基于模板匹配及区域信息融合提取的快速目标跟踪算法

提出了一种基于融合的快速目标跟踪算法。该方法将目标预测模型、目标模板匹配以及目标空间信息融合到统一框架内。该方法通过预测模型,预测下一帧中目标候选区域,从而降低模板匹配方法的搜索区域。然后在预测模型预测的搜索范围内进行目标的模板匹配,同时,提取目标的区域信息来辅助目标的模板跟踪方法。最终跟踪结果由目标模板跟踪以及目标的空间信息共同决定。本方法由于采用了目标的预测模型,从而能够减少目标的搜索范围,降低因目标的全图搜索造成的时间开销。并且由于减少了搜索区域,剔除了部分相似的匹配窗口,从而提高了跟踪时匹配的精度。本算法结合了目标模板跟踪和目标区域信息的优点,能够增强目标跟踪过程准确度。由于加入了目标的区域信息,对目标跟踪中出现的漂移现象更加鲁棒。实验结果表明,本方法在进行目标跟踪过程中对出现的漂移、遮挡等问题更加鲁棒、稳定。     

基于模板更新的自适应Mean-shift跟踪算法

提出了一种利用Mcan-shift算法处理目标跟踪定位,并以SIFT特征点匹配结果的最小二乘模型来求解缩放系数和更新目标模型的自适应跟踪方法。该方法实现了目标的快速跟踪,解决了模板更新和目标的尺度缩放问题。实验结果表明,该算法在处理目标尺度变化较大的情况下具有很强的鲁棒性。     

一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法

提出了一种基于遗传算法和卡尔曼滤波的运动目标跟踪方法。该方法利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心,建立候选的目标搜索区域。以跟踪目标的灰度统计特征为模板,以Bhattacharyya系数来度量目标模板与候选目标区域的相似性,并以此相似性作为遗传算法适应度函数,以候选目标中心坐标作为参数编码,利用遗传算法进行匹配搜索,最终获得最佳候选区域中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

自适应模板更新的鲁棒目标跟踪算法*

针对受复杂背景、光照以及目标尺度变化等因素的影响,目标模板更新精度不高,导致跟踪算法鲁棒性差的问题,提出了一种基于深度特征和模板更新的自适应粒子滤波目标跟踪方法。首先对跟踪目标进行仿射变换;然后构造一个12层的卷积神经网络来提取跟踪目标及其仿射变换的深度特征得到目标模板和候选模板,并以此构建候选模板库;其次采用粒子滤波算法跟踪目标,将预测结果与候选模板库中的模板进行匹配,确定新的目标模板并自适应更新候选模板库。实验结果表明,该算法在遮挡、光照、尺度变化、目标旋转和复杂背景的恶劣条件下仍能稳定地跟踪目标,与其他7种先进算法在18组测试视频中进行比较,具有更高的目标跟踪精度和更强的鲁棒性。     

快速定位图像尺度和区域的3维跟踪算法

目的 传统的2维自然图像的增强现实算法,对模板图像的各个尺度下的整个图像提取特征点并保存到特征点数组中,跟踪阶段对模板图像提取出的所有特征点进行匹配,造成了大量的无效运算,降低了特征匹配的效率.为了解决这个问题,将模板各个尺度的图像进行区域划分,提出了一种快速定位图像尺度和区域的算法,缩小特征匹配的范围,加快3维跟踪的速度.方法 预处理阶段,通过对图像金字塔每一尺度图像分成小区域,对模板图像上的特征点进行分层次分区域的管理.在系统实时跟踪阶段,通过计算几何算法快速确定当前摄像机图像所对应的尺度和区域,从而减小了特征匹配的范围.结果 该方法大幅度缩小了特征匹配的范围,降低了特征匹配所消耗的时间,与传统算法相比,在模板图像分辨率较大的情况下特征匹配阶段时间可以缩短10倍左右,跟踪一帧图像的时间缩短1.82倍.系统实时跟踪过程中的帧率总体保持在15帧/s左右.结论 提出的快速定位图像尺度和区域算法适用于移动设备上对2维自然图像的跟踪,尤其在模板图像分辨率较大的情况下,算法能够显著减小特征匹配的范围,从而提升了实时3维跟踪算法的运行效率.     

基于尺度不变特征变换的Mean-Shift目标跟踪

均值漂移(Mean-Shift)目标跟踪算法由于具有快速模板匹配和无参数密度估计等特点,但也存在其固有的缺陷.为了提高该算法的鲁棒性,把目标分成多个区域,对每个区域利用Mean-Shift进行跟踪,迭代次数大于8的放弃迭代.然后利用尺度不变特征变换(SIFT)剔除那些匹配的关键点数目少的子区域.最后,利用匹配关键点数目多的区域得到目标的位置.实验结果表明该方法在目标受遮挡、尺度变化、旋转、环境场景等变化等具有很强的鲁棒性.     

