一种新的基于频域的相关跟踪算法

提出了一种定位精度高、运算量小的实时相关跟踪算法．算法通过对目标进行差分尺度空间滤波,提取目标的区域特征,增强了相关匹配峰值强度和抗干扰性;其次,将大规模的相关匹配运算由时域转换到频域进行,从而保证了相关跟踪的实时性;利用加权的目标边缘质心和形心的偏差量后向抑制模板更新时的漂移量,从而减弱模板更新时的模板漂移现象,保证了复杂场景下的目标跟踪．实验表明,算法能够适应在低对比度、复杂场景下的目标跟踪,同时对跟踪过程中摄像头抖动也不敏感．仿真结果表明,该算法运算耗时低,配准峰值强．     

基于噪声自适应的交互式多模型算法研究

机动目标跟踪精度大都依赖于匹配的系统模型和已知的噪声统计特性。模型匹配法主要采用交互式多模型算法来提高系统模型与机动目标状态的匹配。该算法的有效应用已经成功提高了机动目标的跟踪精度,但该算法只是针对系统模型的不确定性提出的解决方法,并没有解决噪声统计特性不确定的问题。针对噪声统计特性未知而导致滤波精度下降的问题,本文提出了噪声自适应的交互式多模型机动目标跟踪算法。仿真结果表明,噪声方差未知的情况下,本算法的跟踪性能优于传统的交互式多模型算法,提高了机动目标跟踪的精度。     

融合运动和统计特征的静态目标检测

为了解决大部分时间处于相对静止状态目标的智能监控,提出一种融合运动和统计特征的静态目标检测方法.该方法采用行列错位减图像的帧差来提取目标运动特征,根据目标模型和候选区域的统计特征匹配检测目标,利用运动特征和模板的相似性度量动态更新模板.通过积分图优化特征提取及对强光抑制,提高了算法的实时性和鲁棒性.     

基于均值漂移的快速模板匹配算法

提出了一种基于均值漂移和模板匹配的目标跟踪算法。算法工作时分为预测、模板匹配与目标定位及模板更新3个阶段。在预测阶段,结合上一帧跟踪得到的目标位置,利用均值漂移方法对目标位置进行预测,并以预测位置为中心、以相应的大小为覆盖范围定义模板匹配的搜索波门;在模板匹配阶段,采用快速模板匹配算法,将目标模板与搜索波门进行由粗到精的快速匹配,并计算所得匹配结果与目标模板的匹配程度,如果该匹配度大于给定的阈值,则将快速模板匹配的结果作为当前帧图像的跟踪结果,否则,以均值漂移算法预测的目标位置作为当前帧图像的跟踪结果,最后由当前帧的跟踪结果控制模板更新过程以更新目标的模板,最终完成对目标的稳定跟踪。同时该算法结合颜色和边缘特征对旋转、变形不敏感的优点提高跟踪的鲁棒性。该方法运算速度快,准确度高,能够满足实时性要求。     

红外导引头边缘模板匹配跟踪算法研究

实时目标跟踪是当前红外成像导引头图像处理中的关键技术,文章提出了基于特征点邻域的边缘模板匹配目标跟踪算法,该算法从红外图像中获取特征点,以特征点为中心选取参考模板,然后利用边缘检测算法获得边缘点集,最后使用改进的Hausdorff距离测度进行边缘点集的匹配,.从而实现实时目标跟踪.文章深入分析和探讨了模板的选取原则和提高算法实时性的四项措施.仿真实验测试证明,该方法能够很好的解决跟踪点滑动和漂移的问题,并满足实时性要求,跟踪稳定.     

结合注意力与特征融合的目标跟踪

全卷积孪生网络通过相似性学习解决目标跟踪问题,其算法受到了越来越多的关注.为了提取更有判别力的目标特征,提升跟踪的精确度和鲁棒性,提出了一种结合注意力机制与特征融合的目标跟踪模型.首先,将第一帧和当前帧的前一帧结合作为目标模板,利用共享的特征提取网络提取目标模板和当前帧的多个卷积层的特征;然后,对于目标模板的多层卷积特征,结合通道注意力机制处理,提升模板特征的判别力;最后,目标模板的特征与当前帧的特征进行互相关计算,得到响应图,从而获取预测目标在当前帧中的位置和尺度.最终实验结果表明,与几个先进的跟踪模型相比,提出的目标跟踪模型获得了比较有竞争力的性能.     

