帧中的位置,将图像全局搜索问题转换为局部搜索,提高了系统的实时性。实验结果表明:该算法满足移动机器人运动控制的实时性要求,实现了对运动目标的快速跟踪。     

一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法

提出了一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法。该方法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,建立候选的目标搜索区域。以跟踪目标的灰度统计特征为模板,以Bhattacharyya系数来度量目标模板与候选目标区域的相似性,并以此相似性作为遗传算法适应度函数,以候选目标中心坐标作为参数编码,利用遗传算法进行匹配搜索,最终获得最佳候选区域中心位置,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。     

基于卡尔曼滤波的多区域关联运动目标跟踪

针对视频目标跟踪中的遮挡及跟踪漂移问题,提出一种基于卡尔曼滤波的多区域关联运动目标跟踪算法。该算法将目标划分为多个区域并构建无向图,通过卡尔曼滤波预测出各区域中心,再结合灰度直方图匹配及相邻区域的位置关系,计算出各区域观测中心,最后应用卡尔曼滤波修正观测中心实现跟踪。对两区域人体目标跟踪的实验结果表明,与各区域单独采用Mean Shift跟踪算法相比,所提算法在目标遮挡、目标与背景特征相似的情况下,依然具有较好的鲁棒性和实时性。     

基于改进Mean-Shift与自适应Kalman滤波的视频目标跟踪

提出一种改进的Mean-Shift和自适应Kalman滤波器相结合的视频运动目标跟踪算法。对选定的跟踪目标,采用三帧差和区域增长法分割目标并得到主颜色信息。在跟踪过程中,利用自适应的Kalman滤波器估计每一帧的起始迭代位置,再利用改进的Mean-Shift算法得到跟踪位置并作为测量值反馈给自适应Kalman滤波器,并引入遮挡率因子以自适应地调节Kalman估计参数。实验结果表明,该算法能对视频中的运动目标实现检测和连续跟踪,对遮挡也有较好的鲁棒性。     

复杂背景下感兴趣运动目标的跟踪算法

针对由于复杂背景的干扰而导致不能准确跟踪感兴趣运动目标的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法。首先在HSV颜色空间中得到感兴趣运动目标的加权颜色分布模型,然后利用不变矩特征来消除背景中相似颜色物体和光照变化的干扰,两种特征通过自适应调整权重来更新粒子权值而融合于粒子滤波算法中,从而能够准确和稳定地跟踪运动目标。实验证明,该算法在运动目标平移、姿态变化、遮挡、光照变化及相似颜色干扰等复杂背景下都能够准确地进行跟踪,对背景干扰具有很强的鲁棒性。     

基于卡尔曼滤波的多目标跟踪方法

针对视频多目标跟踪中由于目标间的遮挡、交错或目标漂移而导致跟踪失败的情况,提出一种基于卡尔曼滤波以及空间颜色直方图的遮挡预测跟踪算法。利用空间颜色直方图对目标进行建模,可以对不同目标进行区分进而在目标之间出现交错或目标漂移时仍能跟踪到目标。通过卡尔曼滤波算法可以 预测 目标的状态,对预测位置之间存在交错的目标进行遮挡标记,以便在下一帧中仍然可以跟踪到被遮挡的目标。采用2D MOT 2015数据集进行实验,跟踪的平均精度达到了34.1%。实验结果表明,所提方法对多目标跟踪的效果有所提高。     

基于梯度特征和颜色特征的运动目标跟踪算法

由于在复杂背景下仅针对目标的颜色或梯度特征进行跟踪存在不足,提出一种基于梯度特征和颜色特征相融合的CG_CamShift跟踪算法。该算法充分利用颜色直方图对目标全局的描述及方向梯度图对结构信息的描述,并结合Kalman滤波对运动目标位置进行预测,解决了复杂背景下光照、遮挡等引起的目标跟踪丢失等问题。实验结果表明,该方法在保障跟踪实时性的前提下提高了跟踪精度,并具有较强的鲁棒性。