基于粒子滤波的分布式目标跟踪算法

根据无线传感器网络分布式目标跟踪的特性,提出一种改进粒子滤波算法。将簇内各节点最新的观测数据用极大似然估计法得到目标的状态信息,该信息作为参考分布更换粒子滤波部分粒子,引入模糊推理的数据融合方法为各个节点滤波结果分配不同权值,通过加权平均法得到目标的状态信息。仿真实验表明该算法能有效提高目标跟踪的精度。     

基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.     

融合颜色与纹理特征的粒子滤波目标跟踪

针对采用单一颜色特征的粒子滤波目标跟踪算法在背景相似、光照变化复杂的场景下会导致跟踪失败的问题,提出一种基于LBP纹理和颜色特征融合的粒子滤波跟踪目标算法。综合加权颜色直方图和LBP纹理直方图进行目标特征描述,建立目标观测模型;同时粒子滤波进行状态预测,利用Bhattacharyya系数进行相似度测量,作为目标区域参考模型更新准则,实现权值更新;最后对权值归一化处理,得到目标位置状态的最终估计。实验结果表明该算法不仅提高了跟踪方法的鲁棒性,而且在目标遮挡、光照变化等干扰下,具有较好的准确性。     

基于自适应特征融合的粒子滤波目标跟踪算法

提出了一种基于自适应特征融合的粒子滤波跟踪算法,用于解决传统的粒子滤波跟踪方法在复杂背景下容易跟踪失败的问题。该算法选取颜色特征和边缘特征来描述目标,并通过粒子滤波进行特征融合,根据可靠性因子调整各特征的权值系数;在跟踪过程中,随着目标自身形变,自适应更新目标模板。实验结果表明,在复杂背景下以及受到遮挡时,本算法能够准确稳健地跟踪目标。     

粒子滤波目标跟踪中的有效粒子数控制方法

针对视频目标跟踪中粒子滤波的粒子退化问题,提出一种有效粒子数控制方法。通过分析权值和有效粒子数对跟踪性能的影响,建立了有效粒子数控制的相关理论,并提出基于有效粒子数控制的粒子滤波目标跟踪算法。最后,建立了跟踪性能评价方法。大量的实验比较表明所提出的方法是有效的。     

多特征融合的自适应性粒子滤波跟踪算法

为提高粒子滤波视觉目标跟踪算法的实时性与鲁棒性,提出了一种基于多特征融合的自适应性粒子滤波跟踪算法。该算法利用颜色和结构特征表示目标,将两者融合于粒子滤波的框架中,利用融合后的信息计算粒子的权值,以降低算法受目标形变及复杂环境的影响。同时,根据跟踪预测的准确程度动态计算跟踪所需的粒子数目,对采样粒子集进行自适应调整,以提高粒子质量,降低粒子数量,减少算法运算时间。实验结果表明,所提算法对于每帧图像的平均计算时间相对于传统混合跟踪算法缩短了将近一半,而且算法的鲁棒性较强。     

融合目标特征和空间信息的粒子滤波跟踪

传统的基于颜色直方图的粒子滤波跟踪算法不能很好地利用跟踪对象的空间结构信息,因此在邻域颜色相似或目标模型微小变化时,不能取得良好的跟踪效果。提出一种融合目标特征和目标空间位置信息的粒子滤波跟踪算法,该算法鉴于目标空间位置包含跟踪对象一定的结构信息,可以和目标特征互为补充,利用定义的融合目标特征和目标空间位置的度量函数来进行跟踪对象相似度度量,以提高跟踪算法的稳健性和精确性。同时针对粒子滤波计算粒子相似度时可并行的特点,运用OpenMP共享存储并行计算进行粒子滤波跟踪的加速。实验表明,基于融合目标特征和空间信息的粒子滤波跟踪算法能得到更鲁棒的跟踪效果,可以有效地提高目标跟踪的速度。     

基于多特征融合的粒子滤波算法研究

传统的粒子滤波跟踪算法只依靠单一的颜色特征作为跟踪依据。在复杂背景或者遮挡物颜色与跟踪目标接近时传统的粒子滤波算法很容易造成跟踪目标丢失。针对该问题,提出一种基于多特征融合的粒子滤波算法,该算法按一定的权值系数利用目标的颜色特征和边缘特征来构建似然函数作为跟踪目标的跟踪依据,克服了依靠单一颜色特征跟踪目标的跟踪算法的不足。实验结果表明,多特征融合后的跟踪算法有较好的跟踪性能。     

