结合时域差分和空域分级的实时运动人像跟踪

利用摄像头对运动人像目标进行自动跟踪在越来越多的领域成为客观需要,国内外目前也已经有不少对运动目标自动跟踪的方法和系统。但是,这些方法和系统在运动物体距离较远时不能较好辨识目标,外界环境对于系统的性能也存在较大的影响。针对以上不足,将时域差分和空域分级结合,提出了一种实时的运动人像跟踪算法,使其不仅能够实现实时地跟踪运动人像目标,自动进行变焦,而且对外界环境有较好的适应性。     

基于在线特征选择的实时多姿态人脸跟踪

针对复杂条件下的人脸跟踪问题, 将显著区域跟踪算法和基于 Adaboost 的人脸检测算法相结合, 研发了一个实时多姿态人脸跟踪系统. 系统采用数据关联结果, 自动选择和切换检测器与跟踪器, 并通过引入环境信息增强跟踪算法的稳定性. 实验表明, 系统可在目标姿态变化、摄像机运动等复杂条件下进行自动人脸检测与跟踪, 对 320x240 的图像序列处理速度达到 10-12帧/秒.     

基于压缩感知的实时手势检测和跟踪算法

基于计算机视觉的实时手势检测与跟踪算法是人机交互领域的一项关键技术,传统的手势检测与跟踪算法将检测和跟踪分成两个独立的模块进行,检测与跟踪结果受手势姿态变化、目标遮挡、运动模糊以及外界环境干扰等因素的影响。提出了一种基于压缩感知的实时手势检测和跟踪算法,将基于检测得到的手势信息与基于压缩感知跟踪算法得到的目标信息进行有效融合,从而实现有效的手势检测与跟踪,与传统算法相比,该算法能实现手势跟踪自动初始化和跟踪错误后自我恢复功能。实验结果表明,提出的算法能对手势运动进行快速、连续、准确的识别,满足人机交互的要求。     

最少帧差法在智能跟踪系统中的应用

动态目标的智能跟踪系统主要用来实现对动态目标的自动跟踪系统,其硬件系统包括带有镜头的摄像机及其装载驱动器的云台、控制台、自动跟踪伺服系统及联路等.基于该系统,提出了一种使用最少的视频帧数就能实现对运动目标进行实时可靠的检测和智能跟踪,满足特定的监控要求的最少帧差法.并通过了实验验证了其有效性.     

室内人体运动目标的自动跟踪方法

针对人体运动目标的自动实时跟踪,设计一种新的基于P89v51内核的运动摄像头云台控制系统.对人体运动的图像检测与跟踪,提出一种快速的模板匹配方法.用改进Surendra算法自适应地获取背景图像以提取匹配模板,通过摄像头运动前后帧相同的运动区域来缩小匹配区域,进行快速目标匹配,达到实时性要求.该系统已应用在视频教学及会议中,实现自动人体运动目标跟踪与摄像.     

最少帧差法在智能跟踪系统中的应用

动态目标的智能跟踪系统主要用来实现对动态目标的自动跟踪系统，其硬件系统包括带有镜头的摄像机及其装载驱动器的云台、控制台、自动跟踪伺服系统及联路等。基于该系统，提出了一种使用最少的视频帧数就能实现对运动目标进行实时可靠的检测和智能跟踪，满足特定的龄控要求的最少帧差法。并通过了实验验证了其有效性。     

基于分布式动态簇结构的WSN自适应目标跟踪算法

目标跟踪是无线传感器网络应用研究的一个重要问题,如何在传感器节点随机分布的条件下对目标进行实时、准确的跟踪,并尽可能地降低网络能耗是目标跟踪问题的一个难点。文章基于分布式动态簇结构和并行粒子滤波算法对目标进行跟踪,提出一种跟踪采样周期自适应调整算法来降低网络能耗,同时也提高了跟踪的稳定性。仿真结果表明,文章提出的算法达到了实时、准确和节能的要求,具有一定的实际应用价值。     

低空运动目标的多传感器自动识别和实时跟踪

讨论了一种用于低空运动目标检测和跟踪的电视跟踪系统。为了提高系统自动跟踪和抗干扰能力,基于声—光—电多种传感器和测量装置如声波传感器、图像传感器和激光测距仪等,提出一种多传感器综合的自动目标识别和实时跟踪算法。该方法将被动声定位技术用于目标初定位,结合目标图像动静态特征和目标声源特征用于目标的特征提取和自动识别,根据视频跟踪和轨迹预测算法,得出期望的目标误差信号控制伺服机构进行精确跟踪。实验结果表明该算法简捷有效、精度和可靠性达到要求,验证了多传感器应用于全自动智能跟踪系统的可行性。     

