视频监控重点区域智能分析报警系统的设计与实现

针对传统的视频监控系统中运动目标跟踪的不足,提出了将Kalman滤波器引入Mean shift算法中的运动目标跟踪新方法,解决了Meanshift算法在大面积遮挡问题以及相似干扰物问题,并将多线程技术应用到软件设计方面。通过在实际智能分析报警系统中的应用,对运动目标跟踪实现方案的有效性、实时性等特性进行了验证。     

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。     

结合稳健估计和Meanshift的视频目标跟踪算法

针对Meanshift目标跟踪算法对强噪声环境敏感的问题,提出了一种结合稳健估计和传统Meanshift的修正Meanshift算法.通过稳健估计修正传统Meanshift算法的核概率密度函数,提升Meanshift算法的鲁棒性.针对信噪比分别为60、30和0 db的仿真数据,将传统Meanshift算法和修正Meanshift算法的跟踪轨迹准确性和精度进行对比.结果表明,修正Meanshift算法能够实现目标准确跟踪,且跟踪位置的相对误差在1%以下.对于实际运动目标视频数据,所提算法也可以实现实时跟踪定位,克服了传统Meanshift算法目标跟踪丢失的问题.     

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。     

水面无人艇动态障碍目标视觉跟踪方法

针对目前Camshift跟踪算法计算量大,实时性差的缺点,提出一种基于Kalman与Camshift相结合的方法,能够有效提高算法的实时性。通过目标分割算法得到目标物体的轮廓区域,计算出目标的质心,以目标质心坐标和运动速度作为Kalman滤波器输入预测出目标在下一帧中的位置,然后在预测位置附近用Camshift算法搜索和匹配,得到目标的精确位置信息,以此时得到的精确位置信息为Kalman滤波器的测量输入,参与到下一轮预测,依次循环进行下去。经过验证该方法在一定条件下有很好的准确性和实时性。     

基于视频监控的运动目标跟踪算法

利用Kalman滤波思想对运动目标的前时刻状态信息进行预测,获取重心位置与形态紧密度估计值;将估计值与当前时刻观测值进行匹配,根据匹配误差修正运动目标的速度与紧密度变化值,通过递归算法实现常态下运动目标的准确、快速跟踪.针对复杂场景下由于运动遮挡造成无法准确估计目标运动轨迹,采用灰色模型GM(1,1)保证了跟踪过程的连续、稳定.最后,通过不同交通场景的视频序列对本文算法进行了验证,结果表明本文方法具有较好的适应性、鲁棒性,可实现复杂遮挡情况下连续、稳定、实时的目标运动跟踪.     

提高红外经纬仪跟踪弱小目标精度的新算法

为了解决在复杂背景下有效测量弱小运动目标的瓶颈问题,提出了一种将Kalman滤波与模糊理论相结合的小目标跟踪算法.利用Kalman滤波进行目标点的位置预测,在动态搜索范围内寻找匹配目标点进行图像序列分析,并结合模糊理论进行记忆更新来确定目标可能度.通过目标描述、Kalman预测、确定搜索范围、搜索目标和记忆更新等方面的论述,从理论分析和实验结果两方面证明了算法的有效性.跟踪算法通过记忆的缓慢衰减进行运动估计,实现了红外经纬仪对小于20像素的运动弱小目标动态跟踪的连续性和稳定性.     

融合梯度特征的红外目标跟踪

Meanshift跟踪算法普遍采用单一的灰度空间进行红外目标跟踪,直方图所含信息量少,容易受目标和背景灰度变化的影响．文中提出一种融合梯度特征的红外图像Meanshift跟踪算法,该算法对边缘和结构特征的梯度值进行量化,建立梯度特征模型;利用Bhatta—charyya系数分别计算梯度特征和灰度特征的特征相似度;设置置信度系数,并利用置信度系数将梯度特征相似度和灰度特征相似度进行融合,得到综合相似度;针对综合相似度推导Meanshift迭代方程,通过迭代运算逐步逼近目标实现跟踪;利用灰度特征相似度和梯度特征相似度信息并结合置信度系数设计模型更新准则以提高跟踪鲁棒性．文中算法能够适应红外目标跟踪中目标与背景的变化,鲁棒性强且跟踪准确度高,仿真实验表明该算法较普通Meanshift算法性能有较大提高,跟踪精度也有所改善．     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.     

基于Kalman预测和K-近邻的多目标跟踪

针对Kalman预测跟踪和K-近邻数据关联算法的优缺点,研究一种基于Kalman预测和K-近邻的多目标跟踪方法.该方法首先利用Kalman滤波预测出运动目标在下一帧中最可能出现的位置,接着根据当前帧目标位置和预测目标位置的距离,确定搜索半径,利用K-近邻数据关联算法,在该半径范围内,计算与预测点欧式距离最短的目标,并将其确定为真实目标位置.在MATLAB仿真环境下实现该跟踪算法,实验结果表明,用该方法进行多目标跟踪时,跟踪效果和性能较为稳定和可靠.此外选择合理的K值,能减少运算量,加快系统处理速度.     

