基于图像签名算法的视觉目标跟踪算法北大核心CSCD

针对视觉目标跟踪算法中存在的快速运动、尺度变化、形变和遮挡问题,提出基于图像签名算法的视觉目标跟踪算法。该算法以相关滤波算法为基础,通过多种特征构建目标的外观模型,提高了算法的跟踪精确度和稳健性;为了解决严重遮挡情况下的目标重定位问题,利用图像签名算法计算图像的稀疏显著性区域,获取候选目标的位置,通过分类器对候选目标进行重排名,实现目标重定位;采用尺度池策略和自适应模板更新策略,解决跟踪中的尺度变化问题和跟踪漂移问题。利用标准数据集测试所提算法的性能,结果表明,所提算法在跟踪成功率和精确度上均优于传统的相关滤波算法,能较好地解决快速运动、尺度变化、形变和遮挡情况下的目标跟踪问题。     

在线目标分类及自适应模板更新的孪生网络跟踪算法

针对孪生网络跟踪算法在离线训练阶段学习被跟踪目标和其他对象的嵌入式特征,而这些特征缺少特定于目标的上下文信息,使跟踪算法的稳健性较差的问题,以SiamRPN++作为基准算法,提出了在线目标分类及自适应模板更新的孪生网络跟踪算法.首先,在离线训练阶段设计了互相关特征图监督模块,以学习更具判别力的嵌入式特征;其次,在线跟踪...     

快速机动目标跟踪算法研究

根据空间目标作匀速转向运动的特点,提出了一种基于航向变化的目标加速度实时估计方法,在此基础上采用采样卡尔曼滤波器对该机动目标进行跟踪。仿真结果表明,这种新的加速度估计方法不仅能检测出目标机动开始和终止时刻,而且还能估计出快速机动目标的加速度大小,与扩展卡尔曼滤波器相比,采样卡尔曼滤波器具有更好的跟踪精度。     

基于强跟踪容积卡尔曼滤波的单站无源跟踪算法北大核心CSCD

系统模型和滤波算法是机动目标单站无源定位跟踪要解决的核心问题。文中采用截断正态概率模型和一种新型的滤波算法--容积卡尔曼滤波,对机动目标进行单站无源定位跟踪。针对目标突发机动的情况,借鉴强跟踪滤波器的思想,在滤波过程中引入时变渐消因子,提出了一种强跟踪容积卡尔曼滤波算法(Strong Tracking Cubature Kalman Filter,STCKF)。该算法利用容积数值积分原则直接计算非线性随机函数的均值和方差,实现简单,估计精度高,并通过渐消因子自适应在线调节增益矩阵,增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明,STCKF算法在对一般机动目标进行跟踪时,性能与CKF算法相当,并优于传统的EKF算法。当目标突变大机动时,STCKF算法的滤波性能要高于EKF以及CKF算法。     

多种跟踪算法对机动目标跟踪的应用研究

通过建立目标运动模型,对多种跟踪滤波器进行了分析仿真。仿真结果表明,混合状态估计交互式多模型算法（IMM）对机动目标跟踪效果比其它类型的滤波器好得多,并且确定了在航迹滤波与机动跟踪方面综合表现性能较高的IMMVCVA跟踪算法。通过外场实际数据验证,表明该算法对现实环境中的目标稳定跟踪具有重要的意义。     

机动目标自适应高斯模型与跟踪算法

提出了一种描述机动目标运动状态的自适应高斯模型,在这种模型中,机动目标的加速度被认为是具有非零均值、时间相关的随机过程,并假定其概率密度函数服从高斯分布。指出了机动目标运动模型的均值和方差与目标机动加速度最佳当前估计值之间的关系,在此基础上,提出了相应的自适应卡尔曼滤波算法。仿真结果表明,该算法对机动目标在不同机动方式下的位置、速度和加速度均有良好的跟踪效果,且所需计算量小。     

自适应转弯模型的机动目标跟踪算法

给出了一种利用白适应转弯速率模型的IMM跟踪算法，可以用于机动目标的跟踪中。每一步通过交互输出的速度和加速度的估计值来计算转弯速率，它的大小等于加速度和速度的比值。本文中对提出的白适应算法和其他两种IMM算法进行了比较。     

基于Struck算法的遮挡目标跟踪

Struck算法是近年来综合性能较优的视觉目标跟踪算法,但对于较大比例遮挡或全部遮挡情形,算法性能下降明显.通过对Struck算法的分析发现,当遮挡出现时算法分类器会引入错误信息,从而导致跟踪失败或者跟踪漂移.在Struck算法框架的基础上加入遮挡判断机制,在检测到较大比例遮挡后停止分类器更新,并通过缩放搜索样本的尺寸解决目标尺寸快速变化导致的遮挡检测虚警;对于具有一定运动信息的目标,通过卡尔曼滤波器进行预测解决目标全遮挡后的持续跟踪.实验证明,提出的算法框架对遮挡情形下的目标跟踪具有较高的鲁棒性.     

