MEEM跟踪和改进ORB特征检测的三维注册方法

针对增强现实系统三维注册在线跟踪模型漂移问题,以及特征检测算法耗时问题导致的注册失败。提出一种基于MEEM跟踪和改进ORB特征检测的三维注册方法。通过MEEM算法对移动对象区域跟踪。对跟踪的目标位置采用ORB算法检测特征点时,采用多尺度空间理论提取稳定特征点,并且采用改进决策树的递归调整方式,同时对特征检测参数设置。利用相邻帧之间特征点的匹配关系求得三维注册矩阵;将跟踪数据集与OpenGL生成的立方体模型进行跟踪注册仿真实验。仿真结果表明,改进ORB特征检测算法对待注册区域的检测具有尺度不变性、更高稳定性以及特征分布均匀,误差相比ORB算法降低约42%,该注册方法在运行过程中基本能够保证误差在7 mm以内;使得AR系统具有较好的实时性、精确性和鲁棒性。     

基于KCF与改进ORB的增强现实方法

针对增强现实(AR)系统在进行虚拟信息叠加时待注册区域被遮挡的情况,提出一种基于实时特征检测与目标跟踪的AR系统三维注册方法。使用KCF算法对待注册目标区域与模板进行实时FAST特征匹配,通过改进ORB算法,提出SIFT-ORB-MRANSAC融合算法,完成特征点的提取、匹配以及误匹配去除。在此基础上,根据特征点之间的匹配关系计算注册矩阵,通过注册矩阵叠加虚拟信息实现对现实世界的增强。实验结果表明,该方法在光照变化、遮挡以及旋转变换的情况下,可将虚拟信息快速、准确地叠加到待注册区域,提高AR系统的运算效率。     

基于改进KCF的跟踪注册方法

针对三维注册易受环境以及目标跟踪检测算法耗时严重、精度低的影响,提出改进KCF(I KCF)的跟踪注册方法。该方法分为4步：（1)利用正则最小二乘分类器的样本训练来获取尺度核相关滤波器和位置信息;（2)搜索尺度核相关滤波器和位置输出响应最大值,完成尺度和目标位置的检测;（3)借鉴MOSSE跟踪器更新方法对模型更新;（4)采用ORB算法对目标位置特征检测并计算出注册矩阵。选取视觉跟踪基准数据集中的6组数据以及拍摄的视频序列仿真实验。仿真结果表明,当目标位置发生旋转、缩放、部分遮挡、光照和运动模糊时,I KCF在精确度、成功率以及效率上总体优于KCF、TLD、Struck和CT算法;且目标位置与OpenGL立方体注册融合度较高;基于I KCF的AR系统具有较好的实时性、稳定性和鲁棒性。     

基于增强现实的自适应跟踪注册方法

针对增强现实跟踪注册过程中遮挡及尺度变换的问题,提出一种基于Camshift和ORB算法的自适应跟踪注册方法.将高斯背景建模和Camshift算法融入到跟踪过程中,实现对目标尺度变化的自适应跟踪;在特征匹配中,将图像与Gauss函数进行卷积和差分运算,得到稳定的尺度空间,使ORB算法提取的特征点具有尺度不变性.实验结果...     

基于ORB和KLT的移动增强现实三维注册算法

针对移动设备上现有注册算法速度较慢和实时性较弱的问题,提出一种基于ORB和KLT的移动增强现实三维注册算法,利用ORB进行特征提取和匹配,减少算法时间开销,同时使用改进的KLT算法对特征位置进行预测跟踪,改善移动三维注册算法中的实时性能。实验结果表明,在移动设备上采用ORB和KLT算法,不仅较好地解决移动增强现实三维注册实时性差的问题,同时也能保证有效的匹配性能。     

基于改进ORB算法的虚实注册方法

针对增强现实(AR)中虚实注册的精度和实时性易受图像纹理和不均匀光照影响的问题,提出一种改进的ORB算法予以解决。首先,设置ORB特征点数量和距离阈值对图像特征点稠密区域进行优化,利用并行算法保留特征值较大的N个特征点;然后,采用离散差异特征增强光照不均匀变化时的稳定性,将改进的ORB与词袋(BOF)模型结合,实现基准图像的快速检索;最后,利用图像间的单应性关系实现虚实注册。从准确性和实时性两方面对提出的改进ORB算法与原始ORB算法、尺度不变特征变换(SIFT)算法和加速稳健特征(SURF)算法进行了对比实验分析,结果显示改进ORB算法的注册时间平均降低了约40%,准确性达到了95%以上。实验结果表明,所提出的算法在不同纹理和不均匀光照的情况下,具有更高的实时性、准确性。     