自动选择跟踪窗尺度的Mean-Shift算法

实用的跟踪系统要求能实时地适应运动目标的外观变化,尺度固定不变的跟踪窗口不能有效地跟踪存在明显尺度变化的目标。本文将多尺度图像的信息量度量方法引入到运动目标跟踪中,提出了一种跟踪窗口自动更新算法,并用此算法改进了基于颜色直方图的Mean-Shift跟踪方案。实验结果表明,改进的跟踪算法对尺寸逐渐减小和逐渐增大的目标都能自动选择合适的跟踪窗口大小。     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

基于双目立体视觉的船舶轨迹跟踪算法研究

双目立体视觉模型通过模拟人眼可以实现对目标距离的测量。为了获得水上船舶实时的运动状态,提出了一种基于双目立体视觉的船舶轨迹跟踪方法。首先,通过摄像机标定、线性空间点三维重建可以测得以相机为中心到船舶的距离,得到船舶的部分运动轨迹;其次,在双目立体视觉测距系统的基础上采用常速(Constant Velocity,CV)模型的方法对船舶运动建模;最后,对建立的船舶运动模型利用强跟踪卡尔曼滤波(Strong Tracking Kalman Filter,STKF)船舶轨迹跟踪的方法跟踪船舶的轨迹并估算目标船舶实时的运动状态。实验结果表明,基于双目立体视觉的船舶轨迹跟踪的方法能有效地跟踪船舶轨迹且适用于工程应用的需求。     

基于Darknet网络和YOLOv3算法的船舶跟踪识别

针对我国沿海与内陆水域区域视频监控处理存在实际利用率低、误差率大、无识别能力、需人工参与等问题，提出基于Darknet网络模型结合YOLOv3算法的船舶跟踪识别方法实现船舶的跟踪并实时检测识别船舶类型，解决了重要监测水域船舶跟踪与识别问题。该方法提出的Darknet网络引入了残差网络的思想，采用跨层跳跃连接方式以增加网络深度，构建船舶深度特征矩阵提取高级船舶特征进行组合学习，得到船舶特征图。在此基础上，引入YOLOv3算法实现基于图像的全局信息进行目标预测，将目标区域预测和目标类别预测整合于单个神经网络模型中。加入惩罚机制来提高帧序列间的船舶特征差异。通过逻辑回归层作二分类预测，实现在准确率较高的情况下快速进行目标跟踪与识别。实验结果表明，提出的算法在30 frame/s的情况下，平均识别精度达到89.5%，与传统以及深度学习算法相比，不仅具有更好的实时性、准确性，对各种环境变化具有较好的鲁棒性，而且可以识别多种船舶的类型及其重要部位。     

基于MFFK和Mean-Shift的红外船舶目标跟踪算法研究

当前内河船舶配备的导航设备,如雷达、无线电信号接收避险等,无法在各种恶劣气候条件下准确获取目标的信息,不能满足可靠的船-船、船-桥避碰要求。采用基于MFFK分形特征与Mean-Shift方法相结合的红外船舶目标检测跟踪技术,在其运动过程中实时采集来自船运动前方以及两侧环境情况的视频文件,同时将其转化为单帧的实时红外图像,通过MFFK参数将环境与可疑人造目标分离开,然后采用基于Mean-Shift的目标跟踪技术进行目标定位,跟踪,通过对连续红外图像高速比对,在其运动轨迹发生变化可能产生事故之前发出警报。实验结果表明,该算法能够应付场景的各种变化以及多运动船舶目标交错遮挡等情形,算法具有鲁棒性。     

结合掩膜与孪生网络的目标跟踪方法研究

针对在舰船目标跟踪过程中由于视场角变化导致的跟踪精度下降的问题,基于全连接孪生神经网络的目标跟踪方法,融合了目标分割策略,提出了基于SiamMask的实时目标跟踪算法。该算法将二元掩模运算作为孪生网络的一个分支,以实现对目标的分割,在获取目标位置信息的同时,获取目标的外观信息,使得该网络的损失函数得到显著增强。由传统的轴对称目标跟踪框,改进为可根据目标形状、外观而自适应调整的可旋转矩形框。将该算法与传统基于孪生网络的跟踪算法SiameseNet,以及基于相关滤波的KCF跟踪算法进行实验仿真测评对比,通过计算各算法的中心误差,结果表明该算法的跟踪精度较两者分别提升了19.5%和24.5%,且运行速度可达30 fps,满足了舰船目标跟踪对于准确性和实时性的要求。     

