基于LabVIEW的物体目标跟踪系统设计

提出一种基于演化算法的模式匹配目标跟踪方法。传统的模式匹配算法大多采用遍历式搜索策略,因而计算量的降低有限。将演化算法引入匹配技术中,提出一种改进型图像匹配算法,并给出了基于LabVIEW软件的系统实现。实验结果表明该方法具有运算速度快、准确度高等特点。     

多天线时变信道下基于卡尔曼滤波跟踪的数字图像通信系统

数字图像在时间选择性衰落信道下传输，难以获得满意效果．为得到高质量的传输图像，基于多天线通信系统，采用卡尔曼滤波跟踪方法对时变信道进行跟踪以获得更高的系统性能，并增加信道编码．仿真结果表明，在系统中加入卷积码，可获得5dB以上的编码增益；在较高信噪比下，与无跟踪情况比较，误比特率有较大改善并可获得满意的传输图像。     

运动物体参数估计与跟踪的线对应新算法

在分析刚体平面运动前后对应直线参数关系的基础上,提出了用直线对应原理估计物体运动参数的新算法. 线对应法可以同时估计物体的平移和旋转参数,这一点是传统的点对应和其他方法难以实现的. 推导出对运动物体自动跟踪的迭代公式,在跟踪过程中用齐次坐标实现了坐标系转换和运动合成的一体化. 仿真实验证明,在大噪声环境下这一算法仍然可以获得相当精确的运动参数.     

一种基于机器人听觉的多声源跟踪策略

针对多运动声源跟踪问题,提出了一种将波束形成算法和卡尔曼滤波相结合的多运动声源跟踪策略.采用波束形成算法对空间声能量进行搜索计算目标可能的方位,通过不同窗长的并行卡尔曼滤波器预测目标各自在下一时刻的方位,从而获得目标的同一性.仿真与在室内环境下的实际运行结果验证了该方法的有效性.     

基于多新息理论的卡尔曼滤波改进算法

系统建模是卡尔曼滤波的基础,系统模型不准确带来的验前数据误差,使滤波器精度降低,甚至可能造成发散.针对这种情况,提出一种基于多新息理论改进的卡尔曼滤波算法.多新息卡尔曼滤波算法不仅考虑了运动目标当前的运动状态,而且也充分利用目标之前运动信息,从而使得多新息卡尔曼滤波算法的滤波精度和稳定性得到改善.仿真结果表明,改进的多新息卡尔曼滤波算法较标准卡尔曼滤波算法更有效,预测精度更高.     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

基于三维激光雷达的动态障碍实时检测与跟踪

为了解决在大数据量的情况下实现高效检测与跟踪的难点,提出一种室外动态未知环境下自主车的多障碍实时检测与跟踪的算法.由于Velodyne 64线三维激光雷达具有数据量大、精度高等特点,采用其与相机结合感知环境.算法结合从图像处理中得到的道边信息将原始激光雷达数据的感兴趣区域转化为栅格地图,在地图上采用区域标记和模板匹配的方法进行聚类和特征提取,检测得到盒子模型的障碍物,并进行障碍物跟踪.为了避免在多障碍物的情况下出现虚警和漏检,基于多假设跟踪数据关联和卡尔曼滤波来跟踪连续多帧的障碍物.本算法在自主车平台上能够以每帧100 ms实现准确、稳定地检测和跟踪.     

基于卡尔曼滤波的人脸跟踪算法

针对实时视频监控领域中传统的Camshift算法不能自动跟踪人脸和容易受到肤色相近遮挡等问题,采用Ad-aboost算法实现了人脸的自动检测,同时对于跟踪丢失等情形,通过卡尔曼预测对跟踪偏差进行实时改进。实验表明跟踪的准确性有较大提高,具有较好的实时性;在相近肤色遮挡时仍能实现正确跟踪,并对侧脸也有较好的效果;算法具有较好的鲁棒性。     

多天线时变信道下基于卡尔曼滤波跟踪的数字图像通信系统

数字图像在时间选择性衰落信道下传输 ,难以获得满意效果 .为得到高质量的传输图像 ,基于多天线通信系统 ,采用卡尔曼滤波跟踪方法对时变信道进行跟踪以获得更高的系统性能 ,并增加信道编码 .仿真结果表明 ,在系统中加入卷积码 ,可获得 5dB以上的编码增益 ;在较高信噪比下 ,与无跟踪情况比较 ,误比特率有较大改善并可获得满意的传输图像 .     

