复杂场景下灰度图像的运动目标跟踪

提出了一种对复杂场景下灰度图像序列中运动目标分割和跟踪的新方法:首先,利用光流法分割出运动目标;然后,以mean shift算法为核心跟踪感兴趣的目标.跟踪过程中以目标灰度直方图为特征进行帧与帧之间的目标匹配,其匹配的相似度以Bhattacharyya系数来测量.算法中利用Kalman滤波器对运动目标在图像中的位置进行预测,不仅可以有效解决目标的暂时遮挡问题,而且可以缩小模式匹配的搜索范围,提高处理速度.实验结果和对实验相关数据的分析验证了该跟踪算法的有效性和实时性.     

一种分块表示的彩色目标跟踪算法

一种基于分块加权彩色直方图特征的目标表示方法。将图像分为部分叠加的块,分别对每块计算加权量化彩色直方图,构成直方图组。将直方图组用于基于mean shift的彩色目标跟踪系统,利用Kalman滤波估计目标状态。     

复杂背景下视频运动目标跟踪算法研究

随着视频监控技术的进步,运动目标跟踪作为计算机视觉领域的难点问题,具有广阔的发展前景,其采用的算法种类繁多,效果也各有千秋。结合文献资料介绍了目前普遍适用的四种目标跟踪算法,对比分析了其优势和局限性,可以综合采用两种以上算法进行跟踪研究来提高目标跟踪识别的精度和效率。最后归纳总结了目标跟踪算法亟待解决的问题和研究趋势,对未来跟踪算法的发展进行展望。     

自适应模板更新的人体目标跟踪算法

针对人体目标所具有非刚性、非对称性、多态性的特点,提出了自适应模板更新的人体目标跟踪算法.基于Kalman滤波器,根据人体形态变化自适应调整目标像素的权值,从而获得更柔性、更合理的模板.将该方法与mean shift跟踪算法相结合应用于人体目标跟踪,通过实验证明具有很好的鲁棒性和稳定性.     

改进的抗遮挡MeanShift目标跟踪算法

传统MeanShift目标跟踪算法通过bin-bin颜色直方图表示目标特征,直方图中往往会混入背景颜色信息,造成跟踪不准确;同时由于MeanShift算法具有局部最优性,当目标受到严重遮挡丢失后,不能对目标重新定位跟踪。为了解决上述问题,在颜色直方图和抗遮挡能力方面进行了改进。利用交叉bin颜色直方图代替传统的bin-bin颜色直方图表示目标特征,减少背景颜色的干扰,提高MeanShift算法跟踪精度;当目标受到严重遮挡丢失后,通过一种尺度变化调整机制,在全局范围内搜索目标位置,提高MeanShift算法抗遮挡能力。实验显示,改进后的算法不仅在背景干扰大时对目标的跟踪精度更高,而且当目标受到严重遮挡丢失后,也能够对目标重新定位跟踪。     

基于SIFT特征一致性的目标跟踪算法

针对光照条件突然变化情况下混合目标模型Mean Shift算法无法准确跟踪目标的缺点,提出了一种基于SIFT特征一致性的目标跟踪算法.算法用SIFT特征来匹配帧间的感兴趣区域,同时使用包含初始帧信息和前一帧信息的混合目标模型Mean Shift算法计算帧间感兴趣区域的直方图,以直方图分布距离最小为原则计算Mean Sh...     

基于颜色直方图的EM对象跟踪算法

基于均值漂移运动目标跟踪的迭代算法,简单可靠,可以方便准确的找到一个基于内核的概率密度函数估计目标的位置。但是该算法对目标尺寸形状变化的适应能力比较差,文章提出一个改进的均值漂移算法。新算法同时估计目标的位置和用协方差矩阵来描述的目标的形状,能够处理对象的角度和形状大小发生变化时的跟踪问题,运用新的算法实现以颜色直方图为基础的非刚性目标跟踪算法。实验表明,该改进的算法在不同环境下跟踪目标的鲁棒性很好,尤其对跟踪目标的形状和尺寸的改变,具有很强的适用性。     

基于改进颜色直方图映射的目标跟踪算法

关于视觉跟踪技术问题与电目标背景颜色相关,针对于运动目标易受到背景颜色的干扰,提出了一种基于改进直方图映射的目标跟踪算法,为了抑止模型中混有背景颜色的干扰,并能准确定位目标.依据初始的目标模型(前景),以及跟踪过程中搜索范围(背景)的颜色直方图按照一定的比例关系建立起目标概率灰度值索引表,将索引表映射到跟踪搜索窗口中,采用meanshift算法在生成的灰度图中快速定位目标位置.实验结果表明,改进的颜色直方图映射算法能够从根本上抑止模型的背景干扰,并且meanshift均值漂移算法能够准确的定位目标.     

基于均值漂移与卡尔曼滤波的目标跟踪算法

均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,在目标受到干扰时容易跟踪失败,而Kalman滤波能够较为准确地预测目标的速度和位置。因此,提出了一种结合均值漂移与Kalman滤波的跟踪算法,使用Kalman滤波对目标运动速度和空间位置进行预测。根据干扰的不同情况,使用不同的比例因子将两算法的跟踪结果线性加权得到目标的最终位置。实验结果表明该算法是可行有效的。     

一种复杂背景下的实时目标跟踪算法

鉴于现有的均值漂移跟踪算法不能适应目标运动速度过快和全部遮挡,并且由于存在开方、除法等大量浮点运算,在定点DSPs数字信号处理器中应用难于满足实时跟踪要求。本文在核密度估计,均值漂移算法迭代权值,Bhattacharyya系数等方面进行改进,给出优化的算法流程。不仅增强了目标与背景相似时搜索目标的能力,而且全部使用整点运算,计算时间满足实时跟踪要求。通过将优化算法与卡尔曼轨迹预测相结合,解决了目标运动速度过快和全部遮挡问题。目前该算法已经成功嵌入TMS320C6416硬件平台,实验结果表明,在混乱背景、目标发生旋转、遮挡、形状变化、运动速度过快等情况下,该算法能够保持连续稳定的实时跟踪。     

