基于模型互更新的多模图像融合跟踪算法

针对复杂环境下引起的目标失跟问题,提出了一种基于模型互更新的可见光与红外图像融合跟踪算法。基于把视觉跟踪问题视为"中心-周围"分类的思想,首先从可见光与红外图像中分别提取目标及周围像素点的特征,然后采用Boosting算法训练得到跟踪模型。基于分类结果计算像素点的置信度,采用决策级融合方法得到似然图像,通过均值漂移算法估计目标位置。最后在Co-Training框架下结合目标跟踪结果进行模型的互更新。实验结果表明,该算法提高了跟踪的鲁棒性,有效利用了多模图像的信息。     

基于各向异性核函数的均值漂移跟踪算法

均值漂移算法是一种将迭代轨迹滑向局部邻域内均值的迭代算法,已应用于目标跟踪领域。传统的均值漂移算法通常采用各向同性核函数进行跟踪,但视频序列中的跟踪目标的结构随时间而变化,尤其当目标结构快速变化时,基于各向同性核函数的均值漂移跟踪算法常常会导致目标的丢失。该文采用各向异性核函数均值漂移算法实现目标跟踪,由于该核函数的形状、大小、方向能自适应于目标局部结构的变化,保证了跟踪效果的稳定性和鲁棒性。实验结果证明该算法是有效的。     

基于多传感器融合的运动目标跟踪算法

为了提高多传感器下运动目标跟踪的准确性和实时性,提出了基于多传感器融合下的运动目标跟踪算法。首先采用多个传感器对运动目标的信息进行采集和融合;然后采用混合高斯算法对运动目标的背景进行建模,并采用均值漂移算法实现运动目标跟踪;最后采用仿真实验对算法的性能进行测试。测试结果表明,该算法可以准确地对运动目标实时动态跟踪,提高了目标跟踪的精度。     

一种改进的Mean Shift运动目标跟踪算法

首先研究了Mean Shift算法(均值漂移算法),针对Mean Shift算法在跟踪视频运动物体应用中的不足,提出了将卡尔曼滤波预测的窗口和三帧差法提取的窗口通过加权的方式,产生一个新的检测窗口作为均值漂移算法的检索窗口,同时对核函数带宽和目标模型进行更新。实验表明经过优化的算法,对运动物体跟踪有了明显的改进,有了更好的鲁棒性。     

基于Kalman滤波的均值漂移目标跟踪算法

为解决目标追踪中目标被遮挡的问题,文中设计了一种基于卡拉曼滤波的均值漂移目标跟踪算法。在选定目标的情况下,利用均值漂移算法迭代求得目标的位置,当目标被遮挡时,根据前一时刻目标的位置和速度等信息采用卡尔曼滤波预测,得到目标的位置。实验结果表明,该算法在有遮挡的情况下,准确性和实用性更强     

自适应位置融合的目标跟踪算法

为提高分层卷积特征目标跟踪算法的实时性和鲁棒性,文中提出了一种基于多个相关滤波器预测位置自适应融合的实时目标跟踪算法。该算法首先提取VGG-19网络的Pool4层卷积特征,通过特征均值比对多通道的特征图进行裁剪,提高算法速度。然后利用不同高斯样本分布训练多个相关滤波分类器,并对所有分类器预测的目标位置进行自适应融合,提高算法对目标姿态变化的鲁棒性;最后采用稀疏模型更新策略,进一步提高算法速度。在OTB100标准数据集上测试本文算法, 实验结果表明,该算法的平均距离精度为86.3%,比原分层卷积特征跟踪算法提高了2.6个百分点,在目标发生遮挡、形变、相似背景干扰等情况时具有很好的鲁棒性;平均跟踪速度为45.2帧/s,是原算法的4倍,实时性能良好。     

粒子滤波和均值漂移相结合目标跟踪算法

采用粒子滤波算法解决运动目标跟踪中非线性非高斯问题。将均值漂移算法嵌入到粒子滤波的采样阶段中,通过将每个粒子聚集到所在区域的局部极值,提高了采样粒子的使用效率。当发生目标遮挡时采用改进的粒子滤波算法,当无遮挡时采用均值漂移算法以提高速度。实验结果表明,该方法较传统单一算法具有较强的实时性和鲁棒性,能够有效实现在遮挡场景下的目标跟踪。     

基于模糊聚类和粒子滤波目标跟踪算法研究

针对非线性的目标跟踪采用了基于模糊聚类和粒子滤波的混合跟踪算法,取得了优于卡尔曼滤波跟踪的良好效果.首先利用模糊C均值聚类算法对采集的数据进行基于目标的隶属度的分类,然后利用粒子滤波算法对目标进行位置估计.仿真结果表明:非线性视频跟踪中混合算法对目标的跟踪效果要好于卡尔曼滤波算法,降低了跟踪误差.     