基于双视点立体系统的特征点匹配物体跟踪算法研究

在双视点立体系统中,运动物体跟踪是计算机视觉中一个热门的研究领域.为了精确地获得运动物体的像素点,我们提出了一个新的物体跟踪算法:首先计算运动物体的特征点,然后对其进行匹配,最后连接匹配的特征点并形成轨迹.算法在分辨率为640×480和768×576的视频文件中进行.结果表明:与L-K光流法相比,新算法可以更鲁棒性地检测运动物体并获得更精确的运动轨迹.     

目标跟踪的交互多模型方法

目的开发一个实用的目标跟踪方法,它对机动目标和非机动目标的跟踪精度都很高．方法首先建立新IMM跟踪模型,然后用计算机仿真的方法证实该模型的性能,并与已有的经常用于机动目标跟踪的“当前”加速度模型比较．结果仿真结果表明,IMM模型在目标运动的非机动段的跟踪精度比“当前”加速度模型高得多,而在机动段则有着与“当前”加速度模型相当的精度．结论在目标跟踪时,IMM模型比“当前”加速度模型有更高的综合精度,它将发展成为一种实用目标跟踪方法．     

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。     

基于多模型粒子滤波的机动多目标跟踪算法

针对密集杂波环境下机动多目标跟踪中系统强非线性以及运动模式切换对于滤波精度的不利影响,提出了一种基于多模型粒子滤波的机动多目标跟踪算法.新算法实现了多模型粒子滤波和广义概率数据关联算法的有机结合.通过在粒子状态采样过程中引入模型信息改善了交互式多模型和粒子滤波结合中导致的计算量膨胀问题,并利用广义概率数据关联算法实现回波的有效确认和回波信息的充分利用.给出了应用该方法的具体步骤,最后,理论分析和仿真实验证明该算法的有效性.     

转换测量值卡尔曼滤波的激光目标跟踪

为了解决在实际的目标跟踪系统中测量方程与运动方程的非线性问题，在传统的卡尔曼滤波的基础上提出了转换测量值的卡尔曼滤波器，并以此为基础在三维空间对其进行了推导。最后结合激光器的特点把它应用于激光跟踪目标的仿真，与扩展卡尔曼滤波相比较，应用转换测量值卡尔曼滤波器进行仿真的精度要明显高于应用扩展卡尔曼滤波器所得到的结果。     

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．     

多传感器跟踪型数据滤波融合算法

在实际系统中，常用的数据融合方法是基于扩展的卡尔曼滤波法的融合算法，但是这种融合算法的跟踪精度并不是很高，通过对滤波跟踪数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法，研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别并不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

基于多模式多特征融合粒子滤波视频目标跟踪

本文研究了目标的多特征融合跟踪问题.提出了衡量各特征质量的标量方法,利用粒子权值平方和来表示各特征信息的粒子退化程度,并以此值作为各特征信息质量状况的衡量.该方法能根据跟踪的实际情况判定各分信息粒子质量,并在此基础上提出了多模式融合策略,该策略能依据各分信息的质量变换各融合模式达到跟踪过程中各模式的最优组合.实验结果表明:在对复杂背景视频目标的跟踪中,该算法具有强的鲁棒性,较高的识别精度.     

动态场景下的基于SIFT和CBWH的目标跟踪

针对动态背景下的目标跟踪,提出了基于SIFT特征和CBWH特征的卡尔曼跟踪算法。算法利用卡尔曼滤波器预测目标的大概位置;在所在位置区域内提取SIFT特征,与第一帧和前一帧进行特征匹配,并投票获得候选目标位置;利用CBWH特征获得目标可能位置;将二者位置加权对卡尔曼滤波器预测值进行修正,得到目标位置。实验表明,所提算法取得了较好的实验结果。     

基于视频检测的卡尔曼滤波车辆跟踪算法及行为分析

采用基于目标检测的运动目标跟踪策略, 首先用时间差分法进行运动目标检测, 获得运动目标的初始位置;然后采用卡尔曼滤波器预测运动目标下一时刻所在的位置, 再利用运动目标检测的结果评估和矫正预测结果, 获得运动目标的准确位置, 并依据跟踪结果进行车辆的行为分析.实验结果表明, 本方法可有效地解决运动目标部分遮挡及短时间全遮挡下的可靠跟踪问题.