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法：融合了交互式多模型（IMM）、粒子滤波（PF）和无迹卡尔曼滤波（UKF）的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。     

一种复杂场景下的运动目标跟踪算法

提出了一种基于跟踪窗口自适应和抗遮挡的目标跟踪算法。采用Mean Shift算法确定当前帧的目标位置,最优选取核函数带宽,使跟踪窗口能够根据目标尺寸大小作出自适应调整。利用Bhattacharyya系数作为遮挡的判断依据,当目标遮挡时引入卡尔曼滤波器估计目标的运动信息,进行后续状态预测。实验表明,该算法能有效跟踪复杂场景下的运动目标。     

高转弯频率下机动目标跟踪算法研究

UKF_IMM算法对任何非线性高斯系统都有较好的跟踪性能,但在用于强非线性、非高斯系统时将产生极大的误差。PF_IMM算法适用于任何非线性非高斯系统,但它因计算量很大而导致实时性太差。在现有的基于PF或UKF的IMM滤波算法中,PF或UKF通常被用于每一个模型,基于此,提出了IUS_IMM算法,即在转弯模型中使用标准粒子滤波器（SPF）,在其他模型中用UKF滤波器,仿真结果表明,对于转弯频率高的机动目标,IUS_IMM的性能要好于UKF_IMM算法。     

Segmentalized FCM-based tracking algorithm for zigzag maneuvering target

International Journal of Control, Automation and Systems - This paper presents a new method for tracking a zigzag maneuvering target by compensating for the positional error of the target. The...     

高超声速强机动目标改进IMM-CKF跟踪算法

高超声速强机动目标的运动具有复杂性、突变性和强非线性特点,针对单模型算法难以实现对此类目标的精确跟踪,提出一种改进的交互多模型(IMM)算法,克服了单模型算法跟踪强机动目标的缺陷和标准IMM算法对似然函数计算不准确的问题,实现了不同子模型之间的变维交互;采用容积卡尔曼滤波(CKF)算法实现了雷达观测数据与目标状态量之间的高精度非线性转换.仿真结果表明:改进的IMM算法相比单模型算法和标准的IMM-CKF算法,明显提高了高超声速强机动目标的跟踪精度.     

闪烁噪声环境下机动目标跟踪的改进的高斯-厄米特粒子滤波

针对闪烁噪声环境下机动目标跟踪的非线性、非高斯问题,提出了一种改进的高斯-厄米特粒子滤波算法.和传统的高斯-厄米特粒子滤波算法相比,在生成粒子集时,改进的高斯-厄米特粒子滤波算法采用高斯-厄米特滤波对当前时刻的各个粒子进行估计,将得到的估计值和协方差直接作为粒子滤波算法的粒子集及相应的协方差.仿真结果表明,改进的高斯-厄米特粒子滤波算法对闪烁噪声环境下的机动目标能够进行有效的跟踪,提高了跟踪精度.     

基于粒子滤波的模型自适应机动目标跟踪算法

针对当前机动目标跟踪领域中多模型算法存在的问题,提出一种基于粒子滤波的模型自适应机动目标跟踪算法.首先,依据前一时刻每个粒子采用的模型状态和模型间的状态转移概率,实现对当前时刻模型的采样;然后,将采样模型用于对当前粒子的预测,并根据当前时刻得到的量测数据实现对预测粒子权值的度量;最后,通过重采样策略和概率最大化原则完成对模型的合理选择和状态的有效估计.仿真实验验证了该算法的有效性.     

A switched IMM-Extended Viterbi estimator-based algorithm for maneuvering target tracking

This paper presents a new algorithm for tracking a maneuvering target modeled as a class of Markov jump linear systems. The proposed algorithm consists of two interacting multiple model-extended Viterbi (IMM-EV) algorithms, coupled with proposed detection schemes for maneuver occurrences and terminations as well as for switching initializations. Combined performance strengths of the two IMM-EV algorithms are utilized via switching from one IMM-EV algorithm to the other. Appropriate design parameter values are derived for the detection schemes of maneuver occurrences and terminations. The results demonstrate that the proposed algorithm can be a viable alternative to several well-known tracking methods.     

A switching models gain rotation algorithm for tracking a maneuvering target

Tracking of a target maneuvering in a 3D space is studied. Based on switching models describing the maneuver and/or nonmaneuver scenarios, the so-called switching models gain rotation algorithm (SMGRA) is presented. The proposed scheme incorporates a simple Kalman filter and a detector. Further it switches between the above two scenarios according to the detector's decision of target maneuverability. In both situations, the required gains of the algorithm are computed for uncoupled filters. A comparison study of the proposed scheme and several well-known filters is carried out for typical target trajectories in a naval gun fire control system. The tracking errors for the present algorithm are nearly identical to the extended Kalman filter (EKF), while the computation requirements are reduced by a factor of nine.     

基于改进粒子滤波的机动目标自适应跟踪算法

在粒子滤波的基础上融合扩展卡尔曼滤波算法,融合后的算法在计算提议概率密度分布时,充分考虑当前时刻的量测,使粒子的分布更加接近状态的后验概率分布.将此改进粒子滤波算法在"当前"统计模型框架下进行机动目标自适应跟踪.仿真实验验证了该种方法对机动目标的良好自适应跟踪性能.