基于卡尔曼滤波的移动机器人运动目标跟踪

提出了一种基于卡尔曼滤波的运动目标快速跟踪算法。针对复杂背景下彩色运动目标跟踪问题,采用基于颜色特征和形状特征相结合的方法进行目标识别。利用卡尔曼滤波器的预测功能,预测运动目标在下一帧中的位置,将图像全局搜索问题转换为局部搜索,提高了系统的实时性。实验结果表明:该算法满足移动机器人运动控制的实时性要求,实现了对运动目标的快速跟踪。     

采用弱预测机制的人体运动跟踪算法

快速运动和自遮挡是人体运动跟踪的难点所在 .为此提出了一种采用弱预测机制的人体运动跟踪算法 .该算法首先通过全局搜索 ,确定候选人体特征集 ;然后建立特征的色彩、运动等属性的时变模型 ,构造贝叶斯分类器 ,实现特征对应 ;最后根据人体特征层次模型 ,检验特征匹配 ,并实现被遮挡特征的定位 .为提高跟踪效率 ,采用了基于图象多分辨率表示的特征搜索算法 ,由低分辨率图象通过全局搜索来获取初始候选特征集 ,然后在高分辨率下 ,不断改善候选特征精度 .实验结果表明 ,该算法能实现对快速人体运动的跟踪并有效解决自遮挡问题 .     

视频序列中人体运动目标的检测与跟踪研究

提出一种视频序列中人体运动目标的精确检测、提取以硬跟踪算法。该算法采用帧间差闽值法（简称TIFD）实现快速精确地检测和提取目标,使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域,缩小了目标跟踪时的搜索范围。充分利用运行目标检测的结果,提高了目标的匹配效率及跟踪速度。同时给出了相应的实验结果,结果表明方法是比较实用的,能满足人体运动分析的基本要求。     

基于TLD改进的自动人体检测与实时跟踪算法

首先提出一种运动人体检测算法,通过图像序列识别出运动人体作为跟踪目标,然后在TLD算法中引入目标轨迹预测,利用该信息来辅助空间搜索。运动人体检测算法首先采用背景减除和边缘检测算法获得完整目标轮廓,然后使用HU仿射不变矩检测出运动人体,该特征能适应目标旋转、尺度、仿射等变化场合。为提高跟踪实时性,在TLD框架中引入卡尔曼轨迹预测,并先在预测位置邻域搜索。实验结果表明,该运动人体检测算法能够在静态和动态背景下准确地检测出运动人体;改进后的TLD算法与原始算法相比,在准确率不降低情况下,降低了计算复杂度。     

交互式多模型算法的MT-R机器人视觉跟踪

针对机器人的视觉跟踪问题,提出了一种基于交互式多模型算法的视觉跟踪方法。该方法采用HSV颜色模型,通过交互式多模型算法进行滤波估计,获得目标的运动属性。利用交互式多模型算法对目标的位置进行一步或者N步预测,在获得下一帧的观测值后,在预测位置的区域进行目标搜索,可减少搜索区域,节省搜索时间,增加了跟踪的实时性。使用该方法对机器人足球比赛中的红色球进行搜索跟踪。实验结果表明,应用该方法可获得目标的运动属性,能快速搜索到运动目标,并能进行准确跟踪。     

改进的高效Camshift跟踪算法

Camshift是一种应用颜色信息的跟踪算法,它对做加速度的运动物体跟踪效果不够稳定和强壮,从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。该算法使用运动目标加速度运动位移方程预测下一时刻目标可能出现的位置,使用预测位置误差方程估计运动目标搜索范围,并使用IIR滤波器对目标运动速度、加速度等参数自适应地修正。实验证明,改进的Camshift有效地克服了Camshift算法自身的缺陷,即使运动目标做加速运动时,也可准确地预测运动目标的位置,缩小目标搜索范围,进而提高目标跟踪速度。     

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为Mean Shift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高、实时性好、抗遮挡能力强的优点.     

一种时空域联合的机动视频目标精确跟踪方法

提出一种采用Bhattacharyya系数最大化并联合时空域信息的视频目标跟踪方法。时域通过卡尔曼滤波预测目标的运动信息,空域用Camshift算法精确匹配视频目标。由于运动目标机动性比较强,卡尔曼滤波预测的位置和真实位置存在较大的误差,容易导致下一步跟踪失败。采用基于Bhattacharyya系数的由粗到精的核匹配搜索方法,在卡尔曼滤波预测的位置基础上适当扩大搜索范围,通过Bhattacharyya系数最大化确定初始匹配窗口,再用Camshift算法精确匹配视频目标。实验证明该方法对机动快速运动目标具有很高的跟踪精度。     

基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法

针对穿墙雷达运动人体目标图像"闪烁"与"抖动"的特点,提出基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法。首先,针对形成的连续多帧穿墙雷达图像以及对应的颜色概率分布图,引入目标预测过程以确定图像中运动目标搜索波门,消除波门外的杂波干扰;然后,利用颜色概率分布图,在波门内自适应迭代调整目标搜索窗尺度,匹配形状与大小变化的目标图像以提取目标位置;最后,对提取的目标位置进行α-β滤波,形成连续平滑的目标运动跟踪航迹,实现基于穿墙雷达成像的建筑物内运动人体稳定航迹跟踪。多输入多输出（MIMO）穿墙雷达实验结果显示,与传统Camshift和Meanshift算法相比,改进后算法的跟踪航迹误差分别降低了40.99%和43.09%,获得了更加准确和平滑的目标运动航迹。     

基于Mean shift和轨迹预测的目标跟踪算法

针对目标跟踪过程中出现的定位偏差问题,提出了Mean shift和轨迹预测相结合的运动目标跟踪算法.该算法首先根据目标已知位置信息采用最小二乘法拟合运动轨迹并得到预测位置,然后利用Mean shift算法得到目标最终位置.通过计算搜索误差判断是否发生严重遮挡情况,并给出相应处理策略.进行了一系列实验,验证了算法的有效性,并将实验结果与其他算法比较,表明该算法有效地提高了快速运动目标跟踪的精度,具有较强的鲁棒性.     