基于强跟踪滤波器的目标运动参数估计方法研究

针对船舶动力定位系统中目标跟踪控制需求,提出了一种基于强跟踪滤波器的目标运动参数估计方法,建立了两种目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了引入渐消因子的强跟踪滤波器进行目标运动状态和参数估计。通过与扩展卡尔曼滤波器的参数估计对比仿真试验,验证了基于强跟踪滤波器的目标运动参数估计方法具有较好的跟踪性能。     

Underactuated ship tracking control: Theory and experiments

We consider complete state tracking feedback control of a ship having two controls, namely surge force and yaw moment. The ship model has similarities with chained form systems but cannot directly be transformed in chained form. In particular, the model has a drift vector field as opposed to the drift-free chained form systems. It is shown here that methods developed for tracking control of chained form systems still can be used for developing a tracking control law for the ship. Through a coordinate transformation the model is put in a triangular-like form which makes it possible to use integrator backstepping to develop a tracking control law. The control law steers both the position variables and the course angle of the ship, providing exponential stability of the reference trajectory. Experimental results are presented where the control law is implemented for tracking control of a model of an offshore supply vessel, scale 1:70. In the experiments the ship converges exponentially to a neighbourhood of the reference trajectory, and stays close with errors depending on factors as unmodelled dynamics, parameter uncertainty, measurement noise, thruster saturation, waves, currents and position measurement failures.     

基于神经网络观测器的船舶轨迹跟踪递归滑模 动态面输出反馈控制

针对三自由度全驱动船舶速度向量不可测问题,考虑船舶模型参数和外部环境扰动均未知的情况,提出一种基于神经网络观测器的船舶轨迹跟踪递归滑模动态面输出反馈控制方法.该方法设计神经网络自适应观测器估计船舶速度向量,且利用神经网络逼近模型参数不确定项,综合考虑船舶位置和速度误差之间关系构造递归滑模面,再采用动态面控制技术设计轨迹跟踪控制律和参数自适应律,并引入低频增益学习方法消除外界扰动导致的高频振荡控制信号.选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

基于可变形部件模型的内河多船舶跟踪算法研究

内河航运事业的不断发展对电子巡航闭路电视(CCTV)监控系统的智能化水平提出了越来越高的要求.针对目前CCTV监控系统智能化水平较低、人工参与量较大的局限,提出了一种鲁棒的基于可变形部件模型的内河多船舶跟踪算法.该算法将每条运动目标船舶视为一个部分,通过最小生成树模型来建立各个部分之间的联系,并基于可变形部件模型的原理最终实现同时对多条目标船舶的鲁棒跟踪.为了得到精确的目标船舶外观模型,首先对目标区域进行梯度方向直方图(HOG)特征提取,然后利用模糊支持向量机(SVM)算法进行训练得到每条目标船舶的参数化的外观模型.其中,由于模糊SVM中模糊度的引入,对不同的输入训练样本赋予不同的重要性,因此将获得比线性SVM算法更加精确的目标外观模型.结构化的学习方法保证了在目标运动过程中该算法能即时更新目标间的空间相互关系参数,实现鲁棒的跟踪效果.实验结果表明,提出的算法适用于在内河环境下鲁棒、有效的多目标船舶跟踪.     

考虑扰动及模型不确定的无人船路径跟踪控制

针对外界扰动与模型不确定因素影响下的无人船路径跟踪控制问题,引入Serret-Frenet坐标系对无人船的路径跟踪问题进行数学描述,根据给定的期望跟踪路线与当前无人船的位置信息,利用李雅普诺夫直接法设计无人船航行速度与航向角度的期望值作为路径跟踪的虚拟控制律,通过设计滑模控制器实现对虚拟控制量的误差跟踪控制,通过设计切换函数避免无人船的控制量出现饱和或抖振现象,进而降低模型不确定及干扰对路径跟踪控制的影响。仿真实验表明,设计的控制器可在外界时变扰动与模型不确定的前提下完成对给定路线的理想跟踪。     

Incremental online sparsification for model learning in real-time robot control

For many applications such as compliant, accurate robot tracking control, dynamics models learned from data can help to achieve both compliant control performance as well as high tracking quality. Online learning of these dynamics models allows the robot controller to adapt itself to changes in the dynamics (e.g., due to time-variant nonlinearities or unforeseen loads). However, online learning in real-time applications - as required in control - cannot be realized by straightforward usage of off-the-shelf machine learning methods such as Gaussian process regression or support vector regression. In this paper, we propose a framework for online, incremental sparsification with a fixed budget designed for fast real-time model learning. The proposed approach employs a sparsification method based on an independence measure. In combination with an incremental learning approach such as incremental Gaussian process regression, we obtain a model approximation method which is applicable in real-time online learning. It exhibits competitive learning accuracy when compared with standard regression techniques. Implementation on a real Barrett WAM robot demonstrates the applicability of the approach in real-time online model learning for real world systems.