变电站场景下运动目标的检测和跟踪方法

在遮挡物较多的变电站场景下, 传统的目标跟踪算法容易出现人员跟丢、身份变换、目标被遮挡无法识别等情况, 无法做到对目标的准确实时跟踪。针对此问题, 提出了融合度量学习与卡尔曼滤波的变电站运动目标跟踪方法。首先, 采用融合多尺度特征的YOLOv3算法检测目标, 利用带权值的匈牙利算法匹配目标的历史运动轨迹; 然后, 通过卡尔曼滤波进行轨迹预测, 并应用度量学习匹配预测轨迹与历史运动轨迹, 结合目标外观特征信息, 以实现变电站内运动目标的跟踪; 最后, 以变电站场景下的人员为例进行实验, 结果表明, 人员跟踪准确率高, 且能满足变电站应用场景下的鲁棒性和实时性要求。     

基于SIFT动态背景下的视频目标跟踪方法

提出了一种基于尺度不变性特征变换(SIFT)的视频目标跟踪方法.该方法通过提取前后两帧的SIFT特征,利用全图SIFT特征进行匹配,通过匹配的点对计算两帧的几何变换关系,再利用变换矩阵确定下一帧目标位置,实现了连续状态下的自动跟踪.实验结果表明此方法在遮挡、噪声、旋转、光照、缩放、小视角变化等方面有较好的鲁棒性.     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

基于SIFT特征的单训练样本人脸识别

针对RoboCup竞赛家庭组比赛对人脸识别的要求,研究了单训练样本的人脸识别问题。设计了一种基于尺度不变特征变换的单训练样本人脸识别系统。将人脸区域划分为4×4的均匀网格,然后在每个区域选取最具有判别能力的少量特征,再将这些特征与测试人脸对应网格的特征进行匹配;采用加权和形式评价测试人脸和每个训练人脸的匹配程度,选择阈值进行识别决策。使用ORL人脸数据库对设计的识别系统进行了测试,结果表明,设计的系统可以达到100%的识别精度和70%的检出率,可以达到比赛的要求。     

动态场景下运动目标检测方法研究

动态场景下运动目标的检测方法是计算机视觉领域的热门研究课题,本文将对动态场景下的运动目标检测方法展开研究。首先,对比分析相邻帧差分法、背景差分法、统计模型法这3 种检测方法的优劣,提出时空融合补偿差分与目标平滑模型相结合的新型运动目标检测方法。其次,研究新型运动目标检测方法中的运动估计与运动补偿技术。最后,对新型运动目标检测方法进行仿真验证,对比分析实验结果,以判断方法的可靠性、准确性。实验表明,本文提出的新型运动目标检测方法,能够满足检测要求,目标轮廓清晰、完整,检测准确性较高。     

基于注册和多尺度表观模型的三维头部跟踪

针对人体大范围运动下的头部姿态跟踪问题,提出一种基于尺度不变特征变换（SIFT）局部描述符注册和多尺度表观模型的三维头部姿态跟踪方法.基于SIFT局部描述符的注册算法通过在两帧灰度图像间进行特征点匹配计算两帧间的头部运动,在两帧人脸图像的尺度有一定变化时仍可得到精确结果.多尺度视角表观模型可以减少大范围跟踪时的误差累积,该模型在线选取具有不同头部姿态的关键帧,并通过多次注册的方法来减少当前帧的误差累积.实验结果表明,该方法不仅跟踪结果准确（均方根（RMS）误差为4 °）,而且在人体前后运动约1 m和头部进出摄像机视角情况下均很鲁棒.     

基于Unscented卡尔曼滤波的目标跟踪仿真分析

卡尔曼滤波技术是目标跟踪的理论基础之一.在工程应用中,多采用非线性滤波的方法对目标进行跟踪.介绍了Unscented变换,通过使用Unscented卡尔曼滤波(UKF)对目标跟踪进行仿真实验,Un-scented卡尔曼滤波有效地克服了传统的扩展卡尔曼滤波算法(EKF)的缺陷.给出了最佳估计的二阶近似,提高了对目标跟踪的精度和稳定性.仿真结果表明,该算法对目标在位置、速度跟踪方面均有良好的效果;针对目标机动,采用多模型滤波算法能够实现目标机动的精确跟踪.     

基于双目视觉的运动目标检测系统

为了满足室内环境监控的需求,提出一套基于双目视觉的运动目标检测系统。该系统由数据采集与存储模块、运动目标检测模块、对应点匹配模块和测距模块共四部分组成。运动目标检测模块对采集到的双通道视频分别采用背景差分法进行目标提取,然后对双通道的每帧图像进行粗匹配,并采用尺度不变特征变换算法进行精匹配,找到双通道图像的匹配点对,完成运动目标的距离测量。经实验证明,新系统可以有效提取运动目标,并进行距离测量,尤其可以解决目标物被部分遮挡的距离测量问题。     

在混合坐标系下的机动目标跟踪滤波器

本文介绍了在球面－直角坐标系下跟踪机动目标的卡尔曼滤波算法．为克服观测噪声非白，本文引入了扩充向量，并应用旋转增益算法，对卡尔曼滤波的协方差阵及增益阵实现了解耦．通过仿真计算，对本文提出的算法与国外两种类似的算法在相同的机动和量测噪声特性情况下进行了比较，其结果显示了本算法的优越性．     

