基于视觉的移动机器人目标跟踪方法

为实现对行人目标进行快速稳定地跟踪并简化机器人系统,提出一种快速判别尺度空间相关滤波目标跟踪算法(fDSST)与卡尔曼滤波结合的跟踪方法,解决了跟踪过程中因遮挡造成的目标坐标信息丢失问题。根据相关滤波响应图的震荡剧烈程度设置遮挡判断标准,利用遮挡判断标准实现fDSST跟踪算法与卡尔曼滤波算法的切换,持续输出目标的位置坐标信息,提升了算法的鲁棒性。移动机器人根据视觉跟踪算法提供的图像坐标,利用基于图像的伺服控制策略完成对目标的跟随任务,简化了移动机器人系统结构。最后将该方法在OTB2013测试集上和移动机器人中进行实验,实验结果表明,该方法对于目标遮挡及尺度变化具有较强的鲁棒性和准确性,同时满足实时性要求。     

基于梯度方向-亮度联合空间的红外人体跟踪

针对红外图像中人体成像的特点,提出一种新颖的红外人体跟踪算法.为克服红外图像中人体目标描述信息不足的缺点,该方法首先在梯度方向-亮度二维联合空间中构建人体目标的特征直方图,然后给出了一种最优直方图级数的选择准则对最具鉴别性能的级数进行选择;进而将上述表达模型与粒子滤波相融合,设计了粒子滤波框架下的人体跟踪算法.不同场景中的人体跟踪结果表明,与通用的跟踪算法相比,本文提出的算法具有更高的鲁棒性和稳健性.     

采用核相关滤波器的自适应尺度目标跟踪

由于现存的大多数基于检测的跟踪器都没有解决尺度变化问题,本文在传统的基于检测的目标跟踪框架下设计了一种尺度估计策略,并给出了基于核相关滤波器的自适应尺度目标跟踪算法。该算法利用核函数对正则化最小二乘分类器求解获得核相关滤波器,通过对核相关滤波器的在线学习完成目标位置和尺度的检测,并在线更新核相关滤波器。为了验证本文算法的有效性,选取了10组场景复杂的视频序列进行测试,并与其它5种优秀跟踪方法进行了对比。结果表明,本文提出的方法比上述5种优秀跟踪方法中的最优者的平均距离精度提高了6.9%,且在目标发生尺度变化、光照变化、部分遮挡、姿态变化、旋转、快速运动等复杂场景下有较强的鲁棒性。     

基于双相关滤波器的多通道尺度自适应目标跟踪

针对目标跟踪中尺度变化和表观剧烈变化导致的目标跟踪不稳定问题,设计了多通道特征融合的尺度估计策略,提出了基于双相关滤波器的多通道尺度自适应目标跟踪算法。考虑到CN特征对姿态及尺度不敏感,以及HOG特征对光照变化和目标移动都有着较好稳定性,将CN、HOG以及灰度特征进行了特征融合,提升了对于目标表观变化的跟踪鲁棒性。在保证误差风险最小的前提下使用岭回归进行滤波器求解,同时建立了尺度滤波器实现了目标的多尺度判断,使得目标发生尺度变化时能保持稳定的跟踪。使用TB-100数据集在多场景下对算法进行性能测试,证明该算法在目标表观变化、尺度变换、背景干扰等情况下有良好的跟踪效果。     

改进结构相似度的红外两波段图像目标配准

针对红外两波段图像目标配准问题,研究了目标整体结构特征,在高斯尺度空间对结构相似度、多尺度结构相似度和边缘结构相似度进行改进,提出基于改进的多尺度边缘结构相似度算法的红外两波段图像目标配准算法。利用高斯尺度空间中不同尺度的图像及其边缘图像计算多尺度结构相似度,结合了红外图像中保留的目标完整的边缘结构信息,提高了目标配准效果。实验结果表明基于改进的多尺度边缘结构相似度算法的红外两波段图像目标配准算法的目标配准正确率和目标配准精度都优于其他算法,目标相似度值高于0.98。     

引入样本删除机制的TLD粒子群目标跟踪

为提高TLD算法在广泛场景下跟踪鲁棒性和实时性的问题,本文从跟踪模块和学习模块两个方面对TLD算法进行了改进,提出引入样本删除机制的TLD粒子群目标跟踪算法。首先,用基于颜色特征的粒子群目标跟踪算法替代TLD算法中原来的跟踪模块,增强TLD算法在应对目标出现非刚性形变、尺度变化、旋转、遮挡等情况下的跟踪鲁棒性。接着,针对TLD算法的学习模块引入样本删除机制,在跟踪过程中为样本库中正负样本数量分别设定一个阈值,当正负样本数都达到各自阈值时,便会启动样本删除机制。然后,对待分类进入样本库的图像块进行等级评价,删除对正负样本表征能力都较弱图像块。最后,将样本库中的正负样本与当前目标进行相似度匹配,删除对当前目标表征能力低的样本。通过对OTB2013和OTB2015数据集中相关视频序列的实验结果证明,本文算法的OPE精确度达到0.687,算法的OPE成功率为0.488,算法运算效率平均提高了25.71%。基本满足广泛场景下目标跟踪的鲁棒性,并显著了提高算法运算效率。     

