卡尔曼滤波在单目相机运动目标定位中的研究*

单目相机运动目标定位是视觉跟踪的基本任务之一,视觉传感器对目标点位置的获取至关重要。根据单目相机针孔模型,将运动目标图像二维坐标,通过几何关系映射为相机坐标系的三维坐标。标定相机高度和旋转参数,在此基础上求得目标位置坐标。当运动目标被遮挡时,以匀变速运动为模型,根据先前位置信息确定加速度和速度,并对加速度进行自适应更新,建立运动目标状态方程,利用卡尔曼滤波算法预测目标位置。以预估位置代替真实位置,继续估计后续运动状态,在预估位置搜索运动目标,实现运动目标遮挡定位跟踪。实验结果表明,该定位方法具有可行性,当运动目标发生遮挡时,能够完成对目标的定位和跟踪。     

一种抗遮挡的运动目标跟踪算法

提出了一种基于彩色特征的抗遮挡目标跟踪算法。利用mean shift递推寻找当前帧目标的位置,并通过Kalman滤波估计目标状态。选用对目标部分遮挡具有鲁棒性的加权量化彩色直方图作为目标特征的概率分布,用Bhattacharyya系数作为特征相似性度量。提出一种目标遮挡因子,作为目标被遮挡程度的判断根据。当目标严重遮挡后,观测位置不再满足Kalman滤波的条件,采用目标状态量外推取代Kalman状态更新来预测目标当前的位置。实验结果表明,此方法对于部分遮挡以及全遮挡有较好的鲁棒性。     

基于fDSST的长时间目标鲁棒跟踪算法

在跟踪目标过程中，当目标遭遇强遮挡、移出视野、快速运动等时，快速判别尺度空间跟踪(fDSST)算法会丢失目标且无法再找回。为了解决这一问题，提出了一种基于fDSST的长时间目标鲁棒跟踪算法。在经典fDSST算法基础上增加了基于关键点匹配的检测模块和输出自适应决策模块，在判定目标丢失或不可见后可重新匹配目标并重新初始化跟踪器；跟踪时可自适应地选择置信度更高的结果作为最终输出结果；在以Raspberry Pi 4B为主控单元的嵌入式平台上进行算法移植，在OTB-100数据集和嵌入式平台上进行跟踪测试。结果表明：该算法相比其他主流算法具有更高的鲁棒性和准确性，改进算法宜在有嵌入式平台移植需求的应用场景下部署。     

基于kinect深度图像的目标定位与识别

针对颜色图像受光照及背景影响较大而较难识别目标的问题,利用深度图像作为目标载体,设计并实现了一种简单的目标识别方法。该方法主要包括深度图像的轮廓提取算法和基于轮廓特征识别两部分。先根据提取的轮廓计算矩信息得到图像质心坐标,再根据相机投影公式获得目标质心的真实相机坐标;提取轮廓的矩形描述子,组合轮廓不变矩特征和轮廓形态学特征成为目标的联合特征向量。针对不同的待识别目标,采集足够数量的训练样本,得到各目标的标准特征向量。最后实时提取场景目标的联合特征向量,计算场景目标特征向量与标准特征向量的最小欧式距离,进行识别判断。实验证明了该方法的快速、有效性。该方法应用在装载机械臂的室内移动机器人上,可实现目标定位、识别及抓取操作,具有一定的应用价值。     

利用视觉显著性和扰动模型的上下文感知跟踪

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显著性构建目标稀疏显著性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。     

采用PSR和客观相似性的高置信度跟踪

针对相关滤波类跟踪算法难以解决的过度形变和目标被遮挡问题,提出了一种融合改进均方峰值旁瓣和客观相似性度量的高置信度跟踪算法-HCF。基于核相关滤波跟踪算法,结合传统相关运算的峰值旁瓣比与感知哈希算法客观度量所跟目标,对遮挡和形变等复杂情况进行高置信度判断,进而自适应的选择模型更新率,克服模型漂移问题;另外,利用尺度池算法解决跟踪中的尺度估计问题,进一步提高了算法的稳健性。通过OTB-2015数据集测试表明:提出的HCF算法能精准判别出由于遮挡形变等情况导致的无效跟踪,相比于当前主流的鲁棒性跟踪算法,具有更优秀的性能和表现。本文的创新工作为跟踪领域中的目标准确度判别问题提供了新的思路。     

粒子滤波算法在非线性目标跟踪系统中的应用

提出了一种基于贝叶斯理论及蒙特卡罗仿真的粒子滤波算法.该算法通过非参数化的蒙特卡罗(Monte Carlo)模拟方法来实现递推贝叶斯滤波,适用于任何能用状态空间模型以及传统的卡尔曼滤波表示的非线性系统,精度可以逼近最优估计.给出了算法的理论依据及整个跟踪过程的框架,并通过仿真试验对算法进行了验证.与传统的目标跟踪算法相比,本算法不仅能实现对目标的稳定、准确跟踪,将跟踪精度提高到90%以上,并且,当受到严重遮挡而发生目标丢失时,该算法仍然能够在10帧内重新捕获目标.实验结果证明,算法对于部分遮挡等复杂的非线性、非高斯情况具有良好的跟踪性能.     

