一种改进的移动机器人视觉跟踪算法研究

运动物体的实时跟踪是移动机器人视觉的关键技术之一．为了实现对目标快速有效的跟踪,本文提出了一种改进的移动机器人视觉跟踪算法,该算法在mean shift算法的基础上,利用颜色特征作为视觉跟踪依据,并且引入Kalman滤波进行迭代窗口的预测．实验仿真结果表明,本文算法一定程度上消除了光照条件的影响,而且很好的解决了当目标被遮挡时发生目标跟踪偏差或丢失的问题,具有实用价值．     

基于视觉特性的物体边界跟踪法

本文提出了一个物体边界跟踪的新方法,它在一般的四方向跟踪法的基础上,引进了人眼的视觉特性概念,以期使计算机检测的边界结果与人工目检结果相一致。实验表明,该方法取得了良好的效果,并且有一定的实用价值。     

基于蝙蝠算法的PID控制参数优化技术与仿真研究

PID参数整定是PID控制中的一个重要环节,传统的PID参数整定方法已经不能完全适用。为提高PID参数优化精度,解决传统PID参数整定时产生的误差较大问题,将蝙蝠算法引入控制系统中优化PID控制参数。通过MATLAB仿真,比较蝙蝠算法、粒子群优化算法和增量式PID控制算法对控制参数优化的性能。实验结果表明：在函数寻优测试中,与遗传算法、粒子群优化算法相比,蝙蝠算法能防止陷入局部最优,使种群更加稳定并达到更好的收敛速度和寻优精度;在PID控制参数优化中,与粒子群优化算法、增量式PID控制算法相比,蝙蝠算法优化PID控制参数的实际输出曲线最贴近理论输出曲线,稳定性更好。     

一种基于ResNet网络特征的视觉目标跟踪算法

针对复杂场景下目标容易丢失的问题,提出了一种基于深度残差网络（ResNet）特征的尺度自适应视觉目标跟踪算法.首先,通过ResNet提取图像感兴趣区域的多层深度特征,考虑到修正线性单元（ReLU）激活函数对目标特征的抑制作用,在ReLU函数之前选取用于提取目标特征的卷积层;然后,在提取的多层特征上分别构建基于核相关滤波的位置滤波器,并对得到的多个响应图进行加权融合,选取响应值最大的点即为目标中心位置.目标位置确定后,对目标进行多个尺度采样,分别提取不同尺度图像的方向梯度直方图（fHOG）特征,在此基础上构建尺度相关滤波器,从而实现对目标尺度的准确估计.在视频集OTB100中与其他6种相关算法进行了比较,实验结果表明,所提算法取得了较高的跟踪成功率和精确度,能够较好地适应目标的尺度变化、背景干扰等复杂场景.     

基于精英候选池的蝙蝠算法

针对蝙蝠算法搜索后期容易陷入局部最优,从而导致算法精度不高、停滞等不足,提出了精英候选池策略为每只蝙蝠选取待追随的最优蝙蝠,从而增强了种群的多样性,避免算法过早成熟。在10个Benchmark测试函数中进行仿真实验,实验结果表明,基于候选池的蝙蝠算在在收敛精度和速度上都有较大的提高。     

一种新的快速相关精跟踪算法

文中针对瞄准吊舱中前视红外成像跟踪的工作状态，提出了一种新的相关跟踪算法。该算法采用一维直方图快速搜索和二维多级亚采样精定位方案，使算法的实时实现成为可能。该算法还科像系列的相关性。采用隔帧修正累积误差的方法，有效地提高了系统的跟踪精度。最后，给出实验结果，结果与理论相符。     

基于各向异性高斯分布的视觉跟踪算法

为了提高使用传统特征的有效卷积操作算法（ECOhc）的跟踪性能,提出基于各向异性高斯分布的视觉跟踪算法. 该方法根据不同目标的形状比构造水平和垂直方向上带宽不同的各向异性高斯函数,利用该函数训练跟踪器预测目标位置,提高算法的跟踪精度;提取颜色直方图特征跟踪预测新的目标位置,并在决策层加权融合2个预测位置,进一步提高跟踪精度. 在标准数据集OTB-100、VOT2016中测试算法,本研究算法在数据集OTB-100上的平均距离精度为89.6%,平均重叠率为83.7%,比ECOhc算法分别提高4.67%、6.62%;本研究算法在数据集VOT2016上的平均期望重叠率为33.3%,比ECOhc算法提高3.42%. 所提算法能有效提高目标跟踪的精度,在遇到遮挡、光线变化、变形等干扰时仍能稳定跟踪目标.     

基于立体视觉平台的彩色图像视觉跟踪

在彩色图像视觉跟踪过程中,存在定位精度低、伺服周期长、可靠性差等问题.提出了一种改进的目标物体检测方法,同时运用已有的双目运动机构建立了视觉跟踪系统.在保证定位精度和可靠性不变的前提下,减小了图像处理过程中的计算量,缩短了整个系统的计算周期.同时通过大量的试验进行验证.结果表明,方法原理正确有效,对于具有不同颜色、不同形状、不同尺寸的运动目标物体都能够使双目运动机构跟随目标物体进行,实现了立体视觉平台的旋转运动.     