基于改进随机蕨的跟踪注册方法研究

针对无标识增强现实跟踪注册方法在复杂环境下存在跟踪注册失败、速度较慢的问题,提出一种基于改进随机蕨的无标识增强现实跟踪注册方法。该方法以真实场景中的目标物体图像作为模板,使用随机蕨分类器进行目标检测,解决环境光照变化或目标被遮挡跟踪注册失败的问题。使用FAST角点进行特征检测提升检测速度,对随机蕨的仿射过程进行改进来弥补特征点尺度不变性和仿射不变性缺失。通过该分类器进行特征匹配,进而估计三维位姿并渲染注册虚拟物体。实验结果证明,该方法具有较好的准确性、实时性和鲁棒性。     

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD）目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入ViBe模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。     

基于SURF的增强现实标识物跟踪注册

针对基于标识物的增强现实跟踪注册方法对复杂环境的适应能力和鲁棒性的不足,提出一种用SURF实现标识物跟踪注册的改进算法。用SURF对平面标识物的特征点进行检测与描述,采用K-means算法对检测出的标识物特征点集合进行聚类分析得到其聚类中心,结合对视频图像中标识物的阈值分割与连通域分析,以聚类中心构建标识物的SURF特征点坐标系,通过矩阵变换实现标识物的跟踪注册。实验结果表明,该算法的增强现实系统具备较好的鲁棒性、稳定性和实时性。     

基于动态特征模板匹配的ARToolKit三维注册

针对ARTool Kit三维注册易受光照、遮挡以及旋转变化的影响,提出一种基于动态特征模板匹配的ARTool Kit三维注册方法。通过对摄像头摄入的一帧视频二值化处理后形成的模板图片采用ORB算法检测特征点;然后采用动态特征模板匹配技术进行特征模板匹配;最后计算出三维注册矩阵来将虚拟信息叠加到现实世界中。将Open GL生成的虚拟信息叠加仿真实验,并将该方法与ARTool Kit注册方法对比。仿真结果表明,复杂环境条件下动态模板匹配算法具有较高的实时性和标识物识别率,且基于动态特征模板匹配的ARTool Kit注册具有良好的稳定性和鲁棒性。     

基于关键特征点的改进TLD目标跟踪算法研究

TLD（Tracking-Learning-Detection）算法是一种新颖的单目标长时间视觉跟踪算法,在给定极少的先验知识的情况下,能够迅速地学习目标特征并进行有效的跟踪。TLD算法中跟踪器每次在跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点都能够被可靠地跟踪。针对这个问题,提出一种基于关键特征点检测的改进TLD算法,保证所选特征点都能够被正确可靠地跟踪,防止跟踪结果发生漂移,提高了跟踪器的跟踪精度。另一方面,在TLD检测器中引入了基于轨迹连续性的在线位置预测,在保证正确跟踪的前提下,缩小了检测器的检测范围,提高了运算速度。实验结果表明,该算法有较高的跟踪精度和速度。     

加速的TLD算法及其在多目标跟踪中的应用

TLD(Tracking-Learning-Detection)算法是近期受到广泛关注的一种长时间视觉跟踪算法.为提高该算法的运行速度,一种ATLD(Accelerated TLD)算法被提出,对原始TLD算法做了两方面改进:在检测模块引入基于灰色预测模型的目标位置估计和检测区域设置;运用基于NCC(Normalized Cross Correlation)距离的图像检索方法管理正负样本集.并在此基础上实现了多目标跟踪.通过实验比较了ATLD算法、原始TLD算法及两种近期改进的TLD算法.实验结果表明:ATLD算法在确保精度的前提下运行速度更快.     

一种改进的TLD算法

针对跟踪算法目标遮挡后易出现跟踪漂移的问题,提出了一种跟踪学习检测（TLD）算法与Kalman滤波相结合的手势跟踪方法.在跟踪器跟踪成功后,加入识别窗的方法进行遮挡判定.产生遮挡后目标模型不再更新,学习器不再更新集合分类器.若是部分遮挡,则由TLD学习器处理;若是严重遮挡,则改由Kalman滤波算法预测目标的运动轨迹.该方法在保留TLD算法长期稳定跟踪、适应摄像机快速运动与复杂背景等优点的基础上,改善了目标遮挡后易出现跟踪漂移的问题.实验表明：提出的改进TLD算法比其他常见跟踪方法具有更加优异的性能.     