基于多特征融合与均值偏移的粒子滤波跟踪算法

利用单一特征在复杂环境下进行目标跟踪容易导致跟踪失败。针对该问题,提出基于多特征融合与均值偏移的粒子滤波跟踪算法。在粒子滤波的总体框架下,通过嵌入均值漂移聚类算法产生更逼近真实后验分布的粒子,同时采用颜色和结构特征作为观测模型来表示目标,利用融合后的信息计算粒子的权值,并在跟踪过程中不断更新,以减小跟踪偏差。实验结果表明,与基于颜色与结构的跟踪算法相比,该算法在使用相同粒子数目时鲁棒性更高,而且粒子的平均权重得到了提高,重采样次数明显减少,即使在粒子数目较少的情况下也能实现稳定跟踪。     

基于自适应粒子滤波器的物体跟踪

利用分类概念及粒子滤波理论,提出了一种基于自适应粒子滤波器的物体跟踪算法。将Boosting算法引入粒子滤波器,构建了自适应粒子滤波器,该方法首先利用背景信息和目标信息建立特征分类器,将分类器的输出结果作为粒子滤波系统观测的重要信息,进行粒子权值的计算,并在跟踪过程中不断更新特征分类器,从而自适应地更新粒子的权值。实验结果表明,该算法可以根据背景信息的不同自适应地选择特征,对于存在遮挡、形变及背景干扰等情况,依然可以很好地对目标进行稳定跟踪。     

Player target tracking and detection in football game video using edge computing and deep learning

The purpose is to explore the player detection and motion tracking in football game video based on edge computing and deep learning (DL), thus improving the detection effect of player trajectory in different scenes. First, the basic technology of player target tracking and detection task is analyzed based on the Histograms of Oriented Gradients feature. Then, the neural network structure in DL is combined with the target tracking method to improve the miss detection problem of the Faster R-CNN (FRCN) algorithm in detecting small targets. Edge computing places massive computing nodes close to the terminal devices to meet the high computing and low latency requirements of DL on edge devices. After the occlusion problem in the football game is analyzed, the optimized algorithm is applied to the public dataset OTB2013 and the football game dataset containing 80 motion trajectories. After testing, the target tracking accuracy of the improved FRCN is 89.1%, the target tracking success rate is 64.5%, and the running frame rate is still about 25 fps. The high confidence of FRCN algorithm also avoids template pollution. In the ordinary scene, the FRCN algorithm basically does not lose the target. The area under curve value of the proposed FRCN algorithm decreases slightly in the scene where the target is occluded. The FRCN algorithm based on DL technology can achieve the target tracking of players in football game video and has strong robustness to the situation of players occlusion. The designed target detection algorithm is applied to the football game video, which can better analyze the technical characteristics of players, promote the development of football technology, bring different viewing experiences to the audience, drive the development of economic products derived from football games, and promote the dissemination and promotion of football.

     

基于关键特征点的改进TLD目标跟踪算法研究

TLD（Tracking-Learning-Detection）算法是一种新颖的单目标长时间视觉跟踪算法,在给定极少的先验知识的情况下,能够迅速地学习目标特征并进行有效的跟踪。TLD算法中跟踪器每次在跟踪目标上均匀地选取特征点进行跟踪,不能保证每个特征点都能够被可靠地跟踪。针对这个问题,提出一种基于关键特征点检测的改进TLD算法,保证所选特征点都能够被正确可靠地跟踪,防止跟踪结果发生漂移,提高了跟踪器的跟踪精度。另一方面,在TLD检测器中引入了基于轨迹连续性的在线位置预测,在保证正确跟踪的前提下,缩小了检测器的检测范围,提高了运算速度。实验结果表明,该算法有较高的跟踪精度和速度。     

特征融合和聚类核函数平滑采样优化的粒子滤波目标跟踪方法

针对复杂场景下的目标跟踪问题,提出了一种改进的粒子滤波目标跟踪方法。利用背景加权后的联合直方图描述目标灰度和梯度特征信息,在粒子滤波算法的框架下,设计了一种自适应特征融合观测模型来适应场景的不断变化;同时针对传统粒子滤波算法存在的粒子退化问题,提出了一种基于聚类核函数平滑采样的方法。理论仿真和实际场景的实验结果表明,该算法适应性更强,精度更高,能有效跟踪复杂场景下的运动目标。     

一种基于SIFT特征光流的运动目标跟踪算法

针对传统光流跟踪算法计算复杂度高、受噪声影响大的问题,提出了一种基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)和卡尔曼滤波器的特征点光流跟踪算法。首先,利用SIFT算法提取图像中的特征点;然后,根据最小绝对值误差准则对运动目标的特征点进行匹配,建立卡尔曼滤波器方程来计算特征点光流;最后,通过光流特征聚类实现运动目标的识别与跟踪。实验结果表明,算法对自然场景中的运动目标具有良好的跟踪特性,稳定性好,计算量小,易于实现。     

