基于SIFT 特征和粒子滤波的目标跟踪方法

现有的基于外观的目标跟踪算法,在光照变化和遮挡的情况下,不能准确跟踪目标．针对这个问题,考 虑到尺度不变特征（SIFT 特征）对于光照变换、尺度变换以及仿射变换的不变性,提出了一种利用SIFT 特征建立 目标模型,结合粒子滤波实现目标跟踪的新方法．在跟踪过程中,根据目标模型和候选目标中SIFT 特征点在时间 窗内的匹配情况,自适应更新目标模型的特征点,使模型能够适应目标外观变化．仿真结果证明了方法在不同环境 下的健壮性．     

基于SIFT特征和模板更新的粒子滤波目标跟踪算法

传统的粒子滤波算法利用目标的颜色特征对粒子权值进行更新,当背景与目标的颜色分布相似或者目标被遮挡时,易发生误跟踪。尺度不变特征具有较高的独特性,但是仅使用SIFT特征不足以对小目标进行描述。针对这两种情况,提出一种利用SIFT特征和颜色特征建立目标模型,结合粒子滤波实现目标跟踪的新方法。为了防止目标模板的误更新,根据当前帧跟踪结果与SIFT目标模板中特征点的匹配数目决定是否对颜色目标模板进行更新。实验结果表明,当目标被遮挡或者位于有相似颜色的杂乱背景时,提出的方法能有效提高跟踪的精确度。     

结合尺度不变特征变换和Kalman滤波的Mean Shift视频运动目标跟踪

为解决目标跟踪中运动目标存在较大尺度变化、旋转、快速运动或遮挡时跟踪效果欠佳的问题,提出了一种将尺度不变特征变换(SIFT)特征匹配和Kalman滤波与Mean Shift结合的运动目标跟踪方法。首先,利用Kalman滤波估计目标运动状态,将其估计值作为Mean Shift跟踪的初始位置;然后,当候选目标模型和初始目标模型的相似性测度系数小于某一阈值时,启用SIFT特征匹配寻找目标可能位置,并在该位置处建立新的候选目标模型,同时进行相似性测度;最后,比较两者所得匹配系数,取其中较大者对应的位置作为目标的最终位置。实验结果表明,该算法的跟踪平均误差较单独将Kalman滤波或SIFT特征与Mean Shift结合的跟踪算法减小了约20%。     

基于LBP-HSV模型及改进SIFT算法的行人再识别算法

针对SIFT算法计算量大,复杂背景下匹配准确率低的问题,论文提出了一种结合LBP-HSV模型与改进SIFT算法的目标识别算法。首先利用LBP直方图和HSV模型共同筛选出目标相似区域;然后利用SIFT算法检测目标与相似区域的特征点,并使用改进的HOG特征描述特征向量;最后采用最近邻加权欧式距离的匹配策略,找出匹配点对。基于多组行人图片的目标识别结果表明,文中算法具有较强的鲁棒性,识别准确率较高,且相较于SIFT算法,匹配速率大大提高。     

改进的SIFT算法图像匹配研究

对SIFT(尺度不变特征变换)算法特征描述子维数过高,导致匹配速度过慢、匹配率低等问题,提出了一种分级放射状分区的方法来构建特征描述子,将特征点邻域划分为8个区域,统计各个区域内8个方向的梯度方向直方图,得到64维特征描述子,使特征描述子维数降低50%。同时因马氏距离考虑了特征描述子向量间的相关性,在匹配时用马氏距离双向匹配方法代替欧氏距离进行匹配,并用RANSAC(随机抽样一致性)方法消除误配点。实验结果表明,改进的SIFT算法保留了SIFT算法对模糊、压缩、旋转和缩放等不变性优势,并提高了匹配速度,正确匹配率平均增加10%~15%。     

一种改进的SAR 与可见光图像的快速配准算法

针对基于尺度不变特征变换(SIFT)的合成孔径雷达(SAR)与可见光图像配准存在耗 时长、精度不高的问题,提出了SIFT 与快速近似最近邻搜索(FLANN)相结合的配准算法。首 先,针对SAR 图像存在的相干斑噪声做双边滤波(BF),在去噪的同时能够保护图像的边缘避免 被高斯函数模糊。其次,在高斯差分尺度空间检测特征点并生成SIFT 特征描述向量,利用 FLANN 算法实现高维向量空间中的快速匹配。最后,采用改进的抽样一致算法(PROSAC)剔除 误匹配进一步提高匹配正确率。实验结果表明该算法在配准的精度和速度上都优于原始的SIFT 算法。     

融合颜色与纹理特征的粒子滤波目标跟踪

针对采用单一颜色特征的粒子滤波目标跟踪算法在背景相似、光照变化复杂的场景下会导致跟踪失败的问题,提出一种基于LBP纹理和颜色特征融合的粒子滤波跟踪目标算法。综合加权颜色直方图和LBP纹理直方图进行目标特征描述,建立目标观测模型;同时粒子滤波进行状态预测,利用Bhattacharyya系数进行相似度测量,作为目标区域参考模型更新准则,实现权值更新;最后对权值归一化处理,得到目标位置状态的最终估计。实验结果表明该算法不仅提高了跟踪方法的鲁棒性,而且在目标遮挡、光照变化等干扰下,具有较好的准确性。     

