含噪背景下的目标跟踪算法与仿真分析

为了提高跟踪的精确度和实时性,提出一种基于多分段阈值分割算法的快速识别方法,此方法通过对模板直方图多段阈值提取,保留当前帧图像中属于闽值分段以内的像素,使后续的算法的进行更具针对性,从仿真结果可看出,小波去噪效果很明显,并成功保护了边缘信息,目标的定位算法准确,快捷,计算速度是传统算法的1．5～2倍,满足跟踪的精确性和实时性。     

一种梯度阈值自动调焦算法

传统的梯度自动调焦算法计算量大,抗噪声能力弱,影响调焦的实时性及调焦曲线的单峰性和灵敏度,因此提出一种梯度阈值自动调焦算法,提高调焦性能,满足光电跟踪系统能实时、准确地进行自动调焦的要求。该算法先以图像的局部方差作为局部阈值区分边缘像素与非边缘像素,再计算整幅图像的一种新的标准差作为全局阈值来削弱噪声和背景的影响,最后对阈值预处理后的图像采用梯度调焦算法计算其调焦值,进行清晰度评价。大量实验结果表明,该算法具有实时性好,单峰性强,灵敏度高的特点和良好的抗噪性能。该算法用于光电跟踪系统的自动调焦中时,依然保持上述良好的性能,明显优于传统梯度自动调焦算法。     

基于路侧激光雷达的多目标检测与跟踪算法

为了检测与跟踪城市交叉口复杂环境下的道路目标,提出一种基于路侧激光雷达的多目标检测与跟踪算法。首先利用背景减除法滤除背景点云,随后融合5帧点云并利用曲率体素聚类算法检测目标得到3 D包围盒信息,之后通过自适应阈值的双门控和生存周期管理策略,有效提升关联精度并减少了目标丢失和误检,最后利用交互式多模型无迹卡尔曼滤波(IMM-UKF)和联合概率数据互联(JPDA)的融合算法完成道路目标的跟踪。试验结果表明,该算法在保证检测和跟踪性能基础上满足实时性要求,具有工程实用价值。     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

一种新的相关跟踪方法研究

提出了一种基于区域模板相关的实时跟踪算法.首先对图像序列进行熵阈值分割,然后用形态学滤波的方法去掉噪声,最后用相关系数作为相似度度量准则来确定目标的位置实验结果显示,此算法有效地克服了传统的相关跟踪算法的缺点,具有较好的匹配精度和实时性.     

LK光流法的多信息融合目标跟踪算法研究

针对改善动态目标物体跟踪过程中特征点选取的准确性及实时性问题,提出一种基于LK光流法的多信息融合目标跟踪方法并设计相关算法。将Sift提取出的特征点作为初始特征点,结合Harris角点检测函数R值,通过设定阈值,从中选取出具有高对比度的特征点作为目标特征点,对其进行光流法跟踪;然后引入在线学习检测器,使得在跟踪器跟踪失败之后可以更新目标位置,以实现稳定、准确跟踪。实验的结果从动态目标识别所需时间、特征点的数量、交并比以及每秒处理的帧数几个方面进行比较分析,证明所提算法能够实现准确跟踪,且实时性强。     

水下目标的多速率交互多模型跟踪算法

为解决水下机动目标精密跟踪定位的实时性和可靠性问题,根据水下目标运动速度慢、机动性能弱的特点,该文利用小波变换技术实现了模式空间与测量空间的混合滤波,建立了水下机动目标多速率交互多模型跟踪定位算法,给出了多速率常速度和常加速度多模型滤波算法的统一表示形式。仿真试验的结果表明水下目标的多速率交互多模型跟踪算法具有较低的计算复杂度,能够改善水下目标跟踪的可靠性和实时性。     

水下目标的多速率交互多模型跟踪算法

为解决水下机动目标精密跟踪定位的实时性和可靠性问题,根据水下目标运动速度慢、机动性能弱的特点,该文利用小波变换技术实现了模式空间与测量空间的混合滤波,建立了水下机动目标多速率交互多模型跟踪定位算法,给出了多速率常速度和常加速度多模型滤波算法的统一表示形式。仿真试验的结果表明水下目标的多速率交互多模型跟踪算法具有较低的计算复杂度,能够改善水下目标跟踪的可靠性和实时性。     

改进 TLD 算法在光电跟踪中的应用

为满足光电跟踪系统图像跟踪抗遮挡、实时性的要求,提出了一种改进检测器和目标模型更新策略的 TLD 算法。首先,通过帧差法获得差分图像序列,其次,利用动态 Otsu 阈值对差分图像进行二值化处理,滤除背景差分像素,获取移动物体边界框,最后,产生局部滑动窗口,进行随机厥分类和最近邻分类;并且优化了目标模型更新策略。实验表明,对于分辨率为320×240的视频,改进算法较原算法跟踪速度提升比平均为1.50,满足系统的实时性要求;改进算法抗遮挡性能及在低对比度环境中的跟踪性能优于 Mean-Shift 算法,满足系统的抗遮挡要求。     

概率加权质心跟踪算法研究

针对目前图像跟踪器跟踪不稳定、跟踪精度不高及不能满足实时性要求等问题,提出了一种概率加权的质心跟踪算法.该算法首先对波门内的像素进行阈值分割,摒弃灰度低于阈值的背景像素,保留目标像素的灰度值,然后计算波门内目标区域的质心.实验结果表明:基于概率加权的质心跟踪方法能够有效降低复杂背景和噪声干扰,增强跟踪系统的抗干扰能力,减少传统跟踪系统中使用大量灰度梯度值带来的巨大计算量,从而提高跟踪器的精度和稳定性.创新点在于通过引入概率加权的方法,在计算初始时刻的目标质心时使用贝叶斯概率作为权重,而没有设置离散的阈值来分辨目标,减少了传统跟踪系统中使用大量灰度梯度值产生的计算复杂度.