一种基于计算机视觉的螺肇焊管焊缝自动跟踪系统

根据钢管生产厂提出的要求,设计并研制了一种基于计算机视觉的螺旋管焊缝自动跟踪系统,系统以ＣＤＥＤ摄砂为传感器件,运用计算机视觉技术对获取的图像信息进行处理,并以视觉伺服的方式实现螺旋管焊自动跟踪,介绍了系统的工作原理及总体结构,并详细最为加强工控机信号处理能力而设计的并行高速信号处理单元（ＤＳＰ从系统）和采用多尺度小波变换实现模糊图像边缘检测的算法及其对实际焊缝图像的处理效果。     

基于带权重多样例学习的视觉跟踪算法

原始在线加权的多示例学习跟踪假设每个示例是独立且在包中的贡献均相同,同时为所有正样本赋予相同的权重,这不符合"包中的示例与目标位置的远近,对目标贡献程度是不一样"的事实.再加上原始算法采取单一特征无法准确和全面地表示目标包中所包含的示例,从而影响了跟踪算法的鲁棒性.针对原始算法的这些问题,提出一种基于带权重多样例学习的视觉跟踪方法.该方法同时融合多特征(HOG特征和Haar特征),在多示例学习框架下同时训练分类器,并通过样本特征相似度的比较来赋予不同的权重.对不同场景的图像序列进行实验,通过在公共测试集上与多种主流算法做对比,显示这样得到的目标外表模型对于前景和背景具有更高的区分能力.结果表明:该算法具有更高的准确性和更强的适应性,可以有效克服传统多示例学习中的分类器退化问题.     

基于不确定分解子空间约束光流的柔性目标点跟踪

提出一种基于不确定分解子空间约束光流的柔性目标点跟踪算法,通过不确定分解理论将多帧多点光流估计矩阵变换到各向同性的具有超球状方差分布的空间中,在此变换空间中引入SVD分解得到最小均方意义下的子空间光流逼近,有效地减轻了传统L-K算法的孔径问题、深度不连续点的估计问题及长序列视频的漂移问题。标准测试序列和消费类USB摄像头采集的测试序列的实验结果都证明算法能有效地跟踪长视频序列中具有2-D和1-D甚至基本没有纹理的具有退化结构的柔性目标点。结果还可应用于柔性目标理解并可以作为半稠密的点对应来解决SFM中的对应点求解问题。     

一种多特征和动态权重策略的目标跟踪算法

传统的单一特征很难准确描述目标的外观特征，无法对目标进行大范围的精确跟踪。针对这一问题，提取卷积特征和颜色直方图特征分别训练相关滤波模型，并提出了一种动态权重策略可自适应地融合两种特征响应图。在模型更新方面，引入目标周围的背景信息，共同训练相关滤波器。将该算法在OTB2013和OTB2015数据集上进行了测试。实验结果表明，该算法可以有效地提高跟踪的准确性和成功率。     

TLD目标追踪算法研究

文章利用一个二值分类器、P-N分类器来改善未标记的数据的分类。P-N分类器需要利用数据集进行模型的学习,学习过程是通过正样本和负样本的约束,P-N分类器被用于目标检测以及追踪的在线学习。试验表明,利用P-N分类器的学习算法能够从一段未标记的视频序列检测、追踪指定目标。     

在线低秩稀疏表示的鲁棒视觉跟踪

基于L₁最小化的鲁棒视觉跟踪算法（L₁跟踪算法）使用图像灰度值特征描述目标,忽略了模板间的结构信息,对目标外观变化的建模不够准确,导致跟踪准确度较低。而且L₁跟踪算法为了平衡跟踪速度和跟踪效果而采用分辨率较低的12×15图像块,难以获取足够的信息来表征目标。针对L₁跟踪算法的不足,该文提出一种在线低秩稀疏表示的视觉跟踪算法。首先,该算法充分利用主成分分析（PCA）基向量对目标外观变化的表示能力并考虑目标遮挡现象,以PCA基向量模板描述目标外观变化,以琐碎模板处理遮挡等异常噪声,从而将候选目标表示为PCA基模板和琐碎模板的线性组合。其次在目标表示模型的优化问题中,对PCA基模板系数进行低秩约束和L_1,1范数正则化约束,对琐碎模板系数实施L_1,1范数约束,并采用非精确增广拉格朗日乘子（IALM）方法求解表示系数。然后在粒子滤波框架下,用目标未被遮挡部分的重建误差和稀疏误差项建立观测模型跟踪目标。最后为了克服模型漂移问题,采用遮挡检测更新机制进行模板更新。在对8组视频图像序列进行测试的实验中,图像块分辨率设定为32×32,与4个现有的跟踪算法相比,该算法取得了最高的平均重叠率0.78和最低的平均中心误差4.05。实验结果表明,该文提出的跟踪算法具有较好的跟踪准确性和鲁棒性。     

高稳定性相关跟踪算法的实现

为了使算法更适应实际系统的要求,并能在实时系统中应用,研制了能自动给４个模板与实时图像进行相关后的最佳匹配的位置的相关器,通过软件试验,验证了多板相关算法的实用性,并通过对多种类型目标的对比实验,指出了正８像素重叠的四板能较好的兼顾跟踪小大目标。     

Robust Visual Tracking with Hierarchical Deep Features Weighted Fusion

To solve the problem of low robustness of trackers under significant appearance changes in complex background, a novel moving target tracking method based on hierarchical deep features weighted fusion and correlation filter is proposed. Firstly, multi-layer features are extracted by a deep model pre-trained on massive object recognition datasets. The linearly separable features of Relu3-1, Relu4-1 and Relu5-4 layers from VGG-Net-19 are especially suitable for target tracking. Then, correlation filters over hierarchical convolutional features are learned to generate their correlation response maps. Finally, a novel approach of weight adjustment is presented to fuse response maps. The maximum value of the final response map is just the location of the target. Extensive experiments on the object tracking benchmark datasets demonstrate the high robustness and recognition precision compared with several state-of-the-art trackers under the different conditions.