Target Tracking Algorithm Based on Meanshift and Kalman Filter

Directed at the problem of occlusion in target tracking, a new improved algorithm based on the Meanshift algorithm and Kalman filter is proposed. The algorithm effectively combines the Meanshift algorithm with the Kalman filtering algorithm to determine the position of the target centroid and subsequently adjust the current search window adaptively according to the target centroid position and the previous frame search window boundary. The derived search window is more closely matched to the location of the target, which improves the accuracy and reliability of tracking. The environmental influence and other influencing factors on the algorithm are also reduced. Through comparison and analysis of the experiments, the modified algorithm demonstrates good stability and adaptability, and can effectively solve the problem of large area occlusion and similar interference.     

基于雷达图像的水面无人艇目标检测技术

针对水面无人艇雷达目标探测问题,进行了嵌入式雷达图像采集处理系统的研究.提出了嵌入式雷达图像采集处理系统的体系结构.在提取目标位置信息的基础上,选择目标的位置、面积、不变矩特征,完成目标在雷达图像序列中的匹配,实现目标跟踪.针对雷达图像序列中偶有目标丢失的问题,利用卡尔曼滤波预测目标位置信息,帮助建立完整的目标链.最后通过海试验证了所设计的嵌入式雷达图像采集处理系统的可行性,试验表明所提出的图像处理算法、目标的特征匹配和卡尔曼滤波预测算法可以有效的完成目标的检测和跟踪.     

融合运动信息和跟踪评价的高效卷积算子

针对基于方向梯度直方图与颜色命名的高效卷积算子(ECO-HC)算法缺少跟踪质量评价和滤波模板更新监督机制的问题,提出融合运动信息和跟踪评价的高效卷积算子. 将卡尔曼滤波器加入ECO-HC跟踪定位框架对目标执行联合跟踪,设计高置信度判别指标评价ECO-HC对每帧图像的跟踪效果,使用原始跟踪结果和卡尔曼滤波预测值的加权融合值,修正不满足判别指标的跟踪结果. 在滤波模板隔帧更新策略的基础上,加入当前帧跟踪结果质量评价信息,当2个条件同时满足时执行模板更新. 依托公开数据集OTB-2015评估算法性能,结果显示改进算法整体跟踪精确度、成功率和跟踪速率均优于原算法,在运动模糊、低分辨率、离开视野场景中的精确度分别提高3.0%、3.5%和2.8%,成功率分别提高3.8%、2.1%和4.0%. 改进算法在保证实时性的同时,有效提升了复杂场景下的跟踪效果.     

基于类云模型聚类的多目标数据关联算法

针对多目标跟踪中的数据关联问题,提出一种基于类云模型c-均值聚类的数据关联算法.该算法采用类云模型c-均值聚类算法对目标有效回波进行聚类,将聚类中心作为目标最终观测值,运用最近邻法对聚类中心与航迹进行关联,用Kalman滤波器进行状态估计.实验结果表明,本算法与联合概率数据互联算法相比,跟踪精度高,计算量小,更适应于工程应用.     

基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.     

BF粒子滤波算法在快速目标跟踪中应用的研究

为了对快速目标进行跟踪,在高斯加性白噪声的条件下(AGWN),文章把BF粒子滤波算法和迭代的Kalman滤波器方法结合起来对快速目标状态进行处理,状态估计用BF粒子滤波算法,能减小方差和运算量,同时用Kalman滤波器能提高跟踪精度和对目标状态的估计。仿真结果表明,文中所设计的快速和精确的BF算法能真正地解决快速目标跟踪问题。     

目标跟踪中的观测时间控制算法

为解决目标跟踪精度与观测时间间隔的矛盾，提出了一种基于目标状态估计协方差控制的观测时间确定算法．该算法以卡尔曼滤波器作为状态估计工具，根据跟踪精度要求设定目标估计状态协方差上限，通过目标估计状态协方差来控制观测时间间隔，从而实现对目标的优化观测．仿真结果验证了算法的有效性．     

广义合作目标跟踪的误差空间估计方法

提出了广义合作目标的概念及误差空间估计方法,提高了光电跟踪系统的跟踪精度与平稳性。该方法采用引导数据与引导误差描述目标的运动,通过将目标的机动分散到引导数据和引导误差,在目标状态空间中根据目标的运动模型进行滤波,在误差空间中根据引导误差模型进行滤波与预测,再进行合成得到目标位置预测数据。实验结果表明在相同的机动水平下,该方法的跟踪性能优于Kalman滤波与强跟踪滤波。