基于粒子群优化的模板匹配跟踪算法

针对基于模板匹配的跟踪算法运行速度较慢、成功率较低的问题,提出了一种基于粒子群优化(PSO)的模板匹配跟踪算法。该算法采用粒子群优化算法作为模板匹配算法候选模板的搜索策略,并采用自适应的更新目标模板。首先,在设定的搜索区域内随机采集30个候选模板,计算出个体最优候选模板和全局最优候选模板;其次,根据粒子群优化算法进行迭代求出匹配值最佳的候选模板即为目标;最后,根据最佳候选模板的匹配值大小来自适应更新目标模板。理论分析和实验仿真表明,与基于模板匹配的跟踪算法和基于粗精搜索的模板匹配跟踪算法相比,基于粒子群优化的模板匹配跟踪算法的计算量平均要少91.1%和69.8%,且成功率为原算法的2.02倍和1.94倍。实验结果表明,基于粒子群优化的模板匹配跟踪算法能实现很好的实时跟踪,并且提高了跟踪的鲁棒性。     

基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。     

PTZ摄像头下候选区匹配的实时目标跟踪

提出一种基于候选区匹配的控制PTZ(Pan,Tilt,zoom)摄像头的目标跟踪方法.该方法将图像的中心区域或者检测的目标运动区域作为候选区对目标定位,并根据目标的预测位置计算摄像头运动参数,实现摄像头自动控制跟踪目标.采用对称差分来检测图像中的目标运动区域,利用颜色和纹理信息等特征来表示目标,通过相似性度量从候选区定位目标.同时考虑摄像头命令的传输和执行延时,利用目标运动轨迹对目标位置加以预测,并根据目标预测位置自动控制PTZ摄像头主动追踪目标.实验表明,该方法在较大区域内,以及瞬时遮挡条件下,能连续实时地主动追踪感兴趣目标.     

适用于复杂环境下的实时目标跟踪技术

针对复杂环境下目标跟踪过程中目标存在旋转、视角、尺度等变化以及噪声干扰的问题,提出了一种基于尺度不变特征与快速模板匹配相结合的目标跟踪技术;该技术通过分别提取预先存储模板和实时采集图像的尺度不变特征,建立初始模板;采用菱形搜索策略对模板的低分辨率子图和待跟踪图像的低分辨率子图进行快速互相关检测,根据检测结果在该帧高分辨率图像中建立紧凑ROI,在此区域内进行模板匹配,对目标进行精确定位;在目标跟踪的过程中采用自适应模板更新策略,以保证在目标发生变化时跟踪的稳定性;实验结果表明,该技术在稳定性、准确性和实时性等方面均优于传统方法。     

抑制背景下多重滤波目标跟踪

为解决运动目标稳定跟踪与实时性要求,提出一种背景抑制下多重滤波(BSMF)跟踪算法,对跟踪目标的中心点计算、动态模板学习和变尺度问题进行研究。首先,以目标为中心的跟踪区域的RGB图像映射为11维颜色,提取目标主要颜色的描述向量,生成抑制背景的权值矩阵;然后与跟踪区域灰度图的对应点相乘,用相关滤波方法计算抑制背景后的跟踪区域目标中心位置;最后将定位的目标区域进行金字塔滤波计算,得到尺度变化系数。该算法采用动态的匹配模板学习策略,降低各种干扰因素混入匹配模板内,在树莓派3代板嵌入式系统中,平均可达17帧/秒的跟踪速度,且比同级别复杂度跟踪算法具有更稳定的跟踪性能。     

一种改进的自适应模板匹配法

本文提出了一种基于数据流修正的自适应模板匹配定位方法.该方法首先在图像预处理的基础上,进行模板匹配.从而定位待识别目标;然后采用数据流修正的自适应方法.根据待识别目标的大小来改变模板尺寸.避免了设置固定模板的缺陷:最后,对模板匹配算法进行优化,使模板匹配的效率得到提高.采用该方法对车牌图像的定位进行实验,实现了车牌的准确定位且处理速度快,能满足系统实时性和自适应性的要求.     

基于对数极坐标变换和仿射变换的目标识别定位方法

由于传统的模板相关匹配算法在目标图像发生较大旋转和放大时，定位结果可能会发生偏差，因此为了取得精度更高的目标识别结果，提出了一种基于对数极坐标变换粗匹配，结合仿射变换精匹配的目标图像识别定位方法，以用于在视场中自动搜索相对于模板图像有平移、旋转和尺度变化的目标图像。实验结果表明，该算法不仅定位精度高，而且相对于传统的模板匹配算法有更强的鲁棒性。     

基于局部特征匹配的多目标跟踪算法

为解决多目标跟踪过程中因遮挡导致跟踪失败的问题,提出一种基于局部特征匹配的跟踪算法。在卡尔曼滤波跟踪框架下,根据目标数据关联的结果判断目标的状态并进行针对性处理。当目标处于相互遮挡的状态时,利用目标的局部模板在当前帧进行匹配获取目标候选区域,利用改进的距离加权彩色直方图计算候选区域与局部模板的相似度,结合直方图的相似度和卡尔曼预测确定目标的位置。实验结果表明,在满足实时性的要求下,该方法能够有效地处理目标的遮挡问题。     