拓展模板的视频跟踪技术

在视觉目标跟踪(video tracking)过程中,当跟踪图像存在背景杂波、图像噪声(如图像遮挡、图像快速移动)时,算法往往不能取得很好的图像追踪效果.为解决该问题,在经典L1-tracker追踪算法的基础上,针对目标遮挡、目标消失等严重影响跟踪效果的情况进行研究,提出加入拓展模板(固定模板和近况模板)的策略来提高跟踪精度和抗遮挡能力.固定模板保持追踪目标最初的图像特征,防止错误的追踪结果在模板更新时引入错误的特征,进而导致识别目标偏移.近况模板记录目标的最新跟踪结果,避免由于点模板的大量使用而造成遮挡的误识别.通过对多个标准数据集的实验测试,证明加入新策略的L1-tracker算法,在不破坏原有L1-tracker优势的基础上,显著地提升了L1-tracker算法应对遮挡问题的能力.     

利用局部特征联合匹配的非刚体目标跟踪

针对视频序列中非刚体目标的跟踪问题,提出了基于局部特征联合匹配的快速跟踪算法．算法将基于关键点的特征匹配问题转化为求解平衡指派的最优化问题,进而依据整体匹配最优的原则实现特征的联合匹配．跟踪过程为:首先分别提取目标模板和当前搜索区域的局部关键点并进行特征描述;然后依据联合匹配策略确定目标模板关键点在输入帧图像中的匹配结果;最后依据匹配结果确定目标在输入帧图像中的位置和尺度．实验结果表明,该算法对目标的非刚性形变具有较强的鲁棒性,能够适应复杂的背景变化并获得稳定的跟踪结果．     

基于分布匹配的主动轮廓模型及其图像分割算法

针对运动目标跟踪的快速性和鲁棒性要求,提出了基于分布匹配的主动轮廓模型,该模型将模板和候选区域的分布匹配标准——相对熵(即Kullback-Leibler距离)作为主动轮廓的外部能量,使用目标和背景全图像的匹配,克服了跟踪过程中噪声的影响。同时根据匹配力构建帧内和帧间的运动向量,加快了序列图像分割速度。相比于现有的基于边缘、块匹配、区域匹配的主动轮廓模型,该模型具有更好的噪声鲁棒性及在跟踪过程中容忍目标旋转和较大位移的能力。实验验证了该模型的有效性。     

相关跟踪算法在水下高速运动体识别中的研究

针对水下高速运动体试验图像背景灰度分布不均、信噪比低、对比度下降明显以及图像效果差等缺点,采用一种基于特征相关系数作为相似性度量准则的相关跟踪方法,克服了传统算法易受图像中噪声、局部遮挡等因素影响的缺点,该算法相对于传统算法计算量降低,提高了系统的运算速度.帧间图像像素变化率快,因此仅仅用某种固定的模板进行相关跟踪容易导致失配甚至失去目标,进而又提出一种行之有效的模板更新方法,使得跟踪算法对环境的适应能力和稳定性得到较大提高.实验结果表明,该算法跟踪精度高、速度快、稳定性好,满足实时性系统的要求.     

基于立体视觉的月球车运动估计算法

为了满足月球车自主导航的需要,提出了一种仅仅依靠月球车视觉系统提供的图像序列实现月球车六自由度运动状态估算的定位方法。对尺度不变特征转换点(Scale invariantfeature transform,SIFT)特征点跟踪匹配方法和运动参数估计方法进行了研究。在特征跟踪匹配时,引入了两个新的匹配约束条件以准确建立月球车运动前后环境特征点的对应关系。根据获得的特征点对应关系求解月球车的运动参数时,提出了一种鲁棒的估计方法,即首先用随机抽样一致性(Random sampling consensus,RANSCN)结合单位四元数方法剔除数据中的误匹配点,并求出车体运动参数的预估值,然后以此预估值并利用Levenberg-Marquardt非线性优化算法对运动参数进行精确求解。最后,通过模拟场地试验验证了该运动参数估计算法的有效性。     

多特征融合匹配的霍夫森林多目标跟踪

针对目标遮挡、形变等复杂环境中多目标跟踪准确性低的问题,提出了一种多特征融合匹配的霍夫森林多目标跟踪算法．首先,该算法根据目标检测响应进行初步关联,在线选取正负样本,通过融合颜色直方图、方向梯度直方图特征以及光流信息构建目标的特征模型;然后利用霍夫森林学习,形成可靠的长轨迹;最后采用多特征融合的轨迹匹配算法,引入颜色直方图的相似性度量和基于Gabor滤波器的特征点匹配两种方式,形成加权融合的概率矩阵,将长轨迹逐级关联为目标的完整轨迹．实验表明,该算法在多个复杂环境的视频序列中,可以有效解决目标形变、相互遮挡等问题,能实现多目标的鲁棒性跟踪．     

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。     

基于点线特征的快速视觉SLAM方法

为了提高RGB-D相机同时定位与地图构建（SLAM）系统在弱纹理场景下的定位精度和鲁棒性,提出快速的基于点线特征的SLAM方法. 在非关键帧的追踪过程中,基于描述子进行点特征匹配,基于几何约束进行线特征匹配;当插入新的关键帧时,计算线特征描述子以完成关键帧间的线特征匹配,并利用线特征三角化算法生成地图线. 通过降低线特征匹配过程运算量来提高SLAM系统的实时性. 此外,利用线特征的深度测量信息构造虚拟右目线段,并提出新的线特征重投影误差计算方法. 在公开数据集上的实验结果表明,与ORB-SLAM2等主流方法相比,所提算法提高了RGB-D SLAM系统在弱纹理场景下的定位精度;与传统点线特征结合的SLAM方法相比,所提算法的时间效率提高了约20%.     

