高分遥感视频改进型时空上下文目标跟踪

针对时空上下文(STC)目标跟踪算法在高分辨率视频卫星影像中目标经过复杂背景时跟踪准确度过低的问题,提出适用于视频卫星影像数据的改进型时空上下文目标跟踪算法。算法结合感知哈希算法对STC目标跟踪算法中置信图模型加以改进以提升跟踪算法的目标定位精度,使用帧间学习率自适应更新方法以提升跟踪算法准确度。另外,对系列视频卫星影像进行了仿真实验,结果表明,所提算法在保证实时跟踪速度的同时克服了视频卫星影像中复杂背景对目标跟踪算法的干扰,实现了针对高分辨率视频卫星影像的精准目标跟踪。     

基于改进 Mean－shift算法的铲斗目标跟踪

针对挖掘机器人铲斗目标实时跟踪问题,提出了Kalman＋Mean－shift算法的铲斗目标跟踪算法。与Mean－shift算法以及Camshift 算法相比,该算法通过Kalman滤波器对目标位置的预测,解决了跟踪过程中出现干扰时无法跟踪目标的问题。运用OpenCV进行跟踪程序设计,对挖掘机模型的铲斗目标进行跟踪实验,对算法的可行性进行验证。实验结果显示,结合Kalman滤波器的Mean－shift算法能够准确地实施对铲斗目标的跟踪。     

改进核相关滤波器的海上船只目标跟踪

提高海上智能监测水平,为了实现对海上船只目标的跟踪,文中针对典型海况环境下的海上船只目标跟踪问题,提出了一种改进核相关滤波器(Kernelized Correlation Filters,KCF)的船只目标跟踪算法。首先,针对KCF算法的特征,提出船只目标跟踪临界概率的概念,用来判断目标跟踪是否异常;接着,加入卡尔曼滤波模块,用来预测跟踪目标下一时刻的位置;然后,对跟踪异常的目标设计目标跟踪异常处理模块进行处理;最后,针对4组典型的海上目标跟踪场景,通过实验验证了算法的性能。实验结果表明:文中算法在海上船只大幅度晃动、跟踪目标被遮挡、目标出界、目标尺寸变换等复杂情况下,跟踪准确率和速率比原KCF算法分别提高17.23%和7.86%。满足海上目标跟踪精度、实时性、适用性等方面的要求。     

基于前景的分块meanshift跟踪

遮挡问题是目标跟踪的一个难点,有效处理遮挡,特别是严重遮挡和全部遮挡是评价目标跟踪算法优劣的重要指标。Meanshift算法是目前比较流行,算法鲁棒性较好的跟踪算法。但该法过分依赖目标颜色信息,所以当多个运动物体外表颜色相似时,这种算法往往导致跟踪失败,本文对目标物体采用分块跟踪,并结合kalman滤波器进行预测,加速分块meanshift的收敛速度。同时我们引入一个新的前景权值,减弱被背景遮挡的子块对目标跟踪的影响,提高算法的鲁棒性。     

基于非经典感受野抑制的TLD目标跟踪方法

为了提高目标遮挡或存在虚假目标时系统的跟踪精度,提出了一种基于非经典感受野模型(NCRF)的跟踪-学习-检测(TLD)跟踪算法。根据TLD算法的目标跟踪框架,主要研究了Lucas-Kanade跟踪算法、级联分类器和P-N学习;通过分析NCRF的2种抑制特性,即朝向选择性抑制和非朝向选择性抑制,建立了基于NCRF抑制特性的轮廓检测模型;为了提高目标跟踪精度,结合TLD算法和NCRF抑制轮廓检测算法(TLD+NCRF)对目标进行跟踪。通过试验计算与分析,视频跟踪结果表明,TLD+NCRF算法的跟踪效果优于TLD算法。     

均值漂移算法在无人机侦察目标图像跟踪中的研究

通过分析均值漂移算法及改进算法在无人机侦察目标图像跟踪中的应用,采用公式法及文献法对其进行研究。研究结果表明基本的均值漂移算法对比较简单的侦察目标图像跟踪有较多的优点,但对于比较复杂的侦察目标图像跟踪需要使用改进的均值漂移算法。该研究对无人机侦察目标图像跟踪有参考依据。     

基于 JPDA 算法的多机动目标航迹跟踪研究

针对传统多机动目标航迹跟踪算法精度不高的问题,提出基于 JPDA 的多机动目标航迹跟踪算法。首先计算两目标的互联概率,然后对加权值进行处理,最后得到目标航迹,并对航迹进行仿真。结果表明,本文所提出的算法具有较高的跟踪精度,可为多目标航迹跟踪实现提供了参考。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型(IMM)的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计.在工程上,将基于CV和"当前"统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果.     

