基于改进Camshift的运动目标跟踪算法应用研究

CamShift是利用目标颜色信息对目标跟踪的算法,当目标运动过快时,由于运动方向的不确定性,Cam—Shift不能准确跟踪目标,导致跟踪丢失．针对存在的问题,文章在Camshift算法中引入目标运动轨迹预测思想,提出了一种能有效跟踪运动目标的新方法．该方法能准确预测运动目标的位置,减少在算法中搜索目标的次数,进而提高目标跟踪的准确性和速度．实验结果表明,该方法对运动目标能够快速、有效地进行跟踪．     

基于SURF目标跟踪算法研究

SIFT算法是特征图像特征提取中一种最具鲁棒性的算法,但是其在特征提取匹配上速度较慢,很难满足实时目标跟踪的要求。使用SURF特征提取方法既保持了SIFT算法的高精度的优点,又克服了速度慢的缺陷。提出使用SURF提取并且匹配目标的特征点,用重心算法计算目标的脱靶量,通过小区域跟踪方法和高速硬件平台实现目标的实时跟踪。实验证明,算法对目标的轻微旋转、部分遮挡、亮度变化具有很强的鲁棒性,跟踪速度比SIFT算法也极大提高。     

基于CamShift算法的目标跟踪研究

针对传统的跟踪算法无法获取跟踪目标世界坐标值的问题,提出融合SIFT特征点匹配的CamShift目标跟踪算法。运用基于色彩的CamShift算法对目标进行跟踪的同时对跟踪搜索窗口进行SIFT特征点提取和匹配,以获取目标的部分特征点在左右成像平面上的二维坐标值,根据这些坐标值通过视差原理确定目标的空间位置。实验结果显示,该算法在室内简单的背景条件下,能很好地跟踪运动目标且跟踪误差在可接受的范围内。     

成像目标跟踪算法分析

对基于分割的质心跟踪算法、基于提边的差分跟踪算法及特征匹配跟踪算法等主流算法进行了比较分析,引入目标运动的速度、方向、区域面积和长宽等5个特征值,根据它们的相对连续性,分析跟踪算法计算出来的位移视差的可靠性．通过对这些特征值的相应处理,可以加入抗短时遮挡功能,从而大大提高正确跟踪目标的概率．     

基于运动估计的CamShift移动目标跟踪算法

在采用CamShift算法进行移动目标跟踪时,如果目标快速移动或者有遮挡物干扰时,仅利用移动的颜色信息对进行跟踪时容易导致跟踪失败。为了解决该问题,提出了移动目标运动估计和CamShift算法相结合的目标跟踪算法。通过结合削弱背景中含有的目标颜色直方图信息和进行移动目标的运动估计,从而在存在干扰目标或目标部分被遮挡的情况下,仍能实现有效跟踪。最后通过实验验证该算法的有效性。     

基于外辐射源的多目标CMKF跟踪算法研究

为了纠正传统的扩展卡尔曼滤波算法的病态特征,实现实时快速和稳定的定位,提出了一种基于外辐射源的多目标CMKF跟踪算法,并对该算法进行了详细的理论推导.计算机仿真结果证明了上述方法的正确性.     

交互多模型单目标跟踪算法应用分析

给出了交互多模型算法的数学描述，分析研究了IMM算法的性能及其在单目标跟踪中的具体应用．通过理论分析和计算模拟，证明相互作用多模型目标跟踪算法和单模型目标跟踪算法相比，能较好地跟踪机动目标，并能改善非稳态目标的全局跟踪性能．     

一种基于多样性正实例的单目标跟踪算法

单目标跟踪是计算机视觉领域中最具有挑战性的应用场景之一. 针对跟踪过程中目标物体被遮挡以及运动过程中形变、画面模糊等问题,本文提出一种基于多样性正样本实例的单目标跟踪算法,同时缓解了训练样本不足以及样本缺乏多样性的问题. 在离线阶段,本文算法首先使用变分自编码器（Variational Autoencoder,VAE）对原始训练样本进行编码映射到隐空间,然后通过隐空间采样重构生成包含多样性的困难正样本数据,提高训练数据的多元性,并结合原始训练样本构建训练数据集;其次,对于训练序列的目标模板、正负样本,使用概率三元组损失函数训练跟踪网络,深入挖掘正负样本间关联,提高跟踪网络的判别性;在线测试阶段,使用训练的孪生神经网络（Siamese Neural Network,SNN）对目标进行跟踪定位,通过对目标模板和搜索区域执行互相关操作,确定目标在当前时刻的位置. 对比实验结果表明,本文算法提高了SNN跟踪网络在背景相似物干扰、目标物体运动过程中形态变化、快速运动、旋转、模糊以及被遮挡情况下的鲁棒性和定位准确性,并保持了实时的跟踪表现.     