一种鲁棒的电子稳像系统

基于特征点跟踪的全局运动估计和利用Kalman滤波的运动补偿,提出一种鲁棒的电子稳像系统．首先,提取特征点的局部信息以估计全局运动,其中各特征点的跟踪是通过特征窗匹配来完成的,同时根据特征点集间具有稳定相对位置的结构特征,提出距离准则,对特征匹配进行验证,来去除前景运动点或误匹配点(即局部特征点)．然后,将所有验证后的匹配点对(全局特征点)带入运动模型,并利用Levenberg-Marquardt进行最优化迭代,求出全局运动矢量． 最后,对原始运动矢量序列进行Kalman滤波,提取抖动参数以补偿图像．实验结果表明,该系统可以处理图像序列的平移、旋转和缩放等抖动,并且对于场景中的局部运动有良好的鲁棒性．     

融合光流与特征点匹配的单目视觉里程计

针对城市平坦路面准确实时定位的问题,提出将光流跟踪法与特征点匹配进行卡尔曼融合的单目视觉里程计方法.基于平面假设,利用光流跟踪法进行帧间小位移定位,同时利用传统的加速鲁棒特征点（SURF）进行帧间大位移匹配来矫正光流法结果.通过卡尔曼滤波更新机器人的位置和姿态.结果表明,融合算法克服了光流法定位精度差和特征点匹配法处理速度慢的缺点,突出了光流法实时性和特征点匹配定位准确性的优点,该方法能够提供较准确的实时定位输出,并对光照变化和路面纹理较少的情况有一定的鲁棒性.     

基于运动预测的改进ORB-SLAM算法

针对不同运动场景下以固定的点特征提取与匹配策略的ORB-SLAM算法存在系统跟踪定位误差较大的问题,考虑相机自身运动对视觉SLAM系统的影响,提出基于运动预测的改进ORB-SLAM算法.该方法利用上一帧的点特征利用率和匀速运动模型,预测出相邻2帧之间的共视范围,实时动态调整不同运动状态下的点特征提取阈值,在保证系统稳定性的情况下,提高系统的准确性.提出基于运动预测的点特征匹配优化策略,基于匀速运动模型快速确定出共视范围内的有效待匹配点,结合图像金字塔缩小匹配搜索范围,减少大量的无效匹配过程.在TUM数据集上进行对比实验,结果表明,提出的算法不仅实时性好,而且提高了系统的精度.     

三维人体运动跟踪中形状特征表述重建

针对在重建三维人体运动跟踪形状特征时,人体运动姿态重建结果与真实值具有较大偏差且不能长时间有效跟踪的问题,提出基于联合优化法的三维人体运动跟踪形状特征表述重建方法.采用POCS算法将三维人体运动跟踪中的形状捕捉问题转换为正则规划问题,实现对三维人体运动跟踪中的形状捕捉.采用Bayes理论统计估计方法,将捕捉到的形状数学建模问题转化为目标函数最大化问题.采用Fisher线性判别分析法对三维人体运动跟踪中的形状特征点进行自动定位,利用联合优化法重建已经定位的形状特征表述.结果表明,所提方法可以有效捕捉三维人体运动跟踪中的形状特征,且重建精度较高,准确性较好.     

Visual object tracking with the adaptive scale based on AGMM point sets matching

A visual object tracking method with the adaptive scale based on AGMM(Asymmetrical Gauss Mixture Models) point sets matching is proposed aimed at adaptively following the object's scale changes, which often cause tracking failure. As the feature point set in the last frame is considered as the GMM centroids and the feature point set in the current frame represents the data respectively, AGMM fuses the feature information and spatial information; by comparing the similarity between data and GMM centroids, we match the point sets between two adjacent frames and obtain the reliable feature points in the current frame; the degree of dispersion between points in the point set accurately reflects the size of the object scale and by using affine transformation, the proportion of the two point sets is computed to estimate the position and scale of the bounding box in the current frame accurately and effectively. Experimental results demonstrate that the method is adaptive to scale change and has advantage in illumination variation and color similar target tracking.