基于均值漂移的快速模板匹配算法

提出了一种基于均值漂移和模板匹配的目标跟踪算法。算法工作时分为预测、模板匹配与目标定位及模板更新3个阶段。在预测阶段,结合上一帧跟踪得到的目标位置,利用均值漂移方法对目标位置进行预测,并以预测位置为中心、以相应的大小为覆盖范围定义模板匹配的搜索波门;在模板匹配阶段,采用快速模板匹配算法,将目标模板与搜索波门进行由粗到精的快速匹配,并计算所得匹配结果与目标模板的匹配程度,如果该匹配度大于给定的阈值,则将快速模板匹配的结果作为当前帧图像的跟踪结果,否则,以均值漂移算法预测的目标位置作为当前帧图像的跟踪结果,最后由当前帧的跟踪结果控制模板更新过程以更新目标的模板,最终完成对目标的稳定跟踪。同时该算法结合颜色和边缘特征对旋转、变形不敏感的优点提高跟踪的鲁棒性。该方法运算速度快,准确度高,能够满足实时性要求。     

基于局部稀疏表示的模板匹配跟踪算法研究

在目标跟踪过程中,局部稀疏表示跟踪算法(LSRTA)在目标被遮挡面积过大、运动过快或形变量过大等情况下,跟踪过程中会发生目标偏移现象。针对这个问题,在LSRTA算法基础上,融入surf、flann和knn相结合的模板匹配算法,提出了基于局部稀疏表示模板匹配算法(LSRTMTA)以解决目标跟踪偏移问题。在LSRTA算法跟踪过程中,通过不断地计算新模板与当前模板的匹配值来判断是否发生偏移。当目标发生偏移时,停止LSRTA算法的跟踪,通过模板与帧图像之间匹配来重新确定目标位置;当确定目标位置后,再次进行LSRTA算法的跟踪。实验结果表明:该算法不仅保留了LSRTA算法的优点,还具有自动修正目标偏移的功能,改善了跟踪效果,增强了目标跟踪过程的容错性。     

序列帧间双重匹配的红外点目标跟踪算法

针对海空复杂背景下红外点目标的检测与跟踪,提出了基于图像序列帧间双重匹配的边跟踪边检测算法,并建立了数学模型。它采用标记序列帧M以帧对帧的方式记录输入序列的帧间匹配结果,标记帧T以点对点的方式记录标记序列帧M的帧间匹配结果,统计帧S记录T中各像素的匹配成功次数,输入单帧图像同步输出矩阵T和S分别显示目标运动轨迹和迎头目标检测结果。算法匹配过程不随目标数目或运动状态而改变,且无需提前判断疑似目标位置,有效解决了目标在图像序列中突然丢失或出现被干扰情况下的跟踪,尤其可以对跟踪结果实时地进行目标分离,解决了迎头目标跟踪的难题。仿真和实际工程图像实验结果表明,算法具有较高的可靠性和实时性。     

基于局部图像描述的目标跟踪方法

针对视频目标跟踪问题,介绍了一种基于局部图像描述的目标跟踪方法.以高斯差值函数图像金字塔中的空间极值点作为图像关键点,在关键点邻接域中,以基于局部二进制模式(LBP)的纹理统计和色彩分布作为特征量,应用特征量在视频序列中的匹配实现目标跟踪.当视频序列中存在目标全局运动、有限度的尺度变化、旋转等复杂因素时,采用纹理和色彩分布得到的局部图像描述具备一定的稳定性,运用权值调整算法寻找稳定特征量集合,能够进一步自适应跟踪目标的外观变化.测试了不同条件下的视频序列,该方法具备良好的跟踪效果和一定的稳定性.     

一种基于特征的动态目标检测与跟踪算法

为解决图像处理特征目标物易受环境影响的问题,采用图像处理和颜色匹配的方法,提出一种基于特征的动态目标的检测和跟踪算法．首先对图像进行灰度化处理并获取图像梯度,确定目标物的弱可疑区。利用非完全特征匹配确定强可疑区,再进行完全特征检测确定目标物的位置,并根据运动物体两次移动位置计算出跟踪摄像器件的旋转方向和角度,最终实现对动态目标物的检测与跟踪．实验证明,该算法能够较好地完成动态目标物的检测与跟踪．     

基于TLD改进的目标跟踪算法

为了提高跟踪学习检测算法的实时性和准确性,提出一种改进的目标跟踪算法。基于跟踪学习检测算法结构,将加速稳健特征作为输入,通过跟踪器和检测器生成正负样本集;利用正负样本集对支持向量机进行训练,得出权值和偏置对目标进行分类;综合模块将跟踪结果与检测结果相结合,确定目标位置,并输出最终的目标图像。实验结果表明,改进算法处理速度为47帧/s,准确率可达94.0%。与跟踪学习检测算法相比,改进算法在实时性和准确性上均有所提升。     

