动态场景下的基于SIFT和CBWH的目标跟踪

针对动态背景下的目标跟踪,提出了基于SIFT特征和CBWH特征的卡尔曼跟踪算法。算法利用卡尔曼滤波器预测目标的大概位置;在所在位置区域内提取SIFT特征,与第一帧和前一帧进行特征匹配,并投票获得候选目标位置;利用CBWH特征获得目标可能位置;将二者位置加权对卡尔曼滤波器预测值进行修正,得到目标位置。实验表明,所提算法取得了较好的实验结果。     

基于SIFT特征匹配算法的目标跟踪及视频采集与传输研究

为了有效解决复杂背景情况下运动物体的跟踪问题,提出了一种基于SIFT特征匹配算法的目标跟踪方法。通过构建Do G尺度空间、FIFT特征点检测、特殊点描述子算法、特征点匹配将参考图像和待匹配图形进行SIFT特征点匹配,实现目标跟踪;并通过视频采集模块和无线传输模块将采集的目标图像进行无线传输。实验结果表明:SIFT特征匹配算法可对复杂环境中的目标信息进行有效跟踪。     

基于动态阈值背景差分算法的目标检测方法

提出了基于动态阈值的背景差分算法、滤波算法和目标区域中心求解算法,并且将这种目标检测方法应用在视觉系统中进行目标检测与跟踪实验,实验结果证明了该目标检测方法的有效性和可靠性．     

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。     

基于分块与前景/背景信息的MeanShift目标跟踪

针对经典Mean Shift跟踪算法在目标遮挡和复杂背景情况下易造成目标漂移甚至丢失的缺点,该文研究了基于分块与前景/背景信息的Mean Shift跟踪方法.首先根据实际目标尺寸对跟踪窗口进行分块,然后对每个子块独立进行Mean Shift跟踪,最后按照一定的准则融合每个子块的跟踪结果以确定整体目标的位置.并且,通过目...     

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。     

基于视频图像的目标跟踪系统设计

研究在简单的背景下实现对图像的识别和跟踪。系统以ARM微处理器STM32为主控制器。在分析了驱动电机和目标环境等因素的基础上,选择摄像头捕捉、采集图像并跟踪目标,通过合适的图像识别算法正确地处理图像信息、识别目标。通过对水平和垂直驱动电机的控制,实现三维目标跟踪。能够实现系统对目标的大范围,高精度的自动跟踪。     

摄像机运动下的动态目标检测与跟踪

研究摄像机运动情况下的运动目标检测和跟踪问题.给出了一种基于块匹配的背景运动补偿差分方法.将此算法和对称差分法结合,给出了一种动摄像机的运动目标跟踪方法,以复杂场景下的人为跟踪目标进行了实验.取得了不错的跟踪效果.实验结果表明,该方法不仅消除了摄像机运动给目标检测造成的影响,而且检测提取的目标比较完整.该方法实现了对运动目标的大角度跟踪,在单摄像机的视频监控系统中有一定的实用价值.     

基于仿人智能控制的机器人动态目标跟踪

基于仿人智能控制理论,设计了轮式机器人动态目标跟踪控制方案.通过特征提取与识别对机器人感知状态空间进行划分,建立感知模态,结合多种控制方法,构成不同的控制模态,并利用产生式规则使不同的感知驱动相应运动控制.以中型机器人Frontier-I为例,进行了仿真与实物控制实验,并与传统PID进行对比.结果表明该算法具有较好的轨迹优化和快速响应能力.     

一种基于多特征融合的视频目标跟踪方法

针对复杂场景下多特征跟踪算法适应性不强的问题,提出一种多特征有效融合和更新的目标跟踪方法.该方法首先在粒子滤波框架下采用加权融合的方式对目标进行多特征观测和相似性度量,通过分析粒子的空间集中度和权值分布建立一种有效的融合系数计算方法,使融合结果更加准确可靠.然后选取可信度高的特征检测遮挡,并动态调整目标模型的更新速度,以降低算法受目标变化和部分遮挡的影响.实验证明该方法对复杂的跟踪场景具有更强的鲁棒性,并适用于目标被遮挡时的跟踪.     