火灾视频图像定位中特征点提取和匹配

SIFT算法广泛用于三维目标识别,但其由于依赖过多的特征点,计算量大,在实际火灾图像定位中很难保证算法的实时性。在保留了SIFT算法良好的旋转、尺度、光照等不变特性的基础上,采用关键点的4×4窗口（16维向量）表示关键点的特征描述。同时,利用双向匹配在特征点的匹配上保证了准确率。实验数据表明,该算法在很大程度上提高了图像的匹配速度,准确率满足火灾空间定位的需要。     

结合Kalman 滤波器的SIFT目标跟踪算法

针对目标图像跟踪过程中提取待匹配图像较大的特征向量时,很难满足准确性和快速性要求,提出了结合卡尔曼滤波的SIFT目标跟踪算法。算法利用Kalman滤波器对动态目标在下一帧图像中可能出现的位置,在自适应窗口中识别动态目标。实验证明,该算法可以缩短了待匹配图像的SIFT特征点提取时间,提高了目标跟踪的效率。     

一种基于HOG和颜色双重特征的粒子滤波跟踪方法

针对传统单一颜色特征的粒子滤波跟踪算法,容易受到背景颜色、光照、目标形变的影响而造成目标跟踪的偏离和丢失的问题,提出结合HOG和颜色双重特征的粒子滤波跟踪算法。该算法利用HOG特征描述目标轮廓和形状的优点,通过加权方法结合颜色特征来提高跟踪算法的精确性和鲁棒性。实验结果表明,提出的方法比传统单一颜色特征的粒子滤波算法具有更好的鲁棒性和精确性。     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

粒子滤波目标跟踪算法综述

随着人工智能科学的发展,目标跟踪成为中外学者研究的热点,近年来很多目标跟踪算法相继被提出,其中,经典的卡尔曼滤波算法常被用于目标跟踪领域。然而,在实际情况中,目标跟踪过程常涉及到非线性非高斯问题,由于粒子滤波算法在非线性非高斯系统中有较好的性能,因此将其引入目标跟踪研究领域。针对粒子滤波算法存在的跟踪精度差、实时性不高等问题,近年来国内外学者提出很多改进方法。从特征融合、算法融合和自适应粒子滤波三个方面介绍了相关改进方法的基本思想,展望了粒子滤波算法在目标跟踪领域的发展方向。     

一种基于SIFT特征光流的运动目标跟踪算法

针对传统光流跟踪算法计算复杂度高、受噪声影响大的问题,提出了一种基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)和卡尔曼滤波器的特征点光流跟踪算法。首先,利用SIFT算法提取图像中的特征点;然后,根据最小绝对值误差准则对运动目标的特征点进行匹配,建立卡尔曼滤波器方程来计算特征点光流;最后,通过光流特征聚类实现运动目标的识别与跟踪。实验结果表明,算法对自然场景中的运动目标具有良好的跟踪特性,稳定性好,计算量小,易于实现。     

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。     

基于预测和粒子滤波的运动目标跟踪算法

本文提出了一种改进的基于预测和粒子滤波的运动目标跟踪算法,在预测算法的基础上,结合GVF-SNAKE理论和粒子滤波器,实现了对运动目标的准确跟踪。本算法首先根据预测算法得到目标初始预测轮廓,把初始预测轮廓上的每个蛇点作为一个目标,利用粒子滤波算法对各蛇点分别进行预测,得到各蛇点的最终预测轮廓,从而实现了运动目标的准确跟踪。实验结果表明,本文算法能够对运动目标进行准确的跟踪,并具有较强的抗遮挡能力。     

基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.     

光照变化环境下的SIFT改进算法

为了解决SIFT算法在光照不均环境下匹配效果差的问题,提出了一种融合差分同态滤波算法的SIFT匹配算法（MSHFHS+SIFT算法）。该方法对同态滤波算法进行扩展,推广到多尺度空间,以构建同态滤波金字塔,与SIFT进行融合,利用SIFT算法的特征点提取、描述子生成方法,根据distance-radio准则进行匹配。在各种光照变化环境下的实验证明,该算法较之传统的方法具有更好的鲁棒性。     

基于偏最小二乘分析的双模粒子滤波目标跟踪

针对在复杂背景下,基于主成分分析(PCA)的目标跟踪方法准确率较低的问题,使用偏最小二乘分析,提出一种双模粒子滤波的跟踪算法.首先采用偏最小二乘分析对目标区域建模,作为观测模型;然后利用仿射变换描述目标的形变过程,分别在李群及其切向量空间上建立双模的动态模型;最后结合特征空间更新策略,使用粒子滤波实现目标跟踪.实验表明,所提出的算法能够有效滤除背景噪声,跟踪结果稳定且准确.     

基于SIFT特征一致性的目标跟踪算法

针对光照条件突然变化情况下混合目标模型Mean Shift算法无法准确跟踪目标的缺点,提出了一种基于SIFT特征一致性的目标跟踪算法.算法用SIFT特征来匹配帧间的感兴趣区域,同时使用包含初始帧信息和前一帧信息的混合目标模型Mean Shift算法计算帧间感兴趣区域的直方图,以直方图分布距离最小为原则计算Mean Sh...