基于卡尔曼滤波的多区域关联运动目标跟踪

针对视频目标跟踪中的遮挡及跟踪漂移问题,提出一种基于卡尔曼滤波的多区域关联运动目标跟踪算法。该算法将目标划分为多个区域并构建无向图,通过卡尔曼滤波预测出各区域中心,再结合灰度直方图匹配及相邻区域的位置关系,计算出各区域观测中心,最后应用卡尔曼滤波修正观测中心实现跟踪。对两区域人体目标跟踪的实验结果表明,与各区域单独采用Mean Shift跟踪算法相比,所提算法在目标遮挡、目标与背景特征相似的情况下,依然具有较好的鲁棒性和实时性。     

基于卡尔曼滤波的动目标运动参数跟踪测量

为实现雷达的精确制导功能,需要精确的跟踪和测量动目标的各项运动参数,为了提高跟踪测量精度,根据目标运动特性采用与系统相匹配的滤波算法。本文探讨了卡尔曼滤波的原理和特点,设计了有效的滤波参数和滤波方程,并通过仿真验证了卡尔曼滤波对跟踪测量精度改善的有效性。     

一种基于卡尔曼滤波的运动物体跟踪算法

针对实时视频监控领域中传统的Camshift算法不能有效解决遮挡和高速运动等问题,提出一种改进的Camshift算法与卡尔曼滤波相结合的运动物体跟踪算法。首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪。实验表明该方法具有较好的实时性,并能够有效地解决遮挡等问题。     

基于轮廓特征及扩展Kalman滤波的车辆跟踪方法研究

在车辆实时跟踪中,基于Kalman滤波的方法是常用的有效方法,但因车辆检测时常将靠近的物体检测成一个目标引起误检现象,这会使在目标匹配时产生错误。为此,首先考察运动区域的长宽比和占空比,进行误检判断;然后提出了一种基于轮廓特征拐点的车辆分割方法;最后引入基于扩展Kalman滤波的跟踪模型。实验结果表明,采用的误检判断准则对多车辆的检测区域有较高的识别率,提出的基于轮廓特征拐点的车辆分割方法可实现重叠遮挡车辆的准确完整分割,用基于扩展Kalman滤波的跟踪模型实现了车辆的实时跟踪。     

一种基于预测的实时人脸特征点定位跟踪算法

当前的人脸特征点定位跟踪方法因其计算量大,实时特性欠佳。给出了一种基于改进Viola-Jones算法和Kalman滤波器预测机制的定位及跟踪算法。该算法通过使用改进的Viola-Jones算法对本次人脸特征点进行定位,同时使用Kalman滤波算法对特征点下次出现位置进行预测,缩小了下一帧特征点定位过程中特征点的搜索范围,因而缩短了定位搜索时间。实验结果表明该方法在保证定位准确性和鲁棒性的同时明显增强了算法的实时性。     

海上运动目标跟踪系统的设计

为实现对海上运动目标的实时跟踪,克服跟踪效果易受到严重遮挡影响的缺点,建立了一套实时跟踪系统,并且结合目标的运动信息与新的模型更新策略,对均值漂移与卡尔曼滤波器相结合的跟踪算法做出了改进.当运动船只被遮挡的比例较大时,先用估计出的目标速度矢量更新卡尔曼滤波器,并用相应的模型更新策略更新目标模型以提高模型相似性度量的精确性,再单独利用滤波器进行跟踪,取得了较好的跟踪效果.实验结果表明,该系统可以较好地实现海上运动目标的跟踪,并且改进后的算法具有良好的实时性和鲁棒性.     

基于mean-shift算法的人脸实时跟踪方法*

复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围。提出了一种人脸检测、mean-shift算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法。实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性。     

基于mean-shift算法的人脸实时跟踪方法*

复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围。提出了一种人脸检测、mean-shift算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法。实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性。     

恒虚警率PDAF的弱点状目标跟踪技术性能分析

PDAF与PDAF-AI算法广泛应用于雷达目标检测与微弱点状目标跟踪领域,两者不同之处在于PDAF-AI算法在利用目标位置、运动速率的基础上多加了目标的亮度信息通过Kalman滤波器去估计目标下一时刻的状态。PDAF-AI改变了传统PDAF算法忽略目标亮度信息的不足,它应具有更好的跟踪性能。通过对这两种算法跟踪性能的对比分析研究：带亮度的概率数据关联滤波器技术PDAF-AI总体上比传统的PDAF技术具有更好的实时跟踪性能,然而在强杂波或跟踪区域存在高亮杂波的情况下PDAF-AI的跟踪性能可能会有所下降。