基于模糊背景加权的Mean Shift目标跟踪算法

针对Mean Shift跟踪算法在复杂背景下跟踪效果不佳的问题,该文提出了基于模糊背景加权的Mean Shift算法。引入基于差分的模糊隶属函数,利用目标模型和背景模型的差分,更加细化地表示各个像素对目标准确描述的贡献度,提高了目标描述的准确性。同时利用背景信息对原始的尺度增减法进行改进,更好地适应了目标尺度变化。实验验证该算法在一定程度上解决了尺寸增减法的小尺度游荡和跟踪滞后问题,提高了Mean Shift算法在复杂背景干扰下的鲁棒性。     

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。     

一种空对地可见光图像制导跟踪算法

为解决复杂背景下空对地可见光图像制导跟踪问题,提出一种基于特征匹配的跟踪算法。首先,通过等间隔采样与改进Kirsch边缘检测相结合的方法进行特征点采样;然后,采用金字塔模板光流法提取目标特征;最终,采用模板匹配法识别目标特征完成对地面目标的制导跟踪。实验结果表明：算法速度可以满足最大129Hz帧率的相机进行实时跟踪,稳定跟踪速率优于7.75ms/F,具有跟踪速度快和抗干扰能力强的特点。该算法完全满足空对地复杂背景下跟踪的需求。     

多技术融合的Mean-Shift目标跟踪算法

在研究经典算法的基础上,提出了一种多技术融合的Mean-Shift目标跟踪算法,有效地解决了经典Mean-Shift跟踪算法存在的缺陷。通过Kalman算法预测估计目标的中心位置,通过分块颜色直方图提取目标区域的空间信息进行,同时采用背景加权和核加权相结合的方式抑制背景像素对目标的干扰。在多个视频数据上的试验结果表明,研究方法有效地克服了经典的Mean-Shift目标跟踪算法对遮挡、背景像素敏感的问题,在复杂环境的背景下对运动目标跟踪更加准确。     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

视频运动目标检测与跟踪算法研究及OpenCV实现

针对固定场景,给出了一种视频运动目标检测和跟踪算法.利用混合高斯建模的背景差分法,在复杂背景条件下提取出运动目标,并采用颜色直方图模型为特征的均值平移法,对目标进行跟踪.经OpenCV编程测试,算法可以准确地跟踪运动目标.     

利用超像素混合投票的在线目标跟踪算法

针对复杂场景下目标跟踪中目标出现的外观特征变化和遮挡问题,提出一种结合超像素和广义霍夫变换的在线实时目标跟踪算法.该算法从上下文中提取局部特征作为支持因子,构建一个混合的判别产生式对象模型.利用该模型,通过霍夫投票预测目标的中心位置,再通过判别式投票对目标和背景进行概率估计.对图像进行超像素分割,将之前的投票结果映射到对应的超像素,生成基于超像素的概率分布图像.采用贝叶斯跟踪框架,根据后验概率最大化,在概率分布图像基础上确定目标的位置.实验表明,该算法在复杂环境下目标跟踪的过程中对目标发生的形变和遮挡现象有很强的鲁棒性,能够实现准确稳定的在线目标跟踪.     

一种基于背景加权直方图的Mean-Shift跟踪算法

经典的Mean-Shift算法以颜色直方图为特征进行跟踪,但在视频目标跟踪中没有有效地利用跟踪目标的空间信息,因而当目标快速移动时,目标极易丢失。针对这一问题,提出了一种基于距离目标形心加权直方图的Mean-Shift跟踪算法。距离目标形心加权直方图可有效利用目标在图像中的位置信息,从而能实现复杂背景下的目标跟踪。并分别用改进的基于距离目标形心加权直方图的Mean-Shift跟踪算法和经典的Mean-Shift跟踪算法,对快速运动的目标进行跟踪实验。结果表明,改进的基于距离目标形心加权直方图的Mean-Shift跟踪算法,具有较强的鲁棒性和实时性,能有效实现复杂场景下的目标实时跟踪。     

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。     

拓扑模型和特征学习的多摄像机接力跟踪策略

为实现复杂大场景下目标跟踪的问题,提出了一种复杂大场景下基于拓扑模型和特征学习的多摄像机调度和目标接力跟踪策略。首先建立摄像机场景地图映射,通过实时背景估计确定目标的交接时刻和交接位置,然后建立多摄像机几何拓扑模型,给出了基于拓扑模型的多摄像机接力目标跟踪调度和交接算法,以及在跟踪过程中的特征学习方法,实现接力摄像机的快速调度和目标交接。实验结果表明,该方法可快速准确的完成多摄像机接力跟踪时的判断调度任务。     

YOLOv3在安全帽佩戴检测中的应用研究

针对施工现场环境复杂,基于YOLOv3的安全帽佩戴检测算法存在精度低、鲁棒性差等问题,提出一种改进YOLOv3的安全帽佩戴检测算法。使用K-means算法聚类出先验框,改进了网络输出尺度;并在输出端引入了跳跃连接构成残差模块;同时改进分类损失函数以平衡正负样本、难易样本对模型的影响。为验证该方法的有效性,在NVIDIA GTX1660Ti平台上进行了验证,实验结果表明,改进后的YOLOv3安全帽佩戴检测算法平均准确率提高了4.84%,提升了对被遮挡的目标以及小目标的检测能力,具有较强的鲁棒性。     

一种改进的变分水平集车辆检测技术

针对传统运动目标检测算法存在适应性差、对噪声较敏感等缺点,提出一种基于变分水平集快速提取边缘模糊运动目标的方法。该算法利用主动轮廓模型进行边缘检测约束,并结合变分水平集方法进行二次演化获得准确的图像分割。实验证明,该方法能够快速准确的分割运动目标,对于复杂环境有较好的适应性和鲁棒性。     