基于卡尔曼预测和滤波的视频目标跟踪

视频目标跟踪在军事和民用领域有着广泛的应用,其实现算法首选卡尔曼滤波算法,但是在应用卡尔曼滤波算法之前首先要获得目标当前时刻的观测信息,在全帧图像搜索并确定目标需要耗费大量的计算资源。针对这一问题,文章结合目标跟踪时的卡尔曼滤波算法,在每次完成目标状态的滤波估计后,进行卡尔曼一步预测,确定目标下一时刻可能的范围,避免下一时刻确定量测信息时对整幅图像的搜索,极大地减小计算量,提高目标跟踪的实时性和精度。计算机仿真实验验证文中所提方法的有效性。     

基于改进双边滤波的气体泄漏检测

针对传统泄漏检测方法效率低、鲁棒性差的问题,提出了一种基于红外图像技术的气体泄漏检测方法。该方法根据被测容器充气前后的红外图像的信息差异,对获得的热像图进行背景估计、差分,以及目标与噪声的辨别,利用基于改进的双边滤波算法实现对泄漏点的检测与定位。实验证明：双边滤波算法对背景的预测具有鲁棒性,通过目标与噪声的扩散性区别分辨出目标,实现对泄漏点的准确定位。     

采用改进Mean Shift算法的移动机器人行人跟踪

为了提高移动机器人目标跟踪系统在复杂环境中的跟踪性能,提出在双层定位机制下采用基于自适应核函数的Mean Shift算法实现目标跟踪.利用射频识别器件(RFID)检测携带标签的目标,实现外层粗定位并确定感兴趣区域(ROI);在内层则根据对视差图的ROI的处理结果确定初始搜索窗口,然后应用基于自适应核函数的Mean Shift算法在从立体相机获得的左图中应用基于自适应核函数的Mean Shift算法实现对目标的精确定位.自适应核函数由目标的区域特征与Epanechnikov函数相融合构成,克服了目标边缘处背景像素对目标颜色概率分布的影响.与传统的Mean Shift算法相比,所提方法在同色背景干扰下仍能准确跟踪目标.另外,RFID限定了图像搜索范围,节省了运算开支,图像处理的平均时间为62.11 ms/frame,满足实时跟踪的要求.实验结果表明,该方法可实现移动机器人在同色背景干扰、遮挡、目标快速移动等情况下的目标跟踪.     

利用自适应卡尔曼滤波实现光电跟踪中的复合控制

为了在光电跟踪控制系统中实现复合控制以提高跟踪精度,构建了基于模型自适应卡尔曼滤波算法的复合控制结构。首先,利用跟踪脱靶量数据和仪器位置数据合成目标角位置数据;然后,利用模型自适应卡尔曼滤波算法对目标角位置数据进行滤波估计以获得目标角速度信息;最后,将目标角速度信息前馈到速度回路,从而构成复合控制系统。实验结果表明:采用复合控制结构后,目标跟踪精度提高了50%。基于模型自适应卡尔曼滤波算法的复合控制技术能够在保持原反馈控制系统稳定性的条件下提高跟踪精度。     

L1-L2范数联合约束的鲁棒目标跟踪

针对稀疏原型跟踪方法中未考虑正交模板系数的密集性的问题,本文提出一种L1-L2范数联合约束的鲁棒目标跟踪。首先,该方法建立基于L1-L2范数联合约束的目标表示模型,对PCA基模板系数和琐碎模板系数分别进行L2范数和L1范数正则化约束,不仅提高了跟踪的准确性,而且保证了对目标遮挡的鲁棒性;其次,针对目标表示模型的优化问题,运用岭回归和软阈值收缩方法快速迭代求解PCA基模板系数和琐碎模板系数;最后以粒子滤波为框架,利用目标未被遮挡部分的重构误差和稀疏噪声项建立观测模型,并结合提出的L1-L2范数联合约束的算法实现目标跟踪。实验结果表明,与5个现有的跟踪算法相比,本文的跟踪算法具有更好的准确性和鲁棒性。     

适用于复杂场景的多目标跟踪算法

在视觉目标跟踪应用中,传统算法在光照变化、阴影、遮挡和背景运动等复杂环境下面临着鲁棒性较差的问题。针对上述问题,首先在局部二进制类型(LBP)背景模型基础上,提出了自适应像素距离阈值编码的背景模型(ST-LBSP)克服阴影和光照变化对目标检测的影响;其次,为了克服遮挡、背景运动等问题,计算图像块之间的最小像素距离和图像块和目标历史数据之间的标准化差值平方和距离,依据距离信息对图像块进行整合;同时,对整合后的图像块,计算其光流矢量、区域内差异性和区域间差异性,对图像块进行分割;最后,采用结构化的支持向量机设计多目标跟踪器,实现了鲁棒的视觉跟踪。基于标准数据集的实验结果显示,该方法具有较强的鲁棒性和较高的跟踪精度。     

