基于多模板匹配的双模型自适应相关滤波跟踪算法

为有效提升目标跟踪的精确度和实时性,设计了基于多模板匹配的双模型自适应相关滤波跟踪算法。对多模板匹配模型与核相关滤波跟踪模型参数进行初始化处理：多模板匹配模型选取得分函数作为模板与候选样本间匹配准则,通过候选样本得分获取最佳目标,更新多模板后,通过形变多样相似性实现多模板匹配;核相关滤波跟踪模型利用所采集目标样本数据建立循环矩阵,通过训练核化岭回归分类器获取核相关滤波器,并获取响应置信图,再利用响应置信图获取下一帧图像目标位置。通过自适应融合策略获取两个模型所估计目标位置,再采用金字塔尺度估计策略估计目标尺度变化,通过不断更新各模型参数实现目标精准跟踪。实验结果表明,在目标受遮挡或旋转、光照变化等复杂环境下,该算法的中心跟踪误差均低于15 dpi,平均跟踪精确度均高于98%,且目标定位时间低于100 ms,说明该算法在跟踪精确度和实时性上具有明显的应用优势。     

基于粒子群算法和卡尔曼滤波的运动目标跟踪算法

针对目前一些常用的运动目标跟踪算法存在跟踪精度不高、实时性低、对遮挡问题处理不佳等问题,提出一种粒子群算法与卡尔曼滤波相结合的新的运动目标跟踪方法。利用卡尔曼滤波预测目标中心在下一帧图像中的位置,从而极大减少了搜索范围,并以该位置为中心建立目标搜索区域。然后以目标的灰度统计特征对目标模板和候选区域进行匹配,确保跟踪准确性。为了有效减少搜索匹配次数、提高实时性,利用粒子群算法在搜索区域找到和目标模板最相似的区域,从而找到最优中心位置,并以该位置作为卡尔曼滤波的观测值,进行下一帧跟踪。仿真实验结果表明新算法显著提高了跟踪的实时性、精确性,并对部分遮挡能较好地处理。     

基于MSA直方图的景象匹配算法研究

提出了一种基于MSA直方图的景象匹配算法,用来解决景象匹配辅助导航系统中,由于拍摄的实时图背景复杂、存在畸变、易受遮挡等因素所带来的匹配困难。该算法利用灰度信息及其空间分布信息,分别计算目标区域及模板的MSA直方图,并计算匹配度,采用金字塔算法及中途停止策略进行搜索,对目标进行识别和定位。用cameraman图像、人脸图像和实际卫星拍摄图像进行了实验,实验结果表明：该算法对仿射变换、轻微透视投影变换、噪声、遮挡及视角变化具有鲁棒性,且比灰度直方图具有更好的性能,在实际拍摄的图像中能对目标进行准确的识别和定位。     

基于SWAD算法的空间面目标高精度跟踪技术研究

针对空间面目标的高精度跟踪问题,提出一种面目标高精度跟踪方法,该方法利用SWAD模板匹配算法和亚像素拟合算法提取目标精确的位置信息,并在跟踪过程中对模板进行实时更新。对传统的无限冲击响应滤波模板更新方法进行了改进,提出一种变系数模板更新方法,该方法计算量小,不需要经过复杂的置信度判断,模板更新系数由当前模板图像和当前最佳匹配区域图像的灰度值决定;利用不同亮度的目标,以及对目标图像进行尺度变换模拟姿态变化的目标,比较了该模板更新算法和传统算法的匹配误差,结果表明:该算法能够更好地适应目标姿态的变化;最后通过平行光管和靶标板模拟远场非合作目标,搭建了室内演示试验,证明了利用模板匹配进行高精度目标跟踪的可行性。     

基于动态模板匹配的自适应尺度目标跟踪算法

为保证大型光学模块装校装置在装校过程的稳定性和准确性，需要对导向模块进行监测跟踪。针对传统模板匹配跟踪算法在工业应用中存在无法应对目标尺度变化、缺少有效的模板更新策略等问题，提出一种基于动态模板匹配的自适应尺度目标跟踪算法。首先对第一帧图像检测运动目标区域，提取目标模板中心点，生成模板图像金字塔；在之后的每一帧中，先计算各尺度下模板图像和目标图像的相似性，取相似度最大的尺度因子作为尺度变化量，借助动态模板更新策略更新模板；最后融合卡尔曼滤波算法，预测出候选目标范围。在OTB数据集上进行实验，结果表明，所提算法在满足实时性要求的同时，相较于传统算法，重合率提高约21个百分点。     

新的基于Kalman滤波的跟踪方法

模板更新策略是匹配跟踪算法成败的关键,为了提高基于模板匹配跟踪算法的性能,在分析多种模板更新算法的基础上,给出使用Kalman滤波器更新模板的方法。该方法不再将模板图像视为一个整体,而是使用Kalman滤波器对模板图像逐像素点进行更新,以得到自适应和最佳的目标模板图像,使匹配跟踪算法的性能得到很大提高,特别对于目标被遮挡、目标姿态变化以及环境照度变化有很强的适应性。对匹配算法的改进和遮挡的处理使该算法的性能得到进一步提高。实验结果表明该方法行之有效。     

动态模板匹配算法对运动目标进行自动锁定跟踪的研究

模板匹配技术在目标识别跟踪领域得到了广泛应用,它利用已知图像作为模板,在未知图像中移动模板,求图像与模板的相似度,找到相似度最大的点即为匹配成功.针对导弹跟踪锁定目标过程,提出一种动态模板匹配算法,以期达到实时处理的效果,实现对目标的锁定.通过实验仿真显示,该算法是切实可行的.     