强背景噪声下红外目标的鲁棒性跟踪算法

提出了一种将边缘检测与改进Mean Shift 算法相结合的红外目标跟踪算法．初选了原始红外图像边缘后,再利用非线性边缘检测算法进行处理,有效地消除了原始红外图像中的大部分噪声,并能获取高质量的图像边缘信息．在此基础上,采取更新目标模型、目标模板背景加权以及候选目标区域核加权的方式改进Mean Shift算法,以增强Mean Shift算法跟踪目标的稳定性及对背景噪声的鲁棒性,从而实现强背景噪声下运动红外目标的快速、准确跟踪．实验结果表明,该算法不仅计算量较少,提高了跟踪速度,而且对背景噪声有很强的鲁棒性．     

综合肤色模型和多模板匹配增强Adaboost人耳检测

为克服传统的Adaboost算法出现的样本训练时间过长、过于依赖样本质量等问题,在训练不足及初始人耳定位不好的情况下,引入YCbCr肤色模型和多模板匹配技术策略对人耳进行精确定位。实验表明,改进后的人耳检测性能得到较大的提高,对动、静态人耳均能达到准确定位和检测的效果,算法的鲁棒性较好。     

基于动态点阵匹配算法的二阶关键词识别

为了避免关键词权值估计错误,提出了基于上下文相关最大后验概率准则(CDMAP)的改进二阶KWS模型,有效地解决了关键词权值对参数估计的负面影响。同时,采用动态点阵匹配算法(DMPLS)进行错误补偿,解决了由连续语音识别器产生的插入、删除和替换错误而导致识别准确率下降的问题,提高了系统的检出率和鲁棒性。实验结果表明,该模型不仅在较低误警率的条件下检出率得到很大的改善,而且系统鲁棒性也有明显的增强。     

一种基于边缘检测的跳频检测算法研究

提出了一种新的基于边缘检测的跳频检测方法,该方法把实际跳频信号的STFT(ShortTime Fourier Transform)时频谱图看作一幅图像,并根据实际信号特点为图像的边缘提取选择检测算子。检测实验结果表明此算法能够有效地去除跳频信号复杂的背景噪声和定频干扰,提高了跳频检测系统的鲁棒性。     

一种亚像素精度的边缘检测方法

提出了一种基于贝塞尔边缘模型的亚像素边缘检测算法.该算法首先在原有的贝塞尔点扩散函数中引入修正参数t,并与理想边缘模型卷积,获得可修正的贝塞尔边缘灰度模型;然后,利用图像边缘的信息对该模型进行最小二乘拟合,在拟合过程中,通过修正参数t对边缘模型进行修正,最终获得精确的边缘模型,同时考虑数字采样等因素对灰度分布的影响,得到图像边缘的亚像素位置.实验中测得边缘亚像素位置的平均误差为一个像素的3%,其中误差方差为0.0005.结果表明:本算法基本满足图像测量的稳定可靠、精度高等要求,并且对图像噪声有较强的鲁棒性.     

基于区域合并与轮廓模型的图像序列人物轮廓分割

为解决受图像背景复杂度影响,分水岭算法较难高精度实现图像序列中人物轮廓的分割与追踪这一问题,提出了利用颜色空间转换的区域合并实现目标轮廓区域的划分、并基于人物头部轮廓信息生成人物领域轮廓模型的方法。通过对人物领域边界线生成的初步轮廓模型进行高斯函数的卷积运算,生成形态轮廓模型的有效对象模板,实现图像序列的人物领域中不依靠序列差分和移动向量亦能在图像序列中追踪移动对象。基于颜色空间转换的区域合并和轮廓模型算法,可满足视频背景变动并且背景复杂的情况下对图像序列中的人物轮廓进行有效分割。实验结果验证了本算法的有效性与鲁棒性,可有效而稳定实现图像序列中人物轮廓的分割。     

基于改进Mask R?CNN算法对堆叠汽车零件的实例分割方法

针对堆叠汽车零件识别检测与分割速度慢、精度低及鲁棒性差等问题,提出一种基于改进Mask R?CNN算法对堆叠汽车零件快速检测与实例分割的方法. 首先,对Mask R?CNN中的特征提取网络进行优化,将ResNet + 特征金字塔网络(Feature Pyramid Networks,FPN)替换成MobileNets + FPN作为骨干网络,有效减少网络参数并压缩模型体积,提高模型检测的速度;然后,通过在Mask R?CNN的ROI Align结构后加入空间变换网络(Spatial Transformer Networks,STN)模块,保证模型的检测精度. 试验结果表明,改进后压缩了模型的尺寸,识别检测速度提升了1倍;模型的平均精度均值(Mean Average Precision,mAP)较改进前也有所提升. 对未经训练的新样本进行检测,结果表明该模型速度上优于Mask R?CNN,且更轻量和精准,能够快速准确地实现对堆叠汽车零件检测与分割,验证了改进模型的实际可行性.     

基于稀疏直接法闭环检测定位的视觉里程计

视觉里程计在移动机器人的定位导航中发挥着关键性作用,但当前的算法在运行速度、轨迹精度和鲁棒性等方面依然存在改善空间.为提高相机轨迹精度,提出基于稀疏直接法的闭环检测算法.该算法直接提取两种特征组成混合型特征点提升系统鲁棒性,混合型特征点用于跟踪和匹配关键帧,使视觉里程计能够检测闭环,再用位姿图优化提升定位精度.实验结果...