基于双目标模型的时空上下文跟踪算法

传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性,故目标被长时间遮挡后,目标模型容易被错误更新且难以修正。因此,本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性,并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征,在目标被长时间遮挡后也能准确评估更新内容的有效性,并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明,改进算法在测试数据集上的跟踪成功率为82%,中心偏差为8pixels;在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升,实现了目标的可靠跟踪。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

利用视觉显著性和扰动模型的上下文感知跟踪

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显著性构建目标稀疏显著性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。     

基于运动显著图和光流矢量分析的目标分割算法

为提高运动目标分割算法对多种复杂场景的自适应能力和分割精度,提出一种基于运动显著图和光流矢量分析的目标分割算法。该算法首先基于运动显著图提取运动目标的大致区域,然后利用光流矢量获得运动目标和背景区域的运动边界,并结合点在多边形内部原理得到运动目标内部精确的像素点,最后以超像素为基本分割单元,通过引入置信度的概念实现最终像素一级的目标分割。通过与典型算法进行多场景实验对比,表明该算法能够有效实现多种复杂场景下的运动目标分割,并且较现有算法具有更高的分割精度。     

多尺度显著性区域提取的模板匹配

针对模板匹配过程中强遮挡、剧烈背景变化及物体非刚性形变等难题,本文提出了一种基于多尺度显著性区域提取的模板匹配算法。算法采用多尺度-显著性特征并行提取的方式:一方面利用空间金字塔模型将参考图像中的模板和待匹配图像中的目标区域分割成不同尺度的网格,采用可形变多相似性度量方法(Deformable Diversity Similarity,DDIS)计算不同尺度下的匹配得分;同时,算法提取模板区域的显著性区域图,形成模板区域的显著性得分;随后,利用显著性得分对不同尺度的匹配得分进行加权融合,在融合得到的匹配得分图上寻找最佳匹配区域。算法与取得目前最好结果的DDIS方法相比,AUC(Area Under Curve)指标提升2.9%。实验结果表明,显著性区域提取使匹配方法更加关注目标物体,削弱背景及遮挡物体对其影响,从而增强模板匹配方法对于背景变化及遮挡的抵抗能力。另外,空间金字塔模型能够增强模板匹配方法对于物体不同尺度下的特征提取,如物体的局部轮廓及结构特征等。二者结合有效地提高了匹配精度。     

基于自适应标签和稀疏学习相关滤波的红外目标跟踪算法研究

针对背景杂乱、遮挡、热交叉以及目标形变等复杂跟踪场景下目标跟踪算法出现性能严重退化问题,提出一种基于自适 应标签和稀疏学习相关滤波的实时红外单目标跟踪算法。 首先,根据目标响应情况自适应地构造样本标签,通过自适应标签训 练提升相关滤波器的分类能力,抑制干扰区域对跟踪模型的污染。 其次,加入稀疏学习策略,通过目标响应 L1 范数抑制复杂跟 踪场景下目标响应多峰分布,提高跟踪算法的鲁棒性;与基线算法相比,该算法精度和 AUC 分别提升了 19. 3% 和 39. 8% 。 在数 据集 GTOT、RGBT234 和 VOT-2016TIR 上的实验结果表明,该算法对上述复杂跟踪场景具有良好的应对能力,运行速度超过 35 fps,综合性能优于对比跟踪算法。     

增量深度学习目标跟踪

由于现有目标跟踪算法在复杂环境下易发生目标漂移甚至跟踪丢失,故本文提出了以双重采样粒子滤波为框架,基于增量深度学习的目标跟踪算法。该算法在粒子滤波中引入粒子集规模自适应调整的双重采样来解决粒子衰减及贫化问题,并利用无监督特征学习预训练深度去噪自编码器以克服跟踪中训练样本的不足。将深度去噪自编码器应用到在线跟踪中,使提取的特征集合能够有效表达粒子图像区域。在深度去噪自编码器中添加了增量特征学习方法,得到了更有效的特征集以适应跟踪过程中目标外观变化。该方法还用线性支持向量机对特征集合进行分类,提高对粒子集合的分类精度,以得到更精确的目标位置。在复杂环境下对不同图片序列进行的实验表明:该算法的跟踪综合评价指标为94%、重叠率为74%,平均帧率为13frame/s。与现有的跟踪算法相比,本算法有效地解决目标漂移甚至跟踪丢失问题,并且对遮挡、相似背景、光照变化、外观变化具有更好的鲁棒性及精确度。     

