一种基于Hausdorff距离目标跟踪的改进算法

针对复杂背景下运动目标跟踪问题,提出了一种基于Hausdorff距离的目标跟踪改进算法。作为模板与待匹配图像相似性的度量,传统的Hausdorff距离容易造成误匹配;现有的Hausdorff距离改进算法虽然可以从一定程度上克服上述缺点,但是计算复杂,难以满足实时性。为了能够很好的解决上述这些问题,达到稳定实时的跟踪,结合Hausdorff距离提出一种新的图像匹配策略。实验表明,该算法匹配精度高,适用性强,同时大大加快运算速度。     

基于Hausdorff距离的多分辨率目标跟踪方法

针对目前运动目标跟踪算法的计算结果和效率不能令人满意的现状,提出利用改进的Hausdorff距离进行模板匹配,它具有计算量小,适应性强的特点.为了能较快的跟踪目标,采用多分辨率分析的方法处理序列图像.实验结果表明,本文的算法能显著提高运动目标跟踪的准确程度和效率.     

Hausdorff距离在图像匹配中的应用

在图像匹配过程中，经常有目标图像被遮掩和外部点存在的情形，使识别过程较为困难。介绍了将部分Hausdorff距离和基于平均距离值的MHD相结合，用改进的Hausdorff距离对有遮掩和有外部点存在的目标图像进行匹配，仿真结果验证了该算法的有效性。     

基于Hausdorff距离的图像匹配技术

文中给出一种新的点匹配方法，这种方法对从传感器图像中抽取的点与从参考图像抽取的图像点进行匹配。点匹配算法要求挫个点集之间得到仿射变换，这种变换使得一个点集到另一个点集的距离最小。     

基于Hausdorff距离的自动目标识别算法的研究

红外自动目标识别是智能化图像处理及应用开发的方法.由于传统的图像匹配方法受到诸如景物的遮挡、背景和噪声的影响比较大,并且需要建立模板与图像间的对应关系,因而使实际图像的匹配变得困难.为了克服上述缺陷,以便快速地进行图像匹配,提出了一种基于Hausdorff距离的自动目标识别算法.该算法不仅加快了匹配过程,提高了抗噪性能,而且能准确匹配遮挡图像.实验结果证明,该方法是正确有效的.     

基于Hausdorff跟踪器的人脸跟踪识别

Snake算法能够跟踪运动图像中对象的非刚性运动,但是对于背景复杂的图像,Snake跟踪的结果不够理想。因而在首帧分割得到对象轮廓的二值模型后,再采用基于Hausdorff距离的跟踪器,找到对象模型在后继帧中的最佳匹配位置;然后采用Snake模型对该匹配位置上的非刚性形变的像素进行匹配。实验表明:对于具有静止背景且前景对象不是快速运动的视频序列,与直接采用Snake技术进行运动对象的跟踪相比,该提取视频对象平面过程能够进一步提高结果的正确性。     

基于Hausdorff距离的地形匹配

Hausdorff距离是用于二值图像比较的一种有效的相似度量。利用Hausdorff距离作为图像差异的度量进行地形匹配的算法，首先，提取地形结构线作为特征，计算Hausdorff距离，Hausdorff距离的最小值对应最佳匹配。实验结果表明该算法是有效的。     

基于新的加权Hausdorff距离的图像匹配

Hausdorff距离(HD)用于度量两个点集之间的距离,它不要求点之间的一一对应,是一种模糊度量,因而在匹配来自不同传感器的图像时广泛使用。在分析了传统HD算法的基础上,提出了一种基于结构张量加权的HD,称为STWHD。红外与可见光图像匹配的仿真实验表明,其抗噪能力较传统的HD算法有较大的提高。     

蒙特卡罗估计改进Hausdorff距离的景象匹配方法

针对可见光与红外图像差异较大导致的匹配困难的实际问题,提出了一种基于蒙特卡罗估计改进Hausdorff距离（MCM-HD）的景象匹配方法。该方法在MCHD的基础上,使用蒙特卡罗方法来估计改进的Hausdorff距离（M-HD）,并定义了MCM-HD,即采用随机抽样的特征点子集来计算M-HD,从而有效地减少了计算量。为了提高匹配精度,采用分层MCM-HD与Nprod相结合的方法,在求出距离最小k个点之后采用Nprod相似性度量得出最终匹配位置。与MCHD算法相比,该算法有效提高了匹配精度,同时缩短了匹配时间。     

基于Hausdorff距离的非刚体目标自适应轮廓跟踪

本文提出了一种基于Ｈａｕｓｄｏｒｆ距离的非刚体目标的轮廓跟踪算法。它的特点在于从二维序列图像中提取非刚体目标的二维可变模板，从而实现对非刚体运动目标的跟踪。此算法的主要思想在于将空间运动的非刚体目标的二维图像变化分解成二维运动变化和二维形状变化，从而加大了模板适应力，辅以过零点检测及金字塔快速搜索算法，可以实现非刚体目标的快速跟踪。最后，本文给出了对人体轮廓进行跟踪的实验结果。     

基于Camshift的改进人脸跟踪算法

文中利用目标加速度运动位移方程,预测下一时刻目标可能移动的位置,使用预测位置误差方程,估测运动目标搜索范围,并且通过启动多个Camshift跟踪器的方法,改进Camshift算法。仿真实验表明,该方法有效地克服了Camshift算法自身的缺陷,即使是加速运动的目标,也可准确地预测运动目标的位置,并且有效提高了对遮挡目标跟踪和多个人脸目标跟踪的鲁棒性。     

基于跟踪微分器的波门跟踪算法的研究

针对目标自动跟踪系统对目标跟踪算法实时性和精确性要求高的特点,提出了一种基于跟踪微分滤波器的运动目标跟踪方法.该算法利用跟踪微分器预测目标中心在下一帧体现在图像中可能出现的位置,以该位置为波门目标检测的中心,减少了目标的搜索范围,缩短了算法的运算时间.仿真结果表明,该方法具有不依赖于目标运动模型,实时性好,精确性高等优...     