基于改进 L-K 光流的 WebAR 信息可视分析方法

摘 要：信息可视化技术结合移动增强现实(MAR)技术在目标跟踪领域仍然存在设备计算 负载过大的问题。若仍坚持采用同跟踪平面图像特征点的方案来跟踪立体对象各角度的特征点, 则目标跟踪过程所需要获取的多角度特征点数据无疑会加重跟踪过程的计算压力,进而导致移 动设备负载过大,最终影响模型渲染,所渲染的模型常出现剧烈抖动、卡顿或运动滞后于目标 物的现象。针对上述问题,提出了一种基于改进的 L-K (Lucas-Kanade)光流跟踪算法的 WebAR (基于 Web 端的 MAR 技术)解决方案,将特征点的跟踪问题转化为光流估计问题以及一种优化 的三维信息可视化交互策略。实验结果表明,该方法能够提高 MAR 在跟踪目标时的计算效率 和稳定性,丰富信息可视化的呈现效果和交互方式。     

Improved infrared small target detection and tracking method based on new intelligence particle filter

Track‐before‐detect algorithm based on the particle filter algorithm has the problems of low tracking precision, poor particles, and requiring a large amount of particles to be calculated in a low signal‐to‐noise ratio, which is difficult to meet the accuracy and speed required by the modern infrared search and tracking system. In this paper, an improved infrared small target detection and tracking method based on a new particle filter is proposed. This is where particles are used to represent an individual bat to imitate the hunting process of bats. By adjusting loudness, frequency, and impulse emissivity of a particle swarm, the optimal particle at that time is followed to search in the solution space. In addition, the global search and the local search can also be dynamically switched to improve the quality and distribution of the particle swarm. The performance of the proposed algorithm is tested in a simulation scene and the real scene of the infrared small target detection and tracking. Experimental results show that the proposed algorithm improves the performance of the infrared searching and tracking system.     

Integrated detection and tracking of multiple faces using particle filtering and optical flow-based elastic matching

The design and implementation of a multiple face tracking framework that integrates face detection and face tracking is presented. Specifically, the incorporation of a novel proposal distribution and object shape model within the face tracking framework is proposed. A general solution that incorporates the most recent observation in the proposal distribution using a multiscale elastic matching-based optical flow algorithm is proposed. The proposed multiscale elastic matching-based optical flow algorithm is shown to be general and powerful in three significant ways. First, it allows for the tracking of both, rigid and elastic objects. Second, it enables robust tracking even in the face of sudden and gradual changes in illumination, scale and viewpoint. Third, it is suitable for tracking using both, fixed cameras and moving cameras. The proposed object shape model is based on a kernel-based line segment matching algorithm, which incorporates a voting scheme similar to the Radon Transform. The incorporation of the object shape model is shown to improve the computational complexity and accuracy of the face tracking algorithm and also enhance its robustness to occlusion, noise and scene clutter. Efficient techniques for particle sampling based on the Genetic Algorithm and for computation of the region-based likelihood function using the integral image are proposed. The incorporation of face detection within the face tracking algorithm is also proposed. Experimental results show that the proposed face tracking system is very robust in its ability to handle occlusion, noise, scene clutter and changes in illumination, scale and viewpoint and is also computationally efficient.     

一种适用于离岗检测的目标跟踪算法

提出一种改进的适用于智能安防领域中离岗检测的目标跟踪算法,该算法结合均值漂移算法和粒子滤波算法的优点,先使用均值漂移算法对目标进行预跟踪,然后在此基础上使用粒子滤波对目标精确定位,在保证了跟踪准确率的前提下缩短了算法的计算时间。此外,针对监控视频大多分辨率低,目标辨识度不高等特点,在本文中,原始视频流的灰度信息和纹理信息被作为待跟踪目标的特征。实验结果证明,采用该混合特征的目标跟踪算法比其他同类算法在目标跟踪的准确率和实时性上具有更好的表现,能够适应更广泛的视频场景。     

基于模糊模式识别的场景图像分类方法

为解决装甲车车载图像跟踪系统中对场景进行分类的问题．提出了一种根据模糊模式识别原理对场景图像进行分类的方法。首先通过建立场景图像的特征向量来对场景进行描述，并根据所选特征参数设计了矢量隶属函数，然后通过计算隶属函数的值来对场景图像进行分类。实验证明，场景分类的结果对跟踪系统中目标提取方法的选取，有较好的指导作用。     

基于1-norm SVM权值学习的多示例目标跟踪

针对复杂场景下目标跟踪存在鲁棒性低,容易发生跟踪漂移的问题,提出一种改进的多示例目标跟踪算法。该算法针对多示例跟踪算法在包概率计算过程中忽略样本间的差异,对所有样本赋予相同权值,造成分类器性能下降及弱分类器选择存在复杂度高的问题,通过1-norm SVM计算各样本对包概率的重要程度,并在弱分类器选择过程采用内积的方法计算包概率的似然函数,从而减小算法的复杂度和计算时间。实验结果表明,该算法在目标发生遮挡、姿势变化、场景光照发生较大变化以及出现相似目标等较强干扰的情况下仍能较好地跟踪目标,具有较强的鲁棒性和抗干扰能力。