一种新的视频流动态目标跟踪算法

为了提高视频图像序列动态目标跟踪过程的跟踪效率,在分析现有算法的基础上,提出了一种基于卡尔曼预测和协方差模块更新相结合的动态目标跟踪新算法.通过卡尔曼预测,可以得到图像序列中下一帧的动态有效区域,实现了对目标区域的实时跟踪;同时,目标协方差矩阵的更新用于目标匹配区域的预测,提高了整个跟踪算法的抗干扰性能和鲁棒性.实验结果表明,与现有的基于静态模板的协方差跟踪算法相比,该算法在实时跟踪性能方面具有更好的跟踪效率.该方法用于视频图像序列动态目标跟踪是可行的、有效的.     

改进的基于多示例学习的目标跟踪方法研究

针对复杂场景下的跟踪问题,提出一种新的基于多示例学习的目标跟踪方法。该方法首先利用局部描述算子(Harr-like特征)表征目标和周围背景区域,分别视为正负样本,然后利用基于Boosting的在线多示例学习(MILBoost)建立一种适应性的外观模型作为二值分类器。并提出一种修正的搜索目标位置算法,使haar小波和区域协方差矩阵相结合,取最大响应样本为新目标位置。该方法能够有效解决视频场景中目标受遮挡、旋转和光照变化等问题,具有鲁棒的跟踪性能。     

基于黎曼流型度量的人工鱼群算法视觉跟踪

针对经典的基于协方差算子的跟踪方法不能适应目标的遮挡及其全局搜索造成的过多计算消耗问题,提出了一种在黎曼流型度量上的人工鱼群算法的视觉跟踪方法。该方法将融合了目标的位置、颜色、梯度等特征区域的协方差算子作为目标的表观模型,以提高它对姿态变化以及亮度变化的适应性。利用人工鱼群算法搜寻目标与候选目标之间最优的匹配,其并行运算机制提高了跟踪算法的效率,其全局搜索的能力则提高了算法对遮挡问题的鲁棒性。实验结果表明,该算法在复杂背景情况下具有目标跟踪的鲁棒性。     

自适应模型更新相关滤波目标跟踪方法

为了解决目标因遮挡、跟踪框发生漂移后相关滤波跟踪算法仍持续更新目标模型和滤波器模型,导致背景信息被更新到目标模型和滤波器模型中的情况,提出一种自适应模型更新策略。采用相关滤波方法得到新的目标位置;提取新目标位置的统计协方差特征并计算其与协方差模板的相似性;根据相似性判断是否更新目标模型和滤波器模型。实验结果表明:所提方法有效解决了因目标形变、遮挡等情况导致目标模型和滤波器模型的更新问题,提高了相关滤波目标跟踪的精度。     

采用激活区域场景分析的红外目标跟踪算法

针对红外图像中目标易受杂波干扰的问题,利用协方差算子提取表观特征,在粒子滤波框架下提出一种基于激活区域场景分析的跟踪算法.首先通过建立激活区域划分出有效范围,降低计算量;其次分析目标所处场景并制定更新策略,避免了干扰对模板的影响;最后引入空间信息与表观特征融合对候选目标进行筛选,实现了跟踪窗的自适应调整,提高了跟踪精度.此外,提出一种正规化误差评价指标,改进了对跟踪效果的评价.实验结果表明,该算法对强杂波干扰环境下红外目标的跟踪具有良好的有效性和稳健性.     

改进协方差矩阵的智能车视觉目标跟踪方法

智能车辆视觉目标具有非线性、噪声分布非高斯性的典型特点，现有算法难以实时估计目标的状态。针对识别物体复杂且多变，很难用完全的特征来描述待识别目标及其背景的不断变化，提出了一种用于融合颜色特征及SURF（Speed-Up Robust Features）特征的协方差矩阵来改进粒子滤波算法，从而提升视觉目标跟踪的实时性，满足智能车辆的要求。首先，对采集的图像进行预处理来获取感兴趣区域。接着，通过融合颜色特征及SURF特征构造范围感兴趣区域（Region Of Interest，ROI）的目标特征协方差矩阵，建立目标状态预测模型及状态观测模型，用于改进粒子滤波算法粒子重采样过程，实现对目标的精确跟踪。最后，将该方法与Mean-shift算法和颜色属性（CN）算法进行对比。实验结果表明，在智能车视觉跟踪过程中对光环境瞬时变化、目标物体存在短时遮挡以及目标物体姿态改变时，该算法在满足智能车辆对实时性要求的前提下，有效提升算法的精确度及鲁棒性。     