基于Kalman滤波与Camshift算法的水面目标跟踪

根据水面监控图像的特点,对运动载体采集到的水面视频图像进行处理,从而实现对运动目标的跟踪。首先,利用Haar分类器检测出水面的运动目标,并用检测结果初始化Camshift跟踪器的搜索窗口;然后,运用Kalman滤波器与Camshift组合算法实现对运动目标的跟踪。其中,利用Kalman滤波算法预测目标在下一帧中出现的位置,Camshift算法用来跟踪目标,以此减小搜索范围,提高跟踪效率。实验结果表明,该算法能够实现对水面运动舰船的检测并进行有效跟踪。     

上下文感知相关滤波的红外目标跟踪改进算法

针对在目标跟踪过程中由于红外目标遮挡、快速运动而导致的跟踪失败问题,提出了一种基于上下文感知的相关滤波跟踪算法,在引入目标背景信息的同时改进其算法的更新策略。在训练阶段引入上下文信息,使得相关滤波器具有更好的鉴别性,以应对跟踪过程中出现的快速运动、运动模糊以及遮挡等情况。在模型更新阶段引入一种高置信度模型更新策略,解决了在模型更新过程中由于目标严重遮挡造成的目标丢失或模型污染问题,提升了算法的性能。实验结果表明,与其他相关滤波类算法相比,所提出的算法在精确度和成功率方面分别提升了6.4 %和5.1 %,同时能以较快的速度运行,满足实时性的要求。     

紧耦合粒子滤波与均值漂移的红外目标跟踪

为了提高复杂背景下红外目标跟踪的准确性和鲁棒 性,提出了紧耦合粒子滤波(PF)与均值漂移(mean shift)的红外目标跟踪方法。在PF框 架下,利用一组5参数集(中心横坐标、中心纵坐标、宽度、高度以及倾斜角)作为状 态变量表 征随机的粒子样本;然后使用自适应均值漂移作为一种迭代模式寻找过程,对随机粒子样本 进行重新分配,使粒子向目标 状态的最大后验核密度估计方向移动,同时利用迭代过程中的Bhattacharyya系数对粒子的 权值进行更新;最后利用重新分配 后的加权粒子集合实现对红外目标的跟踪。实现结果表明,与一般的PF相比,本文方法能有 效减少所需粒子数(N=15),进而降 低跟踪耗时;与现有的PF与均值漂移相结合的方法相比,本文方法在耗费时间 仅增加14%的代价上,使跟踪误差大大降低(约 为原误差的1/3至1/4),准确性和鲁棒性得到显著提高;本文方法能够实现在复杂背景下稳 健准确地跟踪红外目标。     

边界约束的核密度估计红外人体目标跟踪方法

基于核密度估计的均值漂移算法因其良好的实时性而被广泛地应用于目标跟踪,但传统的均值漂移算法极易因颜色等信息的缺乏而使跟踪不稳定,且目标尺度的变化也不利于目标位置的准确估计,为此,提出了一种具有边界约束的均值漂移红外人体目标跟踪新方法。该方法通过各向异性扩散,并联合红外图像的梯度与亮度信息来获取目标边界,自适应调整核窗宽,从而利用均值漂移策略进行红外人体目标跟踪。实验结果表明,该方法在红外人体目标尺度改变时仍能实现良好的跟踪。     

基于kalman预测和自适应模板的目标相关跟踪研究

文中提出了一种基于kalman预测和自适应模板的目标相关跟踪算法。通过kalman预测下一帧图像中目标的状态,缩小整个图像上目标检测的搜索范围,满足目标跟踪的实时性。采取自适应模板更新策略．根据目标的变化情况自动调节参考模板,提高目标跟踪的稳定性。仿真实验结果表明,算法能够随着目标的形状、大小、位置的变化快速调整参考模板,进行稳定和实时的跟踪,当目标被物体遮挡时仍能有效地跟踪目标。     

