一种对背景干扰及遮挡鲁棒的视频目标跟踪算法

为了在背景干扰、遮挡环境下可靠地跟踪目标,提出了一种特征融合式粒子滤波跟踪算法,改造了传统的边缘方向直方图模型,使其对平移更敏感,以利于提高跟踪精度;利用均值漂移模块检测干扰,依据两种特征对目标和干扰的区分能力调节它们在观测模型中的权重,以抑制干扰;设计混合相似度指标检测遮挡,实时调整系统模型以适应遮挡环境;通过在模型更新过程中引入相互监督机制,缓解模型漂移问题,实验结果表明,算法是有效的。     

遮挡情况下的多目标跟踪算法*

在视频监控系统中,由于背景的复杂变化,运动目标经常会出现部分或全部被遮挡的情况。为了在遮挡条件下进行多目标跟踪,针对运动目标发生遮挡情况下的Mean Shift跟踪问题进行了研究,提出一种新的抗遮挡算法。利用卡尔曼滤波器来获得每帧Mean Shift算法的起始位置,再利用Mean Shift算法得到目标跟踪位置,通过目标遮挡判定机制和目标搜索机制来解决遮挡问题。实验表明,该算法较好地解决了运动目标的遮挡问题。     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。     

基于稀疏表达的遮挡目标跟踪算法

针对视觉跟踪中的目标遮挡问题,提出一种基于稀疏表达的视觉跟踪算法。采用稀疏表达方法描述跟踪目标,构造基于Gabor特征的目标词典和遮挡词典,通过l1范数最优化求解稀疏表达系数。在粒子滤波框架下跟踪目标,根据稀疏表达系数判断遮挡,并利用重构残差更新遮挡情况下的粒子权重。在目标模板更新时,通过引入可靠性评价来抑制模板漂移。实验结果表明,该算法能够有效地跟踪处于遮挡状态下的运动目标,并对目标姿态变化以及光照变化具有较好的鲁棒性。     

遮挡情况下目标局部特征在跟踪算法中的应用

为了解决视频目标跟踪中的遮挡问题,本文提出了一种新的目标局部形状特征——仿射不变三角形来对目标进行描述,所提取的仿射不变三角形特征具有平移、旋转和尺度不变的特性,在各种异常情况下仍然能够稳定地表征目标。本文采用仿射不变三角形特征量来进行有效的遮挡状态的判断,并将目标未被遮挡部分的局部形状特征量与运动预测结合起来进行基于模板的匹配跟踪,能够避免遮挡所导致的目标外观数据改变而引起的目标运动状态计算的错误,以解决目标在跟踪中的遮挡问题。实验结果证明,本文提出的局部形状特征能够比较准确地判断目标的遮挡状态,并且能够有效地提高跟踪算法的准确性和稳定性。     

基于扩展卡尔曼滤波的主动视觉跟踪技术

提出一种基于主动视觉的物体跟踪系统.该系统利用基于扩展卡尔曼滤波的物体锁定(Object Locked Based on Extended Kalman Filter,OLBEKF)技术,根据物体的运动预测摄像头的运动,并通过控制摄像头的两个关节实现主动跟踪.实际运用表明,在复杂的环境下,能够实时地获得高准确率的跟踪结果,并且显著提高摄像头拍摄图像的质量.     

基于视频的多目标车辆跟踪及轨迹优化

为了获取交通视频中车辆的运动轨迹,提供道路动态交通信息,提出一种基于Yolo3目标检测和KCF目标预测相结合,关联历史轨迹预测结果和检测结果的长时间多目标车辆跟踪算法;对采用机器视觉获取的车辆轨迹非平滑现象,提出通过Savitzky-Golay滤波器对原始的车辆轨迹进行平滑优化。对比测试场景中车辆轨迹优化前后,优化后的轨迹在保留原有车辆运动特征的前提下,改善了轨迹平滑性,提供的动态交通信息更能反映车辆真实运动状况。     