基于时空块协方差融合特征的火焰识别方法

提出基于视频图像的[YCrCb]和[CMYK]空间下的颜色和纹理等时空融合特征的火灾区域探测方法,将划分为时空域方块中的帧间颜色、空间纹理分布和运动属性组合成协方差描述子融合特征,通过分析矩阵中每两特征方差对应的正、负样本关联值的分布而确定特征的选择,首次提出了通过对协方差矩阵黎曼距离的变化分析来调整特征选择和组合方式。协方差特征的度量分别采用黎曼流形接地距离、对数欧式距离和用支持向量机训练的分类器进行对比实验。实验结果证明基于协方差矩阵融合特征的火灾探测系统表现出较高的识别精度和运行效率。     

基于多特征自适应融合的核跟踪方法

提出了一种基于多特征自适应融合的核跟踪框架. 利用目标特征的子模型集合构造了目标的多特征描述, 通过线性加权方法将目标的多个特征集成在核跟踪方法中. 根据各个特征子模型与当前目标及背景的相似性, 提出了一种基于 Fisher 可分性度量的权值自适应更新机制; 同时为了克服模型更新过程中的漂移, 基于子模型的可分性提出了一种选择性更新策略, 实现了在变化场景下的鲁棒跟踪. 基于本文所提多特征跟踪框架, 利用目标的颜色特征与 LBP (Local binary pattern) 纹理特征具体实现了多特征自适应融合的核跟踪方法, 实验验证了本文方法的有效性.     

基于形状感应的运动目标跟踪算法

Mean-Shift算法无法自动跟踪目标,且对目标形状要求较苛刻。针对该问题,提出一种基于形状感应的运动目标跟踪算法,采用混合高斯分布对背景建模,协助Mean-Shift算法自动定位初始目标,增加描述形状的协方差参数,使跟踪能感受到目标形状的变化。实验结果表明,该算法基本解决了自动定位问题及形状变化问题,在保证实时性的前提下,跟踪准确度提高40%以上。     

多特征融合的在线更新目标跟踪算法

为了适应跟踪过程中目标光照条件的变化,并对目标特征进行在线更新,提出一种将局部二元模式(LBP)特征与图像灰度信息相融合,同时结合增量线性判别分析对目标进行跟踪的算法.跟踪开始前,为了获得比较准确的目标描述,使用混合高斯模型和期望最大化算法对目标进行分割;跟踪过程中,通过蒙特卡罗方法对目标区域和背景区域进行采样,并更新特征空间参数,得到目标和背景的最优分类面;最后使用粒子滤波器结合最优分类面对目标状态进行预测.通过光照变化的仿真视频和自然场景视频的跟踪实验,验证了文中算法的有效性.     

基于强跟踪滤波器的MACA-MIE 模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展 ACA 模型状态矢量和改进状态噪声协方差调整方法,利用 MIE 和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比 ACA 模型和 MIE,该算法具有更好的机动状态和非机动状态跟踪性能.     

基于人类视觉智能和粒子滤波的鲁棒目标跟踪算法

与计算机视觉目标跟踪算法遇到的各种困难和瓶颈不同的是,鲁棒视觉目标跟踪仅仅是人类视觉系统的一项基本功能.为此,基于自顶向下的视觉注意机制,构建了一种相应的计算模型,提出一种利用检测视觉注意力焦点区域的方法来模拟人类视觉系统的全局搜索过程,并用粒子滤波跟踪来模拟人类视觉系统的局部跟踪过程的目标跟踪算法.多组对比实验结果表明了所提出的算法在视觉目标跟踪中的优越性.     

自适应区域协方差跟踪算法

协方差跟踪算法由于其优秀的特征描述能力在近年获得众多关注,但其全局遍历搜索策略使其仍不够高效。提出一个通用的、自适应的协方差跟踪算法,该算法利用了自适应积分区域计算策略和简单的遮挡检测处理方法,前者远快于积分图像计算并自适应于跟踪目标和跟踪环境,后者用于动态调整搜索窗口的大小。积分图像计算和全局协方差跟踪可以看作所提算法的一种特例。所提算法自然统一了局部搜索策略和全局搜索策略,并可根据跟踪环境(如遮挡、突然偏移)自然切换。所提算法既获得了在正常情况下局部搜索所带来的高效、偏离的健壮性和稳定的轨迹,又获得了在非正常情况下的由更大搜索窗口所带来的遮挡处理和重新识别定位目标的能力。通过在部分视频序列上的实验,所提算法展现出优秀的目标表达能力、更快的跟踪速度和更好的健壮性。     