室内人体运动目标的自动跟踪方法

针对人体运动目标的自动实时跟踪,设计一种新的基于P89v51内核的运动摄像头云台控制系统.对人体运动的图像检测与跟踪,提出一种快速的模板匹配方法.用改进Surendra算法自适应地获取背景图像以提取匹配模板,通过摄像头运动前后帧相同的运动区域来缩小匹配区域,进行快速目标匹配,达到实时性要求.该系统已应用在视频教学及会议中,实现自动人体运动目标跟踪与摄像.     

新型图像角度匹配方法及其应用研究

探讨了一种基于机器视觉的PCB自动装配线多焊盘实时定位方法。采用多分辨率图像金字塔匹配策略,利用模板图像与待搜索图像的灰度特性,使用圆投影匹配进行初始候选匹配点的选取,得到一系列的候选匹配子图;使用SIFT算法对候选匹配子图和模板图像进行特征匹配,确定对应匹配点,消除误匹配的候选子图;根据点的模式匹配,确定大致的旋转角度,使用重采样和插值的方法计算精确的旋转角度。实验表明,该方法可以准确、实时地实现目标定位。     

用于行人头部特征提取的目标区域匹配方法

为了准确地定位与跟踪序列图像中的运动行人以获取精确的客流量信息,提出了一种基于目标区域匹配的行人头部特征提取新方法。与常用的基于致密视差图的头部区域视差获取方法不同,该方法基于“先分割后匹配”的思想,即首先借助单目图像处理方法对基准图进行分割,获取候选头部区域;然后直接将这些候选头部区域作为目标区域,在匹配图中搜索其匹配对应区域以获取候选头部区域的视差;再借助候选头部区域的视差提取出候选头部区域的深度与透视特征,用于去除虚假头部区域以获取最终的头部检测结果。性能测试与实验结果表明,该方法不仅视差提取精度高、实时性好,并且借助该方法获取的头部特征具有较高的区分度,可以有效去除候选头部区域中的虚假头部区域,使客流量检测的准确率达到90%以上。     

融合光流检测与模板匹配的目标跟踪算法

针对传统的目标跟踪算法需要人工选择目标且不能较好地处理目标的尺度变化问题,提出融合光流检测与模板匹配的目标跟踪算法。首先通过结合光流信息与图像分割结果从视频中自动地检测和提取运动目标,实现基于检测的跟踪;当检测跟踪结果不可靠时,再利用模板匹配定位目标位置,实现基于匹配的跟踪;最后,通过自动更新模板,使得跟踪框能够自适应目标的尺度变化。实验结果表明该算法能够在自适应目标尺度变化的同时获得较为稳定的跟踪结果。与其他三种算法相比,所提方法在目标的自动检测提取与尺度自适应方面具有优势。     

定位图像匹配尺度与区域的摄像机位姿实时跟踪

目的 提出一种定位图像匹配尺度及区域的有效算法,通过实现当前屏幕图像特征点与模板图像中对应尺度下部分区域中的特征点匹配,实现摄像机对模板图像的实时跟踪,解决3维跟踪算法中匹配精度与效率问题。方法 在预处理阶段,算法对模板图像建立多尺度表示,各尺度下的图像进行区域划分,在每个区域内采用ORB（oriented FAST and rotated BRIEF）方法提取特征点并生成描述子,由此构建图像特征点的分级分区管理模式。在实时跟踪阶段,对于当前摄像机获得的图像,首先定位该图像所对应的尺度范围,在相应尺度范围内确定与当前图像重叠度大的图像区域,然后将当前图像与模板图像对应的尺度与区域中的特征点集进行匹配,最后根据匹配点对计算摄像机的位姿。结果 利用公开图像数据库（stanford mobile visual search dataset）中不同分辨率的模板图像及更多图像进行实验,结果表明,本文算法性能稳定,配准误差在1个像素左右;系统运行帧率总体稳定在2030 帧/s。结论 与多种经典算法对比,新方法能够更好地定位图像匹配尺度与区域,采用这种局部特征点匹配的方法在配准精度与计算效率方面比现有方法有明显提升,并且当模板图像分辨率较高时性能更好,特别适合移动增强现实应用。     

正向人脸定位方法

本文考虑带旋转的人脸检测方法,提出了一种基于颜色空间以及模板匹配的快速人脸定位方法。首先从常用的颜色空间中选择出对光照因素稳健的肤色子空间,然后基于该子空间进行肤色检测方法得到人脸大致区域,最后采用模板匹配的方法确定人脸区域。实验结果表明,该方法速度快,对于带角度旋转的人脸定位有很好的效果。