红外导引头边缘模板匹配跟踪算法研究

实时目标跟踪是当前红外成像导引头图像处理中的关键技术,文章提出了基于特征点邻域的边缘模板匹配目标跟踪算法,该算法从红外图像中获取特征点,以特征点为中心选取参考模板,然后利用边缘检测算法获得边缘点集,最后使用改进的Hausdorff距离测度进行边缘点集的匹配,.从而实现实时目标跟踪.文章深入分析和探讨了模板的选取原则和提高算法实时性的四项措施.仿真实验测试证明,该方法能够很好的解决跟踪点滑动和漂移的问题,并满足实时性要求,跟踪稳定.     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

一种空对地可见光图像制导跟踪算法

为解决复杂背景下空对地可见光图像制导跟踪问题,提出一种基于特征匹配的跟踪算法。首先,通过等间隔采样与改进Kirsch边缘检测相结合的方法进行特征点采样;然后,采用金字塔模板光流法提取目标特征;最终,采用模板匹配法识别目标特征完成对地面目标的制导跟踪。实验结果表明：算法速度可以满足最大129Hz帧率的相机进行实时跟踪,稳定跟踪速率优于7.75ms/F,具有跟踪速度快和抗干扰能力强的特点。该算法完全满足空对地复杂背景下跟踪的需求。     

基于SURF和Camshift的目标跟踪算法研究

针对动态的目标跟踪算法Camshift在目标发生短时遮挡或者背景有相似颜色干扰时,可能造成目标跟踪失败的问题,提出了一种基于SURF和Camshift的目标跟踪解决方案。使用搜索窗口颜色概率直方图和目标模板的颜色概率直方图的Hellinger距离判定Camshift算法跟踪结果是否准确,当判定为跟踪失败时,利用SURF快速近似最近邻搜索算法进行特征匹配,解决了传统Camshift算法需要手动确定第一帧搜索窗口,背景颜色干扰及短时遮挡后目标定位的问题。实验结果表明,采用该算法能克服传统的Camshift算法的缺陷,有效地跟踪到目标,具有较好的鲁棒性。     

融合边缘片断与水平集分割的目标跟踪算法

提出了一种融合边缘片断特征与水平集分割的非刚体目标跟踪算法.首先通过Gentle AdaBoost训练器训练得到目标边缘特征字典;然后在每一帧图像中把目标边缘特征字典与图像边缘作Chamfer匹配,通过把具备鉴别能力的图像边缘片断特征嵌入到水平集能量函数中,用来降低背景中边缘信息的干扰.实验结果表明,在非刚体目标局部被遮挡的情况下,仍能准确获得目标轮廓,体现出了该跟踪算法良好的跟踪性能.     

Adaptive key SURF feature extraction and application in unmanned vehicle dynamic object recognition

A new method based on adaptive Hessian matrix threshold of finding key SRUF( speeded up robust features) features is proposed and is applied to an unmanned vehicle for its dynamic object recognition and guided navigation. First,the object recognition algorithm based on SURF feature matching for unmanned vehicle guided navigation is introduced. Then,the standard local invariant feature extraction algorithm SRUF is analyzed,the Hessian Metrix is especially discussed,and a method of adaptive Hessian threshold is proposed which is based on correct matching point pairs threshold feedback under a close loop frame. At last,different dynamic object recognition experiments under different weather light conditions are discussed. The experimental result shows that the key SURF feature abstract algorithm and the dynamic object recognition method can be used for unmanned vehicle systems.     

基于多特征在线模板更新的鲁棒目标跟踪算法

在Mean-shift算法框架下提出一种基于多特征在线模板更新策略的鲁棒目标跟踪算法．首先,针对目标与背景色彩相似引发的跟踪漂移现象,提取照度不变性色彩特征与旋转不变性LBP纹理特征提取算法,并通过引入BWH算法实现多特征融合;其次,在传统的Mean-shift算法收敛条件上增加了直方图相似度校验,以避免陷入局部最优解．此外,还提出了基于直方图差异空间分布图的遮挡现象检测算法,从而提升了模板在线更新算法的准确性．实验结果表明,本文方法对于复杂动态场景、遮挡现象以及目标自身形变具有较强的鲁棒性和较高的准确性．     

基于特征约束的图像点匹配算法

立体匹配是计算机视觉领域的一个关键问题,同时也是立体视觉中的难点.为了得到更好的匹配结果,给出了基于特征约束的图像点匹配算法,首先利用基于边缘特征技术得到特征点,再利用两阶段匹配算法,第一阶段主要是以特征匹配和区域匹配相结合的方法得到候选匹配点对,第二阶段对候选匹配点对进行对称性测试,以去掉部分误匹配点.实验结果表明,匹配速度较快,效果良好,有一定的使用价值.     