采用改进Mean Shift算法的移动机器人行人跟踪

为了提高移动机器人目标跟踪系统在复杂环境中的跟踪性能,提出在双层定位机制下采用基于自适应核函数的Mean Shift算法实现目标跟踪.利用射频识别器件(RFID)检测携带标签的目标,实现外层粗定位并确定感兴趣区域(ROI);在内层则根据对视差图的ROI的处理结果确定初始搜索窗口,然后应用基于自适应核函数的Mean Shift算法在从立体相机获得的左图中应用基于自适应核函数的Mean Shift算法实现对目标的精确定位.自适应核函数由目标的区域特征与Epanechnikov函数相融合构成,克服了目标边缘处背景像素对目标颜色概率分布的影响.与传统的Mean Shift算法相比,所提方法在同色背景干扰下仍能准确跟踪目标.另外,RFID限定了图像搜索范围,节省了运算开支,图像处理的平均时间为62.11 ms/frame,满足实时跟踪的要求.实验结果表明,该方法可实现移动机器人在同色背景干扰、遮挡、目标快速移动等情况下的目标跟踪.     

自适应差异多尺度形态学的风力机叶片红外图像增强研究

为提高采用红外检测技术检测风力发电机叶片内部缺陷的能力，改善红外热像图的清晰度低、背景光照不均和细节识别能力弱等问题，提出了一种自适应差异多尺度形态学(ADMM)的图像增强算法。在膨胀和腐蚀运算中分别选择不同尺度的结构元素作为操作对象，采用对比度改善系数比最大值作为多尺度及差异尺度选择的目标函数；利用开、闭及顶帽运算的优势，提取多尺度下图像的明暗细节信息；通过白顶帽与黑顶帽差值运算得到细节增强信息，并与原图像融合得到增强的红外图像；通过调整图像的灰度分布达到最佳的视觉效果。仿真实验结果表明，该算法不仅有极强的鲁棒性，而且能有效地增强光照不均情况下的红外图像细节，提高红外检测在风力发电机叶片中的探伤能力。     

搜索区域和目标尺度自适应的无人艇海面目标跟踪

海面目标跟踪任务是实现水面无人艇自主化航行、智能化作业的重要基础。相比于普通场景的目标跟踪,海面目标跟踪需要面对目标抖动剧烈及目标尺度变化大等问题。针对海面目标在图像画面中抖动剧烈的问题,本文提出了搜索区域自适应算法,该方法通过对海面场景的分割完成了海天线位置的提取,然后通过海天线运动模型自适应地确定了每帧图像中目标搜索的区域;针对跟踪过程中海面目标尺度变化较大的问题,本文通过分割搜索区域的方法实现了目标尺度变化的自适应跟踪。基于相关滤波跟踪框架并结合上述两种改进策略,在真实的海面目标图像测试序列中,本文算法相比传统的相关滤波算法在跟踪精度上至少提升了26%,有效地解决了目标抖动剧烈和尺度自适应问题,提高了海面目标跟踪任务的精度。     

基于改进双边滤波的气体泄漏检测

针对传统泄漏检测方法效率低、鲁棒性差的问题,提出了一种基于红外图像技术的气体泄漏检测方法。该方法根据被测容器充气前后的红外图像的信息差异,对获得的热像图进行背景估计、差分,以及目标与噪声的辨别,利用基于改进的双边滤波算法实现对泄漏点的检测与定位。实验证明：双边滤波算法对背景的预测具有鲁棒性,通过目标与噪声的扩散性区别分辨出目标,实现对泄漏点的准确定位。     

基于压缩感知的多特征实时跟踪

针对基于压缩感知的目标跟踪算法中存在的特征单一,在目标纹理变化、光照变化较大时跟踪不稳定、易丢失目标的问题,提出了多特征联合的实时跟踪算法。该算法以多个矩阵作为压缩感知中的投影矩阵,将压缩后的数据作为特征来提取出跟踪所需的多种特征。在更新过程中,针对不同特征在跟踪过程中的稳定性不同,采取不同速度的更新方法,使得在目标环境变化时跟踪的鲁棒性仍然很高。对不同视频的测试结果表明,提出的方法在目标运动、旋转、纹理变化和光照变化的情况下跟踪准确,在目标大小为70 pixel×100 pixel时平均帧速为23 frame/s,满足实时跟踪的要求。与单一特征的压缩感知算法相比,本算法在目标纹理和光照变化很大的情况下仍能完成稳定的实时跟踪。     

用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。     

利用视觉显著性和扰动模型的上下文感知跟踪

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显著性构建目标稀疏显著性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。     