一种基于视频预测的红外行人目标跟踪方法

红外视频与普通彩色视频相比易受周围环境的影响,在红外行人跟踪中行人目标外观轮廓和灰度分布常有较大幅度变化,导致跟踪困难.为解决此问题,本文提出了一种VPSiamRPN（Video Prediction with Siamese Region Proposal Network）红外行人目标跟踪系统.在SiamRPN（Siamese Region Proposal Network）网络的基础上,针对目标形变、目标遮挡和背景杂波等严重影响红外跟踪效果的因素进行研究,设计将PredNet (Deep Predictive Coding Networks for Video Prediction and Unsupervised )网络的图像预测功能结合应用到SiamRPN网络上,以提高跟踪模板与被检测目标的相似度,增强目标跟踪中的模型匹配能力,从而提高对红外行人目标的跟踪能力.通过改变网络层数、预测所用的目标图像及图像帧数、网络的跟踪策略,对网络进行优化,设计了9组对比试验,在PTB-TIR数据集上,与SiamRPN网络客观定量对比,通过跟踪的成功率和重叠率在10种属性上对网络进行评估.实验结果表明:本文网络对红外目标的识别在热交叉、强度变化、遮挡和尺寸变化等多种属性上的跟踪成功率和重叠率均较SiamRPN网络有较大提高,显示出对红外行人跟踪的良好性能,在这一领域将有广阔的应用前景.     

Moving object detection method based on complementary multi resolution background models

A novel moving object detection method was proposed in order to adapt the difficulties caused by intermittent object motion, thermal and dynamic background sequences. Two groups of complementary Gaussian mixture models were used. The ghost and real static object could be classified by comparing the similarity of the edge images further. In each group, the multi resolution Gaussian mixture models were used and dual thresholds were applied in every resolution in order to get a complete object mask without much noise. The computational color model was also used to depress illustration variations and light shadows. The proposed method was verified by the public test sequences provided by the IEEE Change Detection Workshop and compared with three state-of-the-art methods. Experimental results demonstrate that the proposed method is better than others for all of the evaluation parameters in intermittent object motion sequences. Four and two in the seven evaluation parameters are better than the others in thermal and dynamic background sequences, respectively. The proposed method shows a relatively good performance, especially for the intermittent object motion sequences.     

基于策略梯度的目标跟踪方法

针对目标跟踪过程中的遮挡、形变和快速运动等问题,提出基于策略梯度的目标跟踪方法. 该方法利用策略梯度算法训练策略网络. 该策略网络能够根据当前跟踪结果的可靠性进行动作决策,以避免错误的模板更新或者重新检测丢失的目标. 在决策过程中,通过计算加权置信度差值分析当前跟踪结果的鲁棒性和准确性,使得策略网络能够更准确地评估跟踪结果. 在重检测过程中,提出有效的重检测方法,对大量的搜索区域进行过滤,大大提高了搜索效率,利用决策模块检验重检测结果,确保重检测结果的准确性. 利用提出的算法在OTB数据集及LaSOT数据集上进行评估. 实验结果表明,提出的跟踪算法在原算法的基础上提高了2.5%~4.0%的性能.     

基于SIFT算法的图像匹配方法

依据Brown的理论,并基于SIFT算法提出了一种有效的图像匹配方法。首先对图像进行高斯和Wallis滤波处理,然后采用简化SIFT算法进行特征点提取,最后通过特征点双向匹配方法实现图像的精确匹配。通过对缺陷版图图像的试验验证了该方法具有匹配点数量多、准确率高、无重复点等优点。将该方法应用于优化线网的自动检测方面得到较好的效果,并为版图的优化打下了基础。     

利用团块模型进行目标跟踪

提出了一种基于局部特征的目标跟踪算法．通过多尺度分析方法,根据颜色和空间上的相似性将目标分割为多个区域,每个区域由一个团块表示,团块包含了该区域所有像素的颜色均值、形状和位置．根据团块特征构造目标的外观模型,定义团块的匹配准则,通过团块匹配进行目标跟踪．由于目标模型是基于局部特征的,并且包含目标的全局空间结构,因此该算法在局部遮挡和目标尺度变化的情况下,依然能够进行准确地跟踪．实验表明该算法能够有效实现复杂场景下的目标跟踪,性能优于Mean-shift算法．     

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。     

基于加权空间直方图的均值漂移目标跟踪

目标模型内的背景像素会造成目标跟踪定位偏差。为了减少背景像素对跟踪造成的定位偏差,首先通过目标区域像素和目标区域周围背景像素的颜色直方图定义了一个加权系数,然后将该加权系数引入到空间直方图的计算中,提出了一种基于加权空间直方图的均值漂移(MS)目标跟踪算法。在此基础上,给出了一种模型更新方法。仿真实验表明,该算法具有很好的跟踪精度,对遮挡具有更好的鲁棒性。