融合梯度和色度信息的分块均值漂移目标跟踪

针对在相似颜色干扰场景下传统均值漂移目标跟踪鲁棒性差的缺陷,提出Prewitt梯度和色度信息融合的分块均值漂移跟踪算法。首先,对跟踪框进行分块,并提取当前帧各子块特征;其次,利用Bhattacharyya距离计算参考目标区域与候选区域间各子块对应的相似程度,根据其相似程度分配各子块的权值,并通过融合规则对各子块相应特征进行融合构成新子块特征,在此基础上,将子块特征选择串接方式作为最终目标特征;最后,采用均值偏移原理迭代估计最终目标位置信息。实验结果表明,当场景中存在相似颜色干扰的情况下,相对于经典均值漂移算法,其准确度提高了84%左右。     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

多特征自适应均值漂移算法的目标跟踪

针对传统均值漂移(mean-shift)算法存在 对目标 特征描述不完整、目标模型不能动态更新、无法解决目标遮挡 等问题, 本文提出多特征自适应均值漂 移算法的目标跟 踪。首先利用人体躯干侧影改进模型核函数,采用目标颜色特征与纹理特征建立目 标直方图模型,提高算法对目标描 述能力;提出选择性模型更新策略,自适应地调整目标模型,改善了传统整体更新策略由于 过度更新导致的跟踪发散;最后 利用扩展卡尔曼滤波 (EKF,extend Kalman filter) 提取目标运动特征确定目标位置。与传统算法相比,本文所提算法能在背景 干扰条件下准确跟踪目标;同时, 图像处理平均速度 达140frame/s ,满足实时性要求。实验结果表明,本文算法可以实时准确地 跟踪目标,对环境干扰、目标遮挡具有鲁棒性。     

边界约束的核密度估计红外人体目标跟踪方法

基于核密度估计的均值漂移算法因其良好的实时性而被广泛地应用于目标跟踪,但传统的均值漂移算法极易因颜色等信息的缺乏而使跟踪不稳定,且目标尺度的变化也不利于目标位置的准确估计,为此,提出了一种具有边界约束的均值漂移红外人体目标跟踪新方法。该方法通过各向异性扩散,并联合红外图像的梯度与亮度信息来获取目标边界,自适应调整核窗宽,从而利用均值漂移策略进行红外人体目标跟踪。实验结果表明,该方法在红外人体目标尺度改变时仍能实现良好的跟踪。     

基于鱼眼镜头的运动目标跟踪

针对运动目标在普通镜头下跟踪视角小,以及在复杂背景下容易丢失的问题,提出了一种基于鱼眼镜头的改进Mean-shift算法。首先通过SIFT算法提取运动目标初始帧,利用卡尔曼滤波算法预测下一帧运动目标位置,进而采用改进的Mean-shift算法进行运动目标的跟踪。实验结果表明利用鱼眼镜头配合本文改进的Mean-shift算法具有良好的跟踪效果,与传统的跟踪方法相比具有大广角、实时性、鲁棒性、准确性等特点。     

基于计算机视觉的艺术体操轨迹跟踪研究

为了解决传统基于卡尔曼滤波算法进行艺术体操轨迹跟踪时存在的跟踪漂移以及跟踪效率低等问题,研究基于计算机视觉的艺术体操轨迹跟踪方法,通过Vi Be运动目标检索算法对图像的颜色以及深度信息建模,基于图像颜色以及深度的波动检测出视频中的运动目标,采用KCF算法实现运动目标的初步跟踪,在该方法的基础上,通过改进KCF算法解决运动目标被遮挡出现的跟踪漂移问题,提高运动目标跟踪的精度和稳定性。通过Hermite插值运算运动目标质心,基于时刻t的运动模糊方向获取瞬时质心轨迹,得到最佳的运动目标质心轨迹,采用曲线拟合措施获取精确的运动目标质心轨迹。实验结果说明,所提方法可准确跟踪艺术体操运动轨迹,具有较高的跟踪效率和稳定性。     