一种基于卡尔曼滤波器的模板更新方法

在运动目标跟踪过程中,基于相似性度量的模板匹配法是常用的一种相关跟踪算法.但是,单纯利用模板与图像的匹配准则难以应对跟踪过程中常见的目标姿态变化问题,很难获得比较好的跟踪效果.针对上述问题,利用卡尔曼滤波器对模板像素进行逐像素更新,每个像素依据自身的性质进行修正的幅度都不一样,从而得到自适应和最优的模板图像,最终达到在序列图像中准确匹配的目标.实验证明,该方法在产定程度上解决了跟踪过程中目标的形态变化问题.     

目标实时跟踪与预测算法研究

实时成像跟踪系统要求对运动目标能够有较快的响应速度,跟踪的响应时间越短,系统的实时性就越好,从而可靠的跟踪系统显得尤为重要。文中在研究了目前常用几种跟踪算法的基础上,提出一种基于目标特征匹配和Kalman预测相结合的跟踪方法,选取目标的灰度直方图信息做为特征匹配模板,使用Kalman滤波器对目标在下一帧图像中可能出现的位置进行预测,在预测范围内进行搜索及模板匹配,实验结果表明,该跟踪算法能够对目标实现稳定可靠的跟踪。     

动态目标实时跟随及其预测算法应用研究

实时成像跟踪系统要求对运动目标能够有较快的响应速度,跟踪的响应时间越短,系统的实时性就越好,从而可靠的跟踪系统显得尤为重要。文中在研究了目前常用几种跟踪算法的基础上,提出了一种基于目标特征匹配和Kalman预测相结合的跟踪方法,选取目标的灰度直方图信息做为特征匹配模板,使用Kalman滤波器对目标在下一帧图像中可能出现的位置进行预测,在预测范围内进行搜索及模板匹配,实验结果表明,该跟踪算法能够对目标实现稳定可靠的跟踪。     

基于奇异值分解的特征跟踪方法

在传统的基于模板匹配的跟踪方法中，均是给定一个模板，然后从图像中各个位置取出一个个与模板大小一致的区域进行相似性度量，找出与模板距离最小的一个区域作为当前模板，以便进行下一步的匹配跟踪工作。在景象匹配和相关跟踪过程中，由于所面临的大多数是变化的场景，实时获取的图像与预存模板之间存在比较大的差异，传统相关匹配方法的应用就会受到限制；而且在跟踪过程中，随时更新模板会造成跟踪性能对扰动过分敏感，从而产生漂移。首先拍摄目标不同角度的图像（尽可能包含目标可能出现的所有情况），构成目标图像训练集合，抽取出特征矩阵，对它进行奇异值分解，构成一个关于目标的多维空间。然后再用匹配方法在全局范围搜索，找出目标的大致位置，并利用收敛方法在确定的大致位置内进行搜索，确定目标的仿射变换系数，从而得到一个目标位置的确切描述。     

基于矩特征和卡尔曼滤波的车辆跟踪算法

针对由于背景的动态变化而导致的目标车辆无法准确进行跟踪的问题,提出了一种基于卡尔曼滤波器的车辆跟踪算法。算法利用基于图像内容的动态前景分割的方法提取出目标车辆,以此建立基于HSV颜色空间的矩特征,从而得到目标的特征模板,在下一帧中利用卡尔曼滤波器对目标车辆的状态进行预测。在预测的区域内进行匹配定位,从而得到目标车辆的实际位置。实验结果表明,该算法实时性和准确性高,能够准确的完成对目标车辆的跟踪。     

基于光流方程和目标匹配的视频图像目标跟踪方法

提出一种利用图像差分、局部光流法和目标匹配,实现视频对象目标提取和跟踪的方法.首先,对预处理后的图像进行差分;在差分的基础上,运用局部光流场对目标进行运动估计;对估计结果依据相似度进行聚类分析,消除小的非目标区域;当目标未发生剧烈变化时,更新目标模板,否则,利用已有目标模板进行匹配跟踪.实验结果验证了该算法的有效性,并实现了目标变形和部分遮挡时的稳定跟踪.     