基于协方差旋转变换的目标跟踪算法

针对EKF对初值选取的敏感性和线性化误差较大等问题,根据目标初始距离可能分布,进行距离区间的分割,建立每区间所对应的滤波模型;利用协方差旋转变化原理,确定旋转变换的近似矩阵;分析这种近似处理的误差,提出基于协方差旋转变换的多模型滤波算法,采用蒙特卡罗方法进行了仿真计算。     

基于多模型交互的红外目标跟踪方法研究

针对非线性运动的红外弱小目标跟踪问题,设计了一种基于交互式多模型性的跟踪方法。首先,引入多个运动模型,然后利用无迹卡尔曼滤波计算每个模型的滤波器状态估计,最后按照一定的概率加权得到总的状态估计值。使用数学仿真和物理实验对该方法进行了去噪和预测的功能验证,实验结果及相应理论分析表明该系统可有效的实现复杂背景下的红外弱小目标跟踪。     

复杂背景下兼顾跟踪实时性和跟踪精度的目标跟踪技术研究

由于将CamShift算法在复杂背景和操作条件下应用于视频跟踪,跟踪失败和目标损失的现象将非常容易发生。为了提高复杂环境条件下目标跟踪的精度及实时性,本论文提出了一种能够在复杂环境条件下及时对目标对象进行追踪的技术。以颜色、纹理、目标动作信息的全面特性为基础对CamShift算法作出整改完善,通过组合Kalman过滤器预评估目标对象的动作情况,在目标对象受到制约的情况下,使用运转前的目标对象预先信息,对目标对象物体的动作轨迹执行最小平方运算以及外穿推进,同时基于对象物体的位移情况进行定位信息的预测评估,以助于恢复目标的定位信息直到制约情况结束。经多次实验,相关统计数据表明,这一算法能够用于复杂情形的环境条件下,且当目标对象处于短期闭塞情况下依然能达成目标的连续稳定追踪,在性能上具备出色的实时性。     

基于粒子滤波的空-地目标跟踪算法

针对空-地目标跟踪中目标大幅度变速运动而引 起的跟踪失败问题,基于Kristan等人提出的双步(TS)动态模型框架,对空-地目标跟 踪中目标运动特点进行分析与建模,改进TS模型中 的保守模型以适应加速运动,提出适于描述大幅度变速运动的加速度双步(TSA)动态模型作 为粒子滤波(PF)跟踪算法的动态模 型,实现对粒子状态的精确预测,进而达到使用较少粒子即可对目标鲁棒跟踪的目的。对空 -地目标跟踪的测试视频进行测 试,结果表明,本文算法可对大幅度变速运动目标稳定跟踪,正确跟踪率为92%,对目标 尺寸约为25pixel×30pixel时的处理帧率为29frame/s。本文算法具有较好的鲁棒性与实时性。     

基于变步长增益调整的机动目标跟踪新算法

针对Singer模型的缺陷和“当前”统计模型存在的对弱机动目标跟踪能力较差的缺陷进行了改进,设计了一种新的加速度自适应模型;利用该模型设计出新的机动目标跟踪滤波算法,该算法对机动目标跟踪的综合性能有了较大的提高。在此基础上,为了减少滤波增益矩阵的计算量,使算法易于微机工程化实现,提出对滤波增益矩阵进行变步长调整的新方法,即通过在线检测算法确定何时有必要进行滤波增益的调整,而不需要每一步都计算增益矩阵,从而较多地降低了滤波算法的计算量。通过以上两个方面的改进,不仅提高了机动目标跟踪的精度,而且提高了目标跟踪的快速性和实时性。仿真验证表明该算法有良好的跟踪性能,而且计算量小,易于微机工程化实现。     

基于深度降噪自编码器的多特征目标融合跟踪算法

针对在目标遮挡、光线变化、目标模糊等情况下的目标跟踪算法抗干扰能力较差的问题,提出了一种基于深度降噪自动编码器的多特征目标融合跟踪算法。该方法首先引入稳像和图像去雾算法以改善训练集数据和测试集数据的质量;再构建多特征深度降噪自动编码网络,基于深度神经网络的强大学习能力提取目标的颜色特征和均匀模式纹理特征;将两种特征加权融合输入到逻辑回归分类器,获得置信分数,更有效地区分目标和背景。最后,采用粒子滤波算法对目标进行跟踪。实验结果表明,该方法能够更准确地对存在目标遮挡、光线变化、目标模糊等干扰问题的视频进行跟踪。与传统方法相比,该方法成功率在上述三个方面平均分别提升33.73%、9.73%和12.80%;与近年流行算法相比,该方法成功率平均达到90.16%,实时性平均达到49.37 fps。