基于区域提案孪生网络的优化目标跟踪算法

为了更好地对目标的尺度进行实时估计,避免多尺度测试及提高目标跟踪的速度和精度,提出了一种新的优化目标跟踪算法。通过将跟踪效果比较好的区域提案网络引入普通的孪生网络,并在算法中引进条形池化模块和高效通道注意力模块,应对物体的尺度差异和跟踪过程中较为剧烈的形变。提出的算法在OTB100数据集上取得了0.833的准确度和0....     

利用最佳伙伴相似性的改进空间正则化判别相关滤波目标跟踪

针对空间正则化判别相关滤波跟踪算法(SRDCF)在目标发生遮挡、尺度变化和形变情况下的跟踪失败问题,提出利用最佳伙伴相似性的改进SRDCF目标跟踪算法。首先,以SRDCF算法为基础,利用双层搜索策略解决目标跟踪中的目标定位问题和尺度估计问题;然后,利用一种新颖的鲁棒模板匹配技术,通过融合空间权重、相关滤波得分和最佳伙伴相似性得分来估计候选目标位置,解决遮挡情况下的目标重定位问题;最后,采用自适应模板更新策略解决遮挡情况下模板漂移问题。本文采用OTB-2013数据集评估本文算法的性能,同时与34种流行算法进行比较,结果表明本文算法的精确度得分和成功率得分分别为0.853和0.648,相比传统的SRDCF算法分别提高1.79%和3.51%。本文算法能很好地解决目标遮挡、尺度变化和形变情况下的目标跟踪问题,具有一定研究价值。     

融入运动信息和模型自适应的相关滤波跟踪

为解决余弦窗的影响和复杂场景中的目标遮挡问题,提出了一种融入运动信息和模型自适应的相关滤波跟踪算法。采用HOG特征和颜色直方图特征互补结合的框架,引入卡尔曼滤波和上下文感知滤波器,可以解决余弦窗的影响;引入一种高置信度检测方法和一种新的模型自适应更新方法,可以解决目标遮挡的问题。将提出的算法在OTB-2015测试集与其他6种相关滤波类算法进行比较,实验结果表明,该算法精确度和成功率分别为0.821和0.615。相对于Staple-CA算法,精确度提升了1.3%,成功率提升了2.8%,同时,算法速度为54.34 帧/s,满足实际工程实时性要求。     

采用多边形质心的相关滤波跟踪位置校正方法

为了解决多个尺度相关响应图最大值对应位置与目标真实位置存在偏差的问题,本文提出了一种采用多边形质心的相关滤波跟踪位置校正方法。首先,本文提出一种相关响应图评价指标对响应图的质量进行评价,并对当前帧跟踪结果进行可信判别;接着,对判别为不可信的跟踪结果采用多边形顶点的质心进行校正,以减少跟踪结果与目标正确位置的偏差。最后,在OTB50、OTB-2015和UAV20L三个基准视频集上对本文算法进行性能评估实验,本文算法在OTB50、OTB-2015和UAV20L的成功率曲线面积分别达到了0.625、0.668和0.429,跟踪精度分别达到了0.844、0.885和0.578。结果表明,与近年来主流的跟踪算法相比,本文算法在多种复杂场景下都取得了较优的成功率曲线面积和跟踪精度。     

应用Rényi熵的显著图生成与目标探测

为了在复杂的地面场景中实现准确的自动目标检测,分析了地面场景图像经二维加窗的伪Wigner-Ville分布(PWVD)后,归一化的Rényi熵与其出现概率间存在的基于e指数的统计特性,以及人造目标的出现引起的地面场景中Rényi熵的统计特性变化,提出了一种新的基于Rényi熵的显著图生成和目标探测方法。对Renyi熵图像进行了均值滤波,然后滤波前后的图像相减得到熵残余图像,并经过高斯滤波获得显著图,最终通过简便的阈值分割,完成目标探测。实验结果表明,该方法对8幅不同场景图像中共计14个目标的探测概率为100%,虚警概率不大于7.1%。与传统方法相比,本文提出的方法能够更为有效地检测复杂地面背景中的军事目标。