均值替代边缘的模板差分法用于红外行人跟踪

提出了一种新的基于模板差分的红外行人跟踪算法。算法以红外序列图像中前一帧目标模板与当前帧差分后得到的正负值区域为基础,计算出正值区域质心到负值区域质心的向量,并将模板沿向量方向以单个像素移动,实现了基于红外序列图像的行人跟踪。文章在跟踪算法原有基础上整合了跟踪窗口自适应大小、行人交汇的检测和区分功能,一定程度上解决了红外行人跟踪过程中,两个身高和形体相近的行人交汇后难以分辨的问题。     

基于关键区域特征匹配的视觉跟踪算法

针对视觉跟踪中目标表观的复杂变化问题,提出了一种基于关键区域特征匹配的鲁棒跟踪算法.首先对目标模板进行初始化并通过滤波预测得到目标候选;然后采用自适应标记分水岭算法对目标模板和目标候选进行分割以提取关键区域,并利用像素的空间和频率分布特性对关键区域进行多重特征描述;最后通过关键区域的特征匹配得到目标模板与目标候选的匹配关系,由此确定最终跟踪结果并进行模板更新.对目标发生尺度、遮挡、旋转、光照、姿态、复杂背景以及运动模糊等变化的视频序列进行了仿真测试.实验结果表明,所提算法能够有效处理目标表观的复杂变化问题,尤其对目标的部分遮挡、光照变化以及复杂背景等具有较强的鲁棒性.     

基于分层模板的目标实时跟踪算法

在数字图像处理领域里,相关匹配技术有着广泛的应用,尤其在目标搜索和跟踪应用中.相关匹配算法通过计算目标图像与模板图像的相关值来确定是否图像和模板相关,具有很高的跟踪准确性和稳定性,但当目标仅占模板一小部分时,普通相关匹配算法效果很差.分析了有关相关跟踪算法的特点,提出了分层模板匹配的算法,并应用在实际的工程应用系统中;通过实验证明,该算法能较好地改善对小目标的跟踪效果,并可以克服障碍物对目标的部分遮挡问题.     

结合Kalman滤波和LBP纹理的CAMShift改进算法

针对传统CAMShift算法,在颜色相似干扰、目标快速运动等复杂背景中跟踪目标丢失的问题,提出一种结合Kalman滤波和LBP纹理的CAMShift改进算法。为了验证提出算法的合理性,使用农田作业机械安装的摄像头实现图像的动态采集,选取图像中的特定目标作为目标模板,采用Kalman滤波器预测下一帧特定目标的位置区域,用改进LBP算法的纹理特征与色彩概率分布图进行相与运算,将得到的结果应用到特定目标跟踪中。实验结果表明,改进后的算法在跟踪特定目标方面具有较高的准确性和鲁棒性。     

模板自适应的Mean Shift红外目标跟踪

为了解决Mean Shift跟踪算法中目标模板只能从单一图像建立且很难更新问题,提出了一种结合改进的Mean Shift与增量式支持向量机的红外目标跟踪算法。首先,根据目标区域的灰度直方图对目标进行描述,然后采用标准Mean Shift搜索目标,结合子图图像矩特征进行二次搜索,再计算下一帧搜索的窗口大小,以解决目标尺寸明显变化时造成目标丢失的问题。同时,针对目标遮挡易导致跟踪失败的问题,引入机器学习理论,采用增量式支持向量机自适应更新模板,则目标跟踪问题转换为目标和背景的分类问题。实验结果表明:提出的改进算法在目标尺寸、姿态发生变化或出现部分遮挡时,能有效跟踪目标。     

基于非线性量化概率模型的弱小目标跟踪

针对红外弱小目标跟踪问题,提出一种基于非线性量化概率密度模型匹配的快速跟踪方法。首先分析了红外弱小目标的灰度特性和多帧运动相关特性,引入α-β滤波对红外目标进行运动相关跟踪,并预测下一帧图像中目标的质心位置,然后提出一种适合红外弱小目标的非线性量化概率密度模型,通过在预测邻域内进行模板匹配来跟踪真实目标。实验结果表明该方法用于红外弱小目标的跟踪精度和处理速度明显优于现有算法,工程意义显著。     

基于Mean Shift的变尺度快速运动目标自适应跟踪算法

为了实现对变尺度快速运动目标的良好跟踪,在对传统Mean Shift跟踪算法改进的基础上,提出了一种运动目标自适应跟踪算法。该算法首先采用目标区域的像素点空域加权后的彩色图像作为初始帧目标模板,目标的真实位置利用Mean Shift算法迭代求得,从而实现对快速运动目标的空间定位,然后将相邻帧的目标采用尺度不变特征变换(SIFT)算子进行特征匹配,根据目标的缩放因子实时更新下一帧的核带宽,修正算法跟踪窗口的尺寸,以适应目标尺度的变化,从而实现对快速运动目标的尺度定位。最后,通过实验表明,与传统的Mean Shift跟踪算法相比,该算法的跟踪准确率达到97%以上,能够实现对变尺度快速运动目标的精确跟踪。