基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

基于核相关滤波的TLD跟踪算法的研究

对TLD跟踪算法进行改进,以提高在跟踪目标发生尺度变化或被遮挡时的跟踪性能. 首先使用KCF跟踪器替代TLD算法中原有的中值光流跟踪器,并在特征提取时增加目标的Lab颜色特征,在寻找目标位置时引入尺度估计,在模型更新阶段引入跟踪状态判别机制,通过设定跟踪器中输出响应最大值阈值、APCE阈值及检测器中随机蕨分类器阈值来判断跟踪器跟踪结果的可靠性,改善跟踪器在尺度变化、出现遮挡、光照变化等情况下的跟踪效果. 针对TLD算法中的检测器,为了减少大量无意义的窗口,提升算法在存在遮挡时的精确性,在检测之前使用Kalman滤波预估出目标位置,在预估位置周围使用改进的级联分类器更精准地定位目标,改进的级联分类器的前两级仍采用方差分类器和随机蕨分类器,第三级则采用改进的KCF跟踪器. 在OTB-50数据集上的实验结果分析表明,该算法跟踪性能优于其他算法,能够满足实时性.     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。     

融合颜色和梯度方向直方图的粒子滤波跟踪算法

针对基于单一颜色特征的粒子滤波跟踪算法在复杂环境下会导致跟踪失败的问题,提出了一种融合颜色直方图和梯度方向直方图,形成一种新的综合直方图特征的粒子滤波跟踪算法.颜色直方图是对目标在彩色图像中的全局描述,而梯度方向直方图包含了一定的结构信息,两者可以互为补充.实验结果表明,采用综合直方图特征能够在背景颜色干扰导致目标颜色特征鉴别能力丧失的情况下,仍能稳定可靠地跟踪目标,提高了跟踪精度,具有较强的鲁棒性.     

基于粒子滤波/Mean Shift的改进跟踪算法

针对单一特征所带来的跟踪不稳定问题,该文提出一种基于纹理特征粒子滤波/Mean Shift的改进目标跟踪算法。该算法中建立一种选择反馈机制,首先对目标同时进行基于纹理信息的粒子滤波和基于颜色信息的Mean Shift两种算法的跟踪,然后对两种算法的跟踪结果进行比较,选择结果较好的输出,并把结果反馈到粒子滤波与Mean Shift中作为下一帧处理的初始值。实验结果表明,该方法克服了单一特征所带来的跟踪不稳定问题且具有较强的鲁棒性。     

基于MHT的多物体跟踪算法

探讨了多假设跟踪算法(MHT)在多物体检测跟踪系统中的应用方式.该方法采用卡尔曼滤波算法实现跟踪轨迹假设,采用LAP算法实现数据关联,将预测和视频采集测量值结合得到最优跟踪轨迹.实验表明,该方法在实践中达到了较好的效果.     

基于运动平台的运动目标检测与跟踪

为了实现大视场智能监控,本文提出了一种基于运动平台的运动目标检测与跟踪方法．在相邻帧之间通过块匹配进行运动补偿,采用三帧差分法分割出运动目标．当运动目标正常运动时跟踪其形心;当运动目标被遮档时,根据卡尔曼滤波器预测的形心跟踪目标．其中,对于块匹配,采用边缘点作为匹配块的中心点并根据摄像机的运动方向确定搜索范围,使处理速度提高了38．6％．另外,比较得出最小二乘法对运动目标运动状态突然改变时拟合效果差,因此采用卡尔曼滤波器进行预测．实验证明,本算法适应环境变化的能力强,而且平均每秒处理37．6帧,达到实时处理要求．     

基于记忆模型的相关滤波目标跟踪

针对目标跟踪中存在的跟踪错误恢复问题,参照ASMM记忆模型,提出了基于记忆模型的模板更新策略及相应的核化相关滤波目标跟踪算法。实验结果表明,对于遮挡或其他外观变化引起的跟踪失败,基于记忆模型的核化相关滤波目标跟踪算法有恢复跟踪的作用。     

基于均值漂移和卡尔曼滤波的目标跟踪方法

分析了Mean-shift难以有效跟踪复杂背景下灰度运动目标的主要缺陷,提出了结合Mean-shift和强跟踪滤波器的目标跟踪方法。该方法利用强跟踪滤波器预测目标在当前时刻的起始位置,然后Mean-shift在该位置的邻域内寻找目标所处位置。同时,采用Bhattacharyya系数度量"目标模型"和"候选模型"相似程度,提出一种目标遮挡因子,作为目标被遮挡程度的判断根据,并由此确定"候选模型"是否更换为"目标模型",避免目标模型过度更新。对城区交通环境下的车辆目标进行跟踪。实验结果表明,该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。     

基于改进SIFT特征和粒子滤波的目标识别仿真研究

针对在目标识别中原始SIFT（尺度不变特征转换）特征算法计算量大,特征点匹配耗时长等缺陷,采用一种改进的SIFT特征算法。在原始的SIFT算法基础上简化了特征描述符,以及对匹配算法进行了改进,考虑到识别过程中目标物体的特征点会发生变化,因此结合粒子滤波来实现对目标物体的识别。仿真结果表明：该方法继承了原始SIFT算法的优点,有效地避免了一些干扰,减小了计算量,在结合粒子滤波算法后能够有效地更新特征点的匹配,最终实现了对目标物体准确的识别。