基于概率假设密度的多目标视频跟踪算法

研究目标数变化的多目标视频跟踪问题.首先阐述了概率假设密度(PHD)滤波的基本原理;然后给出序列图像多目标跟踪系统的运动目标检测算法、状态方程、观测方程以及基于高斯混合概率假设密度(GM-PHD)的多目标视频跟踪算法的具体实现.该算法有效解决了新目标出现、目标合并、目标分裂及目标消失等多目标跟踪问题.实验结果表明,该算法在复杂场景下具有较强的鲁棒性,能有效实现目标数变化的多目标视频跟踪.     

强跟踪CDKF 及其在组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在组合导航系统模型不确定时存在滤波精度下降甚至发散的问题,提出一种具有强跟踪性能的中心差分卡尔曼滤波器(CDKF).强跟踪CDKF基于强跟踪滤波器(STF)的理论框架,采用中心差分变换代替STF中的雅可比矩阵计算,兼具STF鲁棒性强,CDKF滤波精度高和实现简单的优点,有效克服了EKF在系统模型不确定时滤波失效的缺点.仿真结果验证了强跟踪CDKF的有效性.     

分数阶多目标航迹过程关联

为了解决多目标航迹关联模糊的问题,将分数阶引入到多目标航迹关联模型中,提出了针对多目标的分数阶航迹关联模型.算法从数学角度上将整数阶关联度量扩展到分数阶关联度量,并将点信息的非过程关联延伸到线信息的过程关联.实例证明,分数阶较整数阶关联算法能够为关联决策提供更丰富的支持,提高系统可信度、降低系统信息的不确定性,提高了航迹关联的精度.     

A variational method for contour tracking via covariance matching

This paper presents a novel formulation for contour tracking.We model the second-order statistics of image regions and perform covariance matching under the variational level set framework.Specifically,covariance matrix is adopted as a visual object representation for partial differential equation(PDE) based contour tracking.Log-Euclidean calculus is used as a covariance distance metric instead of Euclidean distance which is unsuitable for measuring the similarities between covariance matrices,because the matrices typically lie on a non-Euclidean manifold.A novel image energy functional is formulated by minimizing the distance metric between the candidate object region and a given template,and maximizing the one between the background region and the template.The corresponding gradient flow is then derived according to a variational approach,enabling partial differential equations(PDEs) based contour tracking.Experiments on several challenging sequences prove the validity of the proposed method.     

船舶轨迹跟踪半全局一致指数稳定观测控制器

针对仅位置和艏向可测量的动力定位船舶非线性输出反馈轨迹跟踪问题,在大地坐标系中,建立同时包含科里奥力向心力和非线性阻尼的非线性船舶操纵性模型.基于一种具有半全局一致指数稳定性的非线性观测器,提出船舶轨迹跟踪非线性 Backstepping 观测控制器,并应用 Lyapunov 方法证明该观测控制器具有半全局一致指数稳定性.理论分析和仿真结果均表明,通过调整控制器增益,系统误差指数收敛到零.     

基于粒子群优化的大规模传感器网络节点调度策略

针对资源受限条件下大规模无线传感器网络中协作目标跟踪问题,提出一个基于粒子群优化的节点调度方案.该方案利用高斯粒子滤波算法和方差交叉融合算法获得目标状态预测信息,进而选择下一时刻簇成员节点,并构造了通信能耗的代价函数,利用粒子群优化方法选择最佳的簇头节点,减少了节点调度的计算复杂度,同时保持了较好的跟踪精度.仿真结果验证了所提出方案的有效性.     

高斯混合粒子PHD 滤波被动测角多目标跟踪

为解决目标数未知或随时间变化的多目标跟踪问题,通常将多目标状态和观测数据表示成随机集形式,并通过递推计算目标状态联合分布的概率假设密度(PHD)来完成.然而,对于被动测角的非线性跟踪问题,PHD无法获得闭合解,为此提出一种新的高斯混合粒子PHD算法.该算法利用高斯混合近似PHD,以避免用聚类确定目标状态,并采用拟蒙特卡罗(QMC)积分方法计算目标状态的预测和更新分布.仿真结果验证了所提出算法的有效性.