基于参数学习和运动预测的在线多目标跟踪算法

针对在线多目标跟踪中的短时遮挡和检测器误差造成的误检和漏检问题,提出一种结合参数学习和运动预测的在线多目标跟踪算法。采用逐帧关联的方式,首先利用目标的历史轨迹建立卡尔曼滤波器模型预测目标当前帧的可能位置,然后计算目标和当前观测之间的关联度建立代价矩阵。对于多目标跟踪被建模为指派问题,采用Hungarain算法求解,此外制定策略处理目标出现、消失和遮挡等异常情况。而对于多目标跟踪系统中的参数,设计一种新的二分类参数学习方案。实验结果验证了参数学习的有效性以及对误检、漏检和遮挡的鲁棒性,并且与若干经典算法的性能比较中,在多个指标上表现出一定优势。     

基于强跟踪滤波器的多传感器信息融合应用研究

在对经典Kalman滤波器和强跟踪Kalman滤波器分析的基础上,给出了改进的强跟踪Kalman滤波器方法,并进一步给出了改进的强跟踪Kalman滤波器分布式信息融合方法。该方法底层采用改进的强跟踪器滤波,上层采用估计误差方差最小方法进行分布式信息融合,信息融合结果精度高,同时对突变信号有很强的实时跟踪能力。仿真结果表明该方法的有效性和可靠性。     

GPS动态定位中卡尔曼滤波模型的建立及其强跟踪算法研究

提出一种改进的强跟踪卡尔曼滤波算法,应用于GPS动态定位滤波中获得明显效果。首先建立了一种新的GPS动态定位滤波模型,该模型与以往采用的非线性卡尔曼滤波模型相比,具有模型简单、实时性好的特点。为了进一步提高滤波器的动态性能,改进了文献[1]中的强跟踪滤波算法,大大提高了滤波器的跟踪能力。     

去相关卡尔曼滤波算法在视频跟踪中的应用

针对测量噪声去相关下的卡尔曼滤波算法在视频目标跟踪中的应用问题展开了研究,首先分析了图像目标质心测量噪声的统计特性,指出测量误差是具有较强相关性的有色噪声;通过提出一种噪声白化方法,将测醋噪声视为在高斯自噪声激励下所产生的一阶马尔科夫序列,并对系统测量模型进行了改进;最后借助噪声去相关虑义下的卡尔曼滤波算法对所拍摄的航模飞机视频图像进行了跟踪仿真测试.仿真实验结果证明所给出的滤波算法可以明显提高目标位置的估计精度,并有效抑制了背景的干扰.     

一种高效的大监控区域移动目标追踪算法

针对目前无线传感器网络中利用位置指纹进行移动节点室内追踪时,为提高追踪精度引入的训练及匹配计算量大的问题,提出了一种兼顾定位精度和计算效率的算法。该算法适合锚节点稀疏分布的大监控区域,通过锚节点和参考位置点的局部匹配降低指纹匹配的复杂度,利用加权K-近邻算法获得粗定位,再通过融合目标节点加速度信息的卡尔曼滤波进一步减少追踪误差。仿真实验表明,本文算法具有良好的定位一致性和较高的定位精度,在指纹间隔10 m,接收信号强度指示值的测量方差高达16时,追踪过程中平均定位误差为1.4 m,适合室内移动目标的实时追踪。     

多特征重检测的相关滤波无人机视觉跟踪

无人机视觉跟踪是视觉跟踪未来应用的核心领域,其由于跟踪目标像幅较小、表 观不清且易受到无人机飞行姿态多变、飞行稳定性差等因素的影响而难以对目标进行鲁棒的跟 踪,特别是发生跟踪遮挡时,算法跟踪漂移后无法进行模型的更新。为提高无人机视频的跟踪 效果,提出一种多特征重检测跟踪方法。首先采用多特征融合的方式提高跟踪算法在无人机跟 踪特征的判别性。其次目标在出现遮挡时,扩大搜索区域,采用滑动窗口采样找到置信度最高 的目标区域并实现模型更新。通过一系列无人机视频实验结果表明,该算法在遇到遮挡问题时 具有较好的鲁棒性,能够提高无人机在目标跟踪过程中的准确性。     

一种用于智能空间的多目标跟踪室内定位系统

定位系统是智能空间位置感知计算的基础部件,它不仅要能较精确定位多目标,而且在方向性、可携带性等方面也要满足要求.文中设计了一种室内定位系统Cicada,该系统基于射频和超声波到达时间差来测量距离,并采用滑窗滤波和卡尔曼滤波的方法计算位置.实验表明它对静止和移动目标都能提供平均5cm的定位精度,拥有全向型的工作区域,便于携带,具有较好的规模伸缩度以及易部署性,能较全面地满足智能空间定位的需求.     