基于改进On-line Boosting算法的视频目标跟踪

针对目前基于在线学习的On-line Boosting 算法用于视频目标跟踪时对于快速移动的目标,容易引起跟踪漂移的问题,提出一种将Surf算法融合于On-line Boosting的Surf-Boosting视频目标跟踪算法。该算法在原先的On-line Boosting算法的基础上增加跟踪漂移判断,对已跟踪漂移的视频帧使用Surf算法进行目标定位,将Surf定位到的目标作为正样本放到后续On-line Boosting算法中继续跟踪学习。实验结果表明,该方法能够很好地抑制原有算法的跟踪漂移问题,在跟踪过程中的正确率达到98%,实现对快速移动目标的正确跟踪,并具有很好的鲁棒性。     

自适应容积卡尔曼滤波在空间机动目标跟踪中的应用

针对目标在线机动时,平方根容积卡尔曼滤波不具有良好的鲁棒性,不能够快速发生响应的问题,提出一种自适应容积卡尔曼滤波(CKF)算法,算法利用CKF的平方根形式进行迭代,即SCKF。将强跟踪滤波算法引入平方根容积卡尔曼滤波,引入渐消因子对滤波发散情况进行检测和抑制,有效克服了空间目标发生机动时标准滤波器无法快速准确对其进行跟踪的问题,提高了空间目标定位跟踪的数值稳定性。仿真表明:与标准SCKF相比,自适应SCKF有效地提高了机动目标被动定位跟踪的鲁棒性,具有较高的滤波精度和稳定性,同时具有良好的实时性,能更好地完成对空间机动目标的跟踪任务。     

卷积神经网络与时空上下文结合的目标跟踪算法

本文所提算法是一种卷积神经网络与时空上下文结合的目标跟踪算法。将卷积神经网络算法融入时空上下文算法框架下,使得跟踪系统整体的鲁棒性有显著提高。引入Kalman滤波来处理目标被严重遮挡时,跟踪框容易漂移的问题。此外,整个跟踪系统采取由粗到精的双重目标位置定位方式,由时空上下文算法实现目标初定位,由卷积神经网络进行目标位置的精确定位。经实验验证,算法不仅稳定性和鲁棒性较好,而且实时性的条件也基本满足。     

各向异性核函数均值漂移目标跟踪算法研究

针对传统均值漂移算法利用固定核或对称核函数进行目标跟踪时出现目标跟踪丢失或跟踪失败的问题,提出了基于各向异性核函数的自适应带宽均值漂移目标跟踪算法,以提高目标跟踪的准确性、实时性.在符号距离核函数的基础上引入符号距离约束函数,构成各向异性核函数,满足目标外部的区域函数值为零,为目标跟踪提供准确的跟踪窗.依据基于各向异性核函数的均值漂移应用到目标跟踪中需满足跟踪窗内的样本点到中心点的向量权重之和为0的思想,计算各向异性核函数模板的均值漂移窗口中心.利用相似度阈值对前后两帧目标模板的变化情况进行限制,实现各向异性核函数模板的自适应更新及目标的准确实时跟踪.实验结果表明所提出算法的准确性和实时性较高.     

基于高斯-厄米特粒子漂移的机动目标跟踪算法

为了提高对机动目标跟踪的实时性,提出了一种将均值漂移嵌入高斯-厄米特粒子滤波器的目标跟踪算法.通过粒子滤波产生一组带权粒子,在高斯-厄米特预测的基础上利用基于颜色直方图分布的均值漂移算法对各粒子进行迭代优化,由于在提高粒子质量的同时有效降低了维持"多峰"假设所需的粒子数,从而保证了算法的精度和效率.实验结果表明文中算法在保持较高精度的同时,大大提高了跟踪的实时性.     

基于YUV颜色空间特征的目标跟踪融合算法

针对遮挡、背景变化等对目标跟踪带来的困难,提出了一种基于YUV颜色空间特征的目标跟踪融合算法.该算法结合卡尔曼滤波和mean-shift算法的优点,并结合一种阈值函数,准确计算目标的最终位置,解决了遮挡、背景变化造成的目标跟丢现象,提高了目标跟踪算法的鲁棒性和准确性.通过实验验证了新方法的有效性和准确性.