适于机载环境对地目标跟踪的粒子滤波设计

为提高机载环境对地面强机动性目标跟踪的鲁棒性,本文以粒子滤波为跟踪框架,研究了它的动态模型与观测模型。针对机载环境的特点与跟踪目标的强机动性,提出了基于Kristan双步动态模型结构的加速度双步动态模型（TSA）。根据Yilmaz等人提出的非对称核函数思想,针对实际工程中目标变化特点与实时性要求,提出利用Snake算法提取目标轮廓,以轮廓信息构造非对称核函数的方法。最后,依据上述方法提出了TSA-AK粒子滤波跟踪算法。利用提出的算法对机载环境对地目标跟踪的视频进行了测试,结果表明,本文算法可实现对大幅度变速运动目标的稳定跟踪,正确跟踪率为98%;对大小为25 pixel×30 pixel的目标的处理帧率为26 frame/s。     

基于自适应标签和稀疏学习相关滤波的红外目标跟踪算法研究

针对背景杂乱、遮挡、热交叉以及目标形变等复杂跟踪场景下目标跟踪算法出现性能严重退化问题,提出一种基于自适 应标签和稀疏学习相关滤波的实时红外单目标跟踪算法。 首先,根据目标响应情况自适应地构造样本标签,通过自适应标签训 练提升相关滤波器的分类能力,抑制干扰区域对跟踪模型的污染。 其次,加入稀疏学习策略,通过目标响应 L1 范数抑制复杂跟 踪场景下目标响应多峰分布,提高跟踪算法的鲁棒性;与基线算法相比,该算法精度和 AUC 分别提升了 19. 3% 和 39. 8% 。 在数 据集 GTOT、RGBT234 和 VOT-2016TIR 上的实验结果表明,该算法对上述复杂跟踪场景具有良好的应对能力,运行速度超过 35 fps,综合性能优于对比跟踪算法。     

跟踪窗口自适应的Mean Shift跟踪算法

目的：针对传统Mean Shift跟踪算法中当目标发生形变时因跟踪窗不能动态改变导致跟偏甚至跟丢的缺陷,提出了一种新的跟踪窗口大小和方向自适应的改进算法。方法：首先采用跟踪窗口内协方差矩阵的主分量分析方法来计算跟踪目标的方向和尺寸大小;然后联合相似性度量和卡尔曼滤波器来更新跟踪窗口。结果：实验证明,本算法针对不断旋转和缩放的运动目标仍能对其进行准确实时的跟踪。结论：改进算法能够满足非刚体目标跟踪系统的要求。     

动态视角下自主目标识别与跟踪

针对动态视角下由于相机高频率晃动导致的常用目标识别及跟踪算法准确率较低的问题,提出了一种基于Canny和GrabCut的自适应窗口式目标跟踪算法。首先使用加速稳健特征（SURF）算法学习图片库并记忆图片特征,设计基于SURF算法的记忆库目标识别算法;然后,对上述目标区域采用GrabCut的自适应优化算法进行感兴趣区域分割,实现目标粗略跟踪;最后,设计基于Canny算法的窗口式算法进行目标精确追踪。实验结果表明,所设计的算法能快速地识别目标、精确地勾勒出其轮廓并且稳定跟踪目标,相比其他算法,算法在实时性和精确性方面有显著提高。     

基于色度饱和度-角度梯度直方图特征的尺度自适应核相关滤波跟踪

针对核相关跟踪算法(KCF)对特征敏感及无法跟踪尺度的问题,本文从特征提取和尺度自适应两个方面对核相关滤波跟踪算法进行了研究。提出了一种基于色度饱和度-角度梯度直方图特征的自适应核相关跟踪算法来改善KCF算法的跟踪性能。首先,研究了HSI颜色空间的特点,基于颜色和梯度是互补的图像特征,提出了一种融合了梯度和颜色的HHS-OG特征来有效提高原始KCF算法对目标和背景的判别力。其次,针对KCF无法处理目标尺度变化的问题,在跟踪的检测阶段采用一组固定的尺度因子进行图像块采样,根据得到的滤波响应图估计目标的最优位置和尺度。将所提算法在大量视频序列上进行了跟踪实验,结果显示其平均跟踪速度为37.5frame/s,跟踪精度和成功率分别提升了5.4%和10.1%。实验表明HHS-OG特征具有良好的目标-背景判别能力,能够实现鲁棒跟踪,而尺度自适应策略能较大程度地提高跟踪精度。     

采用PSR和客观相似性的高置信度跟踪

针对相关滤波类跟踪算法难以解决的过度形变和目标被遮挡问题,提出了一种融合改进均方峰值旁瓣和客观相似性度量的高置信度跟踪算法-HCF。基于核相关滤波跟踪算法,结合传统相关运算的峰值旁瓣比与感知哈希算法客观度量所跟目标,对遮挡和形变等复杂情况进行高置信度判断,进而自适应的选择模型更新率,克服模型漂移问题;另外,利用尺度池算法解决跟踪中的尺度估计问题,进一步提高了算法的稳健性。通过OTB-2015数据集测试表明:提出的HCF算法能精准判别出由于遮挡形变等情况导致的无效跟踪,相比于当前主流的鲁棒性跟踪算法,具有更优秀的性能和表现。本文的创新工作为跟踪领域中的目标准确度判别问题提供了新的思路。