基于上下文感知与自适应响应融合的相关滤波跟踪算法

针对当前相关滤波跟踪算法在抗背景干扰、响应融合方式以及模型更新策略上的不足,提出一种基于上下文感知与自适应响应融合的相关滤波跟踪算法.通过引入上下文感知技术,提高算法在背景杂波及遮挡等跟踪场景下的鲁棒性;通过研究HOG特征和颜色直方图特征二者响应图和响应值的特点,提出一种自适应响应融合方法,提升融合响应图的可靠性;在模...     

复杂场景下灰度图像的运动目标跟踪

提出了一种对复杂场景下灰度图像序列中运动目标分割和跟踪的新方法:首先,利用光流法分割出运动目标;然后,以mean shift算法为核心跟踪感兴趣的目标.跟踪过程中以目标灰度直方图为特征进行帧与帧之间的目标匹配,其匹配的相似度以Bhattacharyya系数来测量.算法中利用Kalman滤波器对运动目标在图像中的位置进行预测,不仅可以有效解决目标的暂时遮挡问题,而且可以缩小模式匹配的搜索范围,提高处理速度.实验结果和对实验相关数据的分析验证了该跟踪算法的有效性和实时性.     

基于相关滤波融合多特征的运动目标跟踪方法

针对复杂环境下仅使用单一图像特征跟踪精度和鲁棒性差的问题,提出一种多特征融合的相关滤波目标跟踪算法。该算法首先从目标和背景区域分别提取方向梯度直方图(Histogram of oriented gradient,HOG)特征、颜色直方图特征和卷积特征,采用固定权重方法融合HOG特征和颜色直方图特征的特征响应图,然后将该层融合结果与卷积特征响应图采用自适应权重融合策略进行融合,基于融合后的响应图估计出目标位置,并采用尺度估计方法解决目标尺度变化问题,最后采用稀疏模型更新策略进行模型更新。在OTB-2013公开标准测试集中验证本文算法性能,并与主流的目标跟踪算法进行了对比分析。实验结果表明,与其中最优算法相比,本文算法的平均距离精度值和平均重叠精度值都有所提高。本文算法由于有效地利用了HOG特征、颜色直方图特征和卷积特征,在复杂场景下目标跟踪的准确性和鲁棒性都优于其他算法。     

基于改进的均值漂移算法的非刚性目标跟踪

针对现有的均值漂移算法不能适应非刚性目标的复杂运动情况,本文首先利用基于边缘的背景减方法去除背景干扰;然后利用GVFSnake技术提取出目标轮廓,结合目标轮廓改进了传统的颜色直方图;最后基于该颜色直方图结合卡尔曼滤波器或粒子滤波器改进了传统的均值漂移算法。实验表明,该算法可以实现快速的非刚性目标跟踪,对目标的不
不规则运动和严重遮挡有很好的鲁棒性。     

基于卡尔曼滤波的多目标跟踪方法

针对视频多目标跟踪中由于目标间的遮挡、交错或目标漂移而导致跟踪失败的情况,提出一种基于卡尔曼滤波以及空间颜色直方图的遮挡预测跟踪算法。利用空间颜色直方图对目标进行建模,可以对不同目标进行区分进而在目标之间出现交错或目标漂移时仍能跟踪到目标。通过卡尔曼滤波算法可以 预测 目标的状态,对预测位置之间存在交错的目标进行遮挡标记,以便在下一帧中仍然可以跟踪到被遮挡的目标。采用2D MOT 2015数据集进行实验,跟踪的平均精度达到了34.1%。实验结果表明,所提方法对多目标跟踪的效果有所提高。     

移动机器人的运动目标实时检测与跟踪

运动目标检测及跟踪是机器视觉领域备受关注的前沿课题之一。该文针对移动机器人导航领域对检测与跟踪的实时性要求,基于Kalman滤波器实现了驱动单目摄像头的反馈控制系统。采用简单的三帧差背景剪除策略检测运动目标,合并运动估计和背景补偿以加快系统反应速度。系统误差保存在协方差阵中,以增益的形式参与控制。该文还详细分析了运动补偿对检测的影响及误差的变化趋势。实验表明,系统能够保持对运动目标稳定偏差的平滑跟踪,在480320的图像分辨率下控制速度达到20Hz(fps)。