基于双目视觉的盆腔微创手术增强现实导航仿真系统的设计

基于内窥镜视觉导航的盆腔微创手术,往往因为病灶的复杂解剖位置以及内窥镜视野的局限性,对手术的顺利开展提出了重要的挑战。针对这个问题,设计并开发一套基于立体视觉的盆腔微创手术的增强现实（AR）导航仿真系统。首先,利用术前的CT影像重建骨盆3D模型以及盆腔的真实手术视频,生成带有纹理信息的骨盆3D模型,仿真一套具有真实轨迹的手术视频;然后,利用基于可视点颜色一致性的2D/3D配准技术,实现术前重建模型与手术视野的初始化配准。利用立体视觉跟踪算法,对手术过程中的内窥镜位置进行跟踪,根据内窥镜多自由度的变换矩阵来实现术前3D模型与手术视野的融合与增强现实导航。估计轨迹与真实轨迹的均方根误差为2.3933 mm,仿真实验表明,导航系统为视觉导航提供良好的增强现实显示效果。     

面向视频监控的TLD改进目标跟踪算法研究

目前智能视频监控对视频目标跟踪算法的实时性、准确性和鲁棒性都提出了很高的要求,而已有算法无法完全满足应用需求。在TLD（Tracking Learning Detector）框架下,提出一种基于视觉背景提取（Visual Background extractor,ViBe）的前景分类算法,提高了TLD算法检测目标的速度;用核相关滤波器（Kernelized Correlation Filters,KCF）实现了TLD框架中的跟踪器,提高了算法的精度及鲁棒性。采用OTB-2013评估基准中针对视频监控的视频序列进行测试,并与其他4种具有代表性跟踪算法进行了对比。测试结果表明：该算法的鲁棒性和准确性均优于对比算法,处理速度可达到40帧/s;相比于标准TLD算法,跟踪距离精度提高了1.52倍,成功率提高了1.2倍;相比于KCF算法,虽然跟踪速度有所下降,但跟踪距离精度提高了2.7倍,成功率提高了2.04倍。     

融合CamShift的TLD算法实现人脸跟踪

针对跟踪-学习-检测(Tracking-Learning-Detection,TLD)算法跟踪模块所用金字塔光流法计算量大,跟踪人脸实时性差的问题,提出融合连续自适应均值漂移(Continuously Adaptive Mean Shift,CamShift)的TLD算法提高人脸跟踪效率.改进的TLD算法框架中跟踪模块选用CamShift算法实现目标人脸跟踪,检测模块采用滑动窗法扫描搜索,再使用分类器判断目标是否存在,学习模块根据跟踪模块和检测模块的结果对比评估错误和误差,更新目标模型.将改进的TLD算法分别与CamShift算法和TLD算法进行对比试验,结果表明,融合CamShift的TLD算法实现人脸跟踪效率和准确率均高于原始两种算法,且满足实时性要求.     

基于KCF相似度的TLD目标跟踪算法

研究持续单目标跟踪算法时,TLD的架构是一种值得借鉴的方式,但由于其本身的一些缺陷,当跟踪的目标在出现遮挡、快速移动以及光照变化等复杂情况下,TLD跟踪算法容易发生目标跟丢的情况,并造成误差的逐渐累积。鉴于TLD跟踪算法以中值流跟踪算法作为跟踪器存在局限性,本文提出一种基于KCF相似度的TLD目标跟踪算法(TLD-KCFS)。采用KCF算法对TLD跟踪进行实时监督,通过跟踪结果计算出相似度,利用相似度进行检测模块切换的判断,并结合两种结果调整目标跟踪框。通过对多类型的视频序列进行测试后可知,TLD-KCFS算法在遇到模糊和快速移动、目标遮挡、光照变化等复杂情况时,可以稳定且良好地输出跟踪结果,鲁棒性较好,适用于长时间目标跟踪。     

多标记室内小型无人机定位与姿态估计方法

随着无人机（Unmanned Aerial Vehicle,UAV）小型化、轻便化的发展,因其价格低廉,以及在娱乐和服务领域的广泛使用的特点,使得如何实现一个便捷且易实现的自主飞行跟踪系统成为关注点。由于无人机在室内GPS信号弱,使得跟踪与姿态获取成为进一步室内无人机自主控制的重点与难点。与动辄几十万美元搭建的无人机跟踪系统相比,采用低成本单目摄像机的无人机跟踪系统具有更高的科研价值和更广泛的应用前景。针对目前流行的基于增强现实（Augmented Reality,AR）技术的ArUco标记算法和颜色空间域标记算法,设计了一种多标记的无人机跟踪系统。在无人机目标跟踪过程中比较两种方法,验证了两种方法非接触式深度传感器无人机跟踪和姿态估计的效果,并比较了两种方法对空间亮度与空间颜色复杂度的鲁棒性,以及不同跟踪距离下视频中无人机检出率与跟踪精度。实验结果表明,基于深度摄像机获得的无人机位置和姿态数据,无人机可以进行自主的PID控制飞行,且AR标记在复杂环境下无人机的检出率、跟踪实时性、姿态估计精度以及鲁棒性都优于颜色标记,为之后室内无人机在非接触式传感的控制、路径规划、自主规避等进一步实验研究提供了无人机的位置和姿态数据。