Research on biomimetic pattern recognition for object adaptive tracking algorithm

A new method for image object recognition and tracking based on Biomimetic Pattern Recognition (BPR), which can automatically change the size of the object, is proposed. To accomplish the learning process of the sample objects with different sizes, an artificial neural network model is used to cover the training sample. The curve fitting method based on the Radial Basis Function (RBF) neural network is presented to approximate the size of the objects in the coverage of the network formed by BPR theory in order to change the size of the object automatically. The Quadratic Minimum Distance algorithm based on the Euclidean distance is applied to search the target in the process of object recognition and tracking. Experimental results and theoretical analysis show that the algorithm proposed in this paper is more effective and robust in object recognition and tracking of video image sequences than the BP neural network.     

基于自适应模板相关跟踪算法的研究

目前相关跟踪技术已经在目标识别领域得到了非常广泛的应用,该论文提出一种基于自适应模板的相关跟踪算法,该算法弥补了固定模板的不足,提高了跟踪的稳定性,尤其适合于复杂背景下连续图像的跟踪。     

The tool for building an NN based on improved BP algorithm

0　ＩＮＴＲＯＤＵＣＴＩＯＮＢａｃｋ ｐｒｏｐａｇａｔｉｏｎＡｌｇｏｒｉｔｈｍ (ＢＰ)ｉｓａｖｅｒｙｕｓｅｆｕｌａｌｇｏｒｉｔｈｍｉｎｍａｎｙａｓｐｅｃｔｓ.Ｂｕｔｉｔｈａｓｔｈｅｆｏｌｌｏｗｉｎｇｐｒｏｂｌｅｍｓ:①Ｔｈｅｌｏｃａｌｌｅａｓｔｐｒｏｂｌｅｍｉｎｅｖｉｔａｂｌｅｄｕｅｔｏｉｔｓｎｏｎ ｌｉｎｅａｒｏｐｔｉｍｉｚｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃ②Ｔｈｅｓｌｏｗｃｏｎｖｅｒｇｅｎｔｓｐｅｅｄ③Ｌａｃｋｏｆａｃａｄｅｍｉｃｇｕｉｄａｎｃｅｆｏｒｔｈｅｈｉｄｄｅｎｎｏｄｅｓ’ｎｕｍｂｅｒｃｈ…     

基于遗传算法和粒子滤波器的非刚性目标跟踪

基于目标颜色特征,将遗传算法和粒子滤波器相结合进行非刚性目标的实时跟 踪：一般情况下,采用遗传算法跟踪目标,以最优个体作为目标状态;当发生较严重遮挡时,最优个体不一定是目标的真实状态,利用粒子滤波器的思想,以各个体的加权平均作为跟踪结果来克服遮挡影响.实验结果表明该混合算法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于遗传算法和粒子滤波器的非刚性目标跟踪

基于目标颜色特征，将遗传算法和粒子滤波器相结合进行非刚性目标的实时跟踪：一般情况下，采用遗传算法跟踪目标，以最优个体作为目标状态；当发生较严重遮挡时，最优个体不一定是目标的真实状态，利用粒子滤波器的思想，以各个体的加权平均作为跟踪结果来克服遮挡影响。实验结果表明该混合算法具有较强的鲁棒性，能有效实现复杂场景下的目标跟踪。     

基于校正神经网络的视频追踪算法

针对现有基于深度学习的视频追踪算法关注深层特征而忽略浅层特征以及追踪网络没有对每帧追踪结果进行检测的问题,提出基于校正神经网络的视频追踪算法。该算法包含追踪网络和校正网络。在追踪网络中,考虑到深层特征和浅层边缘特征的融合,设计一个多输入的残差网络,学习目标和对应的高斯响应图之间的关系,从而获得目标对象的位置信息。在校正网络中,设计浅层链式判别网络,将两个网络的追踪结果进行比较,根据比较结果对追踪网络进行在线更新。本算法既考虑了深层特征,又避免了细节信息的丢失;同时,对追踪结果进行评判,防止网络更新中延续错误信息。对比试验说明本研究所提的追踪算法比现有的一些追踪方法取得更好的追踪结果。     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器.由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高.将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器.算法在matlab中实现,对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率.     

正交投影神经网络的BP和GS杂交学习算法

主要讨论具有单隐层的正交投影神经网络的权值和阈值的学习问题,提出了一种新的将BP算法和GS算法相结合的杂交学习算法,其中GS算法对隐层到输出层的权值和阈值进行学习,BP算法用于输入层到隐层权值的学习,并给出一种最佳的隐层节点数的选取方法．仿真实验表明,该杂交学习算法具有学习速度快且能获得全局最优解的特点,并可有效地对学习过程中出现的病态情况进行求解,具有良好的普适性。