基于双视点立体系统的特征点匹配物体跟踪算法研究

在双视点立体系统中,运动物体跟踪是计算机视觉中一个热门的研究领域.为了精确地获得运动物体的像素点,我们提出了一个新的物体跟踪算法:首先计算运动物体的特征点,然后对其进行匹配,最后连接匹配的特征点并形成轨迹.算法在分辨率为640×480和768×576的视频文件中进行.结果表明:与L-K光流法相比,新算法可以更鲁棒性地检测运动物体并获得更精确的运动轨迹.     

基于注册和多尺度表观模型的三维头部跟踪

针对人体大范围运动下的头部姿态跟踪问题,提出一种基于尺度不变特征变换（SIFT）局部描述符注册和多尺度表观模型的三维头部姿态跟踪方法.基于SIFT局部描述符的注册算法通过在两帧灰度图像间进行特征点匹配计算两帧间的头部运动,在两帧人脸图像的尺度有一定变化时仍可得到精确结果.多尺度视角表观模型可以减少大范围跟踪时的误差累积,该模型在线选取具有不同头部姿态的关键帧,并通过多次注册的方法来减少当前帧的误差累积.实验结果表明,该方法不仅跟踪结果准确（均方根（RMS）误差为4 °）,而且在人体前后运动约1 m和头部进出摄像机视角情况下均很鲁棒.     

深度学习辅助上行免调度NOMA多用户检测方法

针对上行免调度非正交多址接入（NOMA）场景中多用户检测的问题,通过结合传输数据的符号特征,提出基于深度神经网络（DNN）的联合活跃用户检测和数据检测框架. 考虑更一般化的实际场景,即用户在每个时隙中随机活跃. 将DNN求解结果作为改进的正交匹配追踪(OMP)算法先验输入,修正提升活跃用户检测和数据检测性能. 仿真结果表明,提出的多用户检测方案比传统的贪婪追踪及动态压缩感知（DCS）多用户检测算法具有更好的用户活跃性及数据检测性能.     

结合注意力与特征融合的目标跟踪

全卷积孪生网络通过相似性学习解决目标跟踪问题,其算法受到了越来越多的关注.为了提取更有判别力的目标特征,提升跟踪的精确度和鲁棒性,提出了一种结合注意力机制与特征融合的目标跟踪模型.首先,将第一帧和当前帧的前一帧结合作为目标模板,利用共享的特征提取网络提取目标模板和当前帧的多个卷积层的特征;然后,对于目标模板的多层卷积特征,结合通道注意力机制处理,提升模板特征的判别力;最后,目标模板的特征与当前帧的特征进行互相关计算,得到响应图,从而获取预测目标在当前帧中的位置和尺度.最终实验结果表明,与几个先进的跟踪模型相比,提出的目标跟踪模型获得了比较有竞争力的性能.     

一种鲁棒的电子稳像系统

基于特征点跟踪的全局运动估计和利用Kalman滤波的运动补偿,提出一种鲁棒的电子稳像系统．首先,提取特征点的局部信息以估计全局运动,其中各特征点的跟踪是通过特征窗匹配来完成的,同时根据特征点集间具有稳定相对位置的结构特征,提出距离准则,对特征匹配进行验证,来去除前景运动点或误匹配点(即局部特征点)．然后,将所有验证后的匹配点对(全局特征点)带入运动模型,并利用Levenberg-Marquardt进行最优化迭代,求出全局运动矢量． 最后,对原始运动矢量序列进行Kalman滤波,提取抖动参数以补偿图像．实验结果表明,该系统可以处理图像序列的平移、旋转和缩放等抖动,并且对于场景中的局部运动有良好的鲁棒性．     

基于概率图模型目标建模的视觉跟踪算法

提出了一种视觉跟踪任务中基于局部特征和概率图模型的目标建模方法,将目标表示为一组具有仿射不变性的区域特征,并通过概率图模型描述特征之间的空间约束关系。在目标跟踪过程中,首先在空域上利用信任传播算法,推断概率图模型中各个特征的状态,然后根据推断的结果设计改进的重要性采样函数,采用粒子滤波算法在时间域上对目标进行跟踪。为了适应目标在运动中的变化,模型根据特征的稳定程度自适应地进行更新。实验结果表明,该方法具有较强的鲁棒性,能够有效实现复杂场景下的目标跟踪。