基于自适应卡尔曼滤波的Meanshift跟踪算法

针对传统的Meanshift视频跟踪算法在跟踪目标存在背景干扰或者有遮挡情况下,目标跟踪不准确、丢失的问题,提出了一种基于自适应卡尔曼滤波的Meanshift跟踪算法(AKFMeanshift)。该算法在Meanshift算法的基础上结合自适应卡尔曼滤波,有效解决了系统噪声特性未知时,卡尔曼滤波发散的问题。通过滤波器预测目标在下一帧的中心位置,把该位置作为Meanshift迭代初始位置,最终实现跟踪。实验结果表明:提出的算法能够在系统噪声未知的情况下、存在遮挡的条件下对目标进行准确的跟踪。     

基于粒子滤波和GVF-Snake的目标跟踪算法

提出了一种基于粒子滤波和GVF-Snake的自适应目标跟踪算法.该算法首先采用背景差分法获取目标初始轮廓,利用改进的GVF-Snake的强大搜索能力,使Snake收敛至运动目标的真实轮廓;然后根据控制点的距离增删控制点,达到自适应地跟踪运动和变形目标的目的;最后通过结合粒子滤波和改进的GVF-Snake,得到一种能量粒子滤波(EPF)目标跟踪算法,并利用提出的的跟踪策略,改进其抗遮挡能力.实验结果表明,被跟踪目标在遮挡情况下也能够保持良好的跟踪效果.     

基于Rao-Blackwellizedli粒子滤波的多特征融合多光谱目标自适应跟踪

针对复杂背景下视频目标跟踪的实时性和可靠性问题,提出了基于Rao-Blackwellized粒子滤波的颜色矩形特征和方向边缘信息融合的自适应跟踪算法。该算法采用Rao-Blackwellized粒子滤波提高滤波算法性能,采用积分图像快速计算颜色特征和方向边缘信息,根据跟踪实际情形,利用模糊逻辑自适应调节各特征权值,提高算法的跟踪速度和精度。视频跟踪仿真试验表明该算法是稳健的,能够在复杂的背景下对可见光及红外等运动目标进行有效、可靠的跟踪。     

移动机器人视觉控制系统的目标提取

在移动机器人视觉控制系统中,目标标志物的提取是关键技术之一。本文提出了利用基于标记的分水岭算法分割移动机器人目标标志物图像,首先将获取的目标标志物图像进行预处理,包括转换为灰度图像、进行空间滤波和二值化操作,接着对预处理后的图像进行数学形态学处理,最后利用基于标记的分水岭算法分割目标标志物图像。实验结果表明,该算法不但正确的分割了目标标志物图像,并很好的保护原图像的边缘信息,验证了该算法的有效性。     

决策主导的多模式融合目标跟踪算法

为了解决复杂场景中运动目标跟踪,特别是遮挡情况下对目标的连续、稳定跟踪的问题,提出一种基于决策主导的多模式融合跟踪算法.采用多层算法结构,以图像特征作为决策判据,自主控制算法流程;首先利用重心和改进的粒子滤波算法预测目标位置进行粗定位,而后用改进的SIFT特征匹配对目标精确定位.在保证跟踪性能的同时大大简化了算法的复杂度,提高了算法的实时性.实验表明,多模融合跟踪能够在目标发生旋转、缩放和有物体遮挡干扰的情况下,准确地提取目标,并保持连续稳定的跟踪,完全可以满足工程应用中实时性和鲁棒性的要求.     

融入运动信息和模型自适应的相关滤波跟踪

为解决余弦窗的影响和复杂场景中的目标遮挡问题,提出了一种融入运动信息和模型自适应的相关滤波跟踪算法。采用HOG特征和颜色直方图特征互补结合的框架,引入卡尔曼滤波和上下文感知滤波器,可以解决余弦窗的影响;引入一种高置信度检测方法和一种新的模型自适应更新方法,可以解决目标遮挡的问题。将提出的算法在OTB-2015测试集与其他6种相关滤波类算法进行比较,实验结果表明,该算法精确度和成功率分别为0.821和0.615。相对于Staple-CA算法,精确度提升了1.3%,成功率提升了2.8%,同时,算法速度为54.34 帧/s,满足实际工程实时性要求。     

基于双模型的相关滤波跟踪

为解决因边界效应导致相关滤波跟踪算法不够稳健及其不能适应尺度变化的问题,提出了一种基于双模型的相关滤波跟踪算法。将目标跟踪分为位置预测和尺度预测两部分,在位置滤波器模型进行位置预测阶段,先通过对待测样本进行样本增强处理,使得到的样本更符合实际场景。再通过交替方向乘子法进行位置滤波器的迭代求解,最后得到估计的目标位置。在尺度滤波器模型进行尺度预测阶段,通过在估计的目标位置处构建多尺度金字塔来训练尺度滤波器,再求解得到目标的尺度,将双模型得到的结果作为最终的跟踪结果。最后通过引入一个遮挡判据来判断是否更新模型以提高算法的鲁棒性。实验表明,改进算法和经典的相关滤波跟踪算法相比,在跟踪成功率上提高了18%,在跟踪精度上提高了11%。在目标被遮挡、自身尺度变化时,改进算法仍能稳定跟踪。