基于SIFT的压缩跟踪算法

为了克服基于灰度特征信息的跟踪算法在复杂的环境下无法区分目标和背景的缺陷,提出基于SIFT的压缩跟踪算法。该算法采用改进的SIFT特征提取方式,结合压缩感知理论对特征进行有效的降维,以在线多实例学习算法训练分类器,实现在出现目标偏移、姿态变化和光暗变化等情况下对目标实时准确的跟踪。实验结果表明,该算法能够在复杂环境下实现目标的准确实时跟踪。     

基于Canny检测算法实现的目标跟踪

为了设计一种实时高效、稳定可靠的图像目标跟踪系统平台,避免因图像边缘提取效果差而引起跟踪失败,采用自适应Canny边缘检测算法。该自适应算法能够很好的确定平滑参数以及高、低两个阈值,更好的获得图像边缘图。经Canny算法处理图像目标后,获得目标的单像素边缘图,根据边缘图计算得到目标质心。利用最小二乘法拟合出目标的运动轨迹,同时可根据时间间隔预测出目标质心的下一位置,控制伺服机构,实现目标跟踪。实验表明,采用Canny算法的目标跟踪系统,能够满足实时跟踪的需要。     

基于子空间的目标跟踪算法研究

末制导跟踪阶段,导弹的飞行姿态,弹体与目标的距离以及目标自身的运动姿态和形态均会发生较大的变化,采用单一固定模板无法实现稳定跟踪。本文提出一种新的基于子空间的运动目标跟踪算法,首先采用一组正交的稀疏子空间特征向量表示目标模型,然后采用增量方法不断更新子空间模型,以适应由于目标内在和外在因素所造成的在外观上的变化,从而提高跟踪精度;采用重要性采样算法以及最大似然估计,解决复杂的优化问题。实验结果表明,当摄像机与背景发生较大相对运动以及目标姿态发生剧烈变化时,仍然能够实现对目标的持续稳定跟踪,平均跟踪误差小于10个像素。基本满足末制导跟踪系统的稳定性和鲁棒性等要求。     

基于强跟踪滤波的传感器目标跟踪算法

为了提高运动目标的跟踪精度,提出一种基于强跟踪滤波的传感器目标跟踪算法.首先通过传感器节点测量目标的状态值,并通过融合中心对信息进行融合,然后利用Cholesky分解技术变换成噪声独立的量化融合系统,并采用强跟踪滤波算法对目标状态进行估计,最后与其它目标跟踪算法进行对比实验.结果表明,本文算法不仅提高了目标跟踪的精度,而且具有更好的鲁棒性.     

基于改进On-line Boosting算法的视频目标跟踪

针对目前基于在线学习的On-line Boosting 算法用于视频目标跟踪时对于快速移动的目标,容易引起跟踪漂移的问题,提出一种将Surf算法融合于On-line Boosting的Surf-Boosting视频目标跟踪算法。该算法在原先的On-line Boosting算法的基础上增加跟踪漂移判断,对已跟踪漂移的视频帧使用Surf算法进行目标定位,将Surf定位到的目标作为正样本放到后续On-line Boosting算法中继续跟踪学习。实验结果表明,该方法能够很好地抑制原有算法的跟踪漂移问题,在跟踪过程中的正确率达到98%,实现对快速移动目标的正确跟踪,并具有很好的鲁棒性。     

一种基于特征点的快速跟踪算法

目标跟踪技术是视频检测技术中一个十分重要的组成部分,为此,提出一种基于特征点的快速跟踪算法。该方法避免了困难的目标分割过程。采用两次帧差共同确定角点选择区域,利用Moravec算法提取合适角点;采用一种特别设计的包含不平滑区域的结构化模板获取更好的匹配点;利用预测点缩小搜索范围,降低计算复杂度和时间复杂度。实验证明该算法能够快速实现目标的实时跟踪,跟踪准确度高,对不同的场景都具有良好的鲁棒性。     

基于JPDA的多目标跟踪算法及其应用

在多目标和杂波环境下,量测与对应目标源的关联将变得复杂,当邻近目标运动时,采用滤波算法跟踪目标时,源于目标的量测会相互干扰,导致误跟现象的发生。针对此问题,本文采用基于联合概率数据关联JPDA的方法进行处理,通过引入两个基本假设条件,即每个量测只有一个源和每个量测至多源于一个目标,计算各量测与各目标源的关联概率,进而估计出各目标的状态信息。仿真结果表明在采用本文的算法处理多目标问题时,目标的位置和速度信息能够得到较好的估计,避免误跟现象的发生。