基于对数极坐标映射的目标跟踪方法

在自动目标跟踪过程中,由于跟踪平台的抖动,较小的跟踪窗口往往不能满足系统稳定跟踪的要求.本文利用对数极坐标映射,提出了一个目标质心快速搜索方法,从而跟踪运动的目标.模拟实验表明:当选择较大的跟踪窗口时,仍具有较快的跟踪速度,从而使系统稳定跟踪的能力得到提高.     

跟踪窗口尺寸自适应调整的粒子滤波跟踪算法

当目标尺度发生变化时,传统的粒子滤波跟踪算法的跟踪窗口尺寸不变,在目标尺寸变化较大时容易丢失跟踪目标.针对这一问题,提出了一种跟踪窗口自适应调整的粒子滤波跟踪方法.该方法依据运动目标区域内粒子到目标中心点的平均距离与目标尺寸的关系,建立跟踪窗口尺寸的数学模型.在两种目标模型上对所建立的数学模型进行了仿真验证.实验结果表明,当目标尺度发生变化时,跟踪窗口能够很好的随目标的尺寸变化而自适应地连续调整,改进后的算法在目标尺寸变化率很大时仍能够稳定跟踪目标.     

一种快速稳定的对比度跟踪方法

基于峰值的对比度跟踪方法是军事应用中最常用的目标跟踪方法之一.在分析了该传统方法的不足之后,提出了新的快速稳定的对比度跟踪方法.本文方法利用积分图像大幅减少重复计算,从而加快了寻找峰值的速度;同时,本文方法记录了具有相同最大值或最小值的所有子窗口位置信息,利用这些信息求得目标的当前位置.实验结果表明,与传统方法相比,本文方法的跟踪结果更稳定,计算速度更快.     

尺度和旋转自适应的均值平移目标跟踪算法

针对不规则目标和背景区分度低的目标在跟踪过程中尺度和旋转自适应的问题,提出了基于前景概率密度函数和椭圆拟合的均值平移目标跟踪算法.首先依据初始化的目标窗口及其周围的背景区域建立前景概率密度函数,抑制跟踪窗口内的背景像素,建立可靠的目标模板;然后将前景概率密度函数引入均值平移的迭代过程,实现跟踪窗口的快速定位;最后计算跟踪窗口内各点的前景概率密度函数,反向投影为前景概率分布图,通过对该图的边缘提取和椭圆拟合,获得当前目标的位置、尺度和旋转信息,并将其用于对下一帧跟踪窗口的初始化.实验结果表明,该方法克服了背景干扰对跟踪窗初始定位和目标信息更新的影响,能够实现对目标尺度和旋转的自适应,具有跟踪稳定和实时性高的特点.     

基于卡尔曼滤波的目标跟踪系统的建模与仿真

为了提高对高速飞行目标的跟踪精度,采用kalman滤波算法建立了飞行目标跟踪系统的滤波模型,将连续系统离散化后,结合奇异值分解理论获得了离散系统方程.通过对滤波稳定性进行分析可知,所建系统模型为完全能控和完全能观的,滤波系统稳定.仿真实验结果表明,经过卡尔曼滤波算法可以精确地获得高速飞行目标的位置、速度和加速度状态信息,从而能够更精确地对高速飞行目标进行跟踪.     

结合SURF与聚类分析方法实现运动目标的快速跟踪

为了解决运动目标快速跟踪过程的实时性与稳定跟踪问题,提出了结合SURF(Speed Up Robust Features)与K-means聚类分析的运动目标快速跟踪算法(SURF-KMs),对图像的局部多尺度特征提取与描述进行了研究。首先,使用SURF算法在跟踪窗口内提取特征点,生成并匹配特征矢量。然后,利用K-means算法估计目标特征点的质心位置,确定其聚集范围,实时更新窗口尺寸和位置。最后,建立目标模板更新策略,当目标发生形态变化而无遮挡时,更新目标模板。实验结果表明,当目标发生大角度旋转和快速缩放,同时发生颜色变化时,所提出的SURF-KMs算法仍能够实现稳定的跟踪,且满足运动目标实时跟踪的稳定可靠、精确度高、抗干扰能力强等指标要求。     

一种改进的长时间压缩感知跟踪算法

压缩感知跟踪(CT)算法具有简单、高效、实时的优点,但是却存在着跟踪窗口尺寸不能自适应变化,无法有效处理遮挡以及跟踪失败后的目标再发现等问题.为了解决上述问题,提出了一种改进的长时间压缩感知跟踪算法.所提出的算法采用多尺度的目标外观再匹配方法,使得跟踪窗口大小能够适应目标尺寸变化.此外,通过分析滑动窗口内跟踪窗口图像的整体特征变化来判定目标是否发生遮挡.为了解决跟踪器漂移问题,采用Haar特征在线生成检测器,实现目标的再发现.实验结果表明提出的算法相比原CT算法具有更好的鲁棒性和准确性.     

基于工地场景的深度学习目标跟踪算法

针对施工现场环境复杂,难以高效管理的问题.提出了基于工地场景的深度学习目标跟踪算法,辅助施工顺利进行.根据工地现场目标的连续性,构建增强群跟踪器,提升目标成功跟踪的概率.然后从滑动窗口、Stacked Denoising Auto Encoder（SDAE）和Support Vector Machine（SVM）三方面组建深度检测器.在滑动窗口方面：从梯度角度建立模型实现窗口自适应.在SDAE算法方面：构建反向算法微调网络参数.优化SVM算法降低跟踪时目标漂移和跟踪失败的概率,最终实现目标高精度跟踪.通过实验表明本文提出的算法可有效对目标进行跟踪,实现动态管理.     

一种自动改变窗口尺寸的跟踪算法

在动态目标跟踪过程中,实用的跟踪系统要求能实时地适应运动目标的外观变化,为了解决CamShift算法在跟踪尺度变化的目标的不准确问题,本文在原算法基础上预测搜索窗口的尺寸,同时也对运动目标质心位置进行预测。实验结果表明,改进的算法对尺寸逐渐逐渐增大的目标都能自动选择合适的跟踪窗口大小。     

嵌入式视觉运动目标跟踪技术研究

传统的PPM（Posterior Probability Measure）视觉运动目标跟踪算法,在目标发生尺寸变化时,会因跟踪窗不能自适应地改变尺寸而导致目标跟偏甚至跟丢的现象.因此本文在深入研究PPM跟踪算法的基础上,基于PPM跟踪算法的运算特点,提出了一种能袁征被跟踪目标尺寸大小的PPM缩放指标,进而设计了跟踪窗口自适应的PPM跟踪算法,实验显示,改进后的跟踪算法能得到较好的跟踪效果.基于TMS320DM642对嵌入式视觉目标跟踪系统的结构和功能进行设计,对改进后的PPM跟踪算法进行了DSP移植,最终实现了一套嵌入式视觉目标跟踪系统.