Mean-Shift跟踪算法中目标模型的自适应更新

针对Mean—shift跟踪算法中的模型更新问题,提出利用目标历史模型和当前匹配位置处得到的观测模型,对目标核函数直方图进行Kalman滤波,从而对目标模型进行及时更新。在滤波过程中,通过分析滤波残差动态,调整滤波方程中的各种参数。Bhattacharyya系数被用作模型更新的准则。该系统能够有效地处理遮挡、光照变化等干扰,避免了模型的过更新。大量视频序列测试的结果表明,在场景遮挡、光照变化等因素的影响下,算法能够对目标外观以及尺度的变化进行稳健、实时和有效的跟踪。     

基于粒子Mean Shift迁移的红外人体目标跟踪算法

提出了一种基于粒子Mean Shift迁移过程的红外人体跟踪方法.算法通过采样粒子迁移和聚类动态建立目标的状态模型和量测模型.在被跟踪区域随机布撒粒子,以各粒子对应像素的亮度作为特征值进行Mean Shift收敛性分析,使用收敛后的粒子集表达目标的当前状态;以状态粒子的坐标位置为特征值对其进行Mean Shift聚类,作为对目标的量测.连续跟踪时,下一帧的采样粒子基于上一帧的量测结果产生.与传统的基于序贯重要性采样的粒子滤波方法相比,算法不需要目标的相似性测度计算,仅用少数粒子即可实现对目标的可靠跟踪.     

跟踪窗口尺度自动更新的Mean—Shift跟踪算法

Mean—Shift算法作为一种高效的模式匹配算法,已经广泛地应用在实时性要求较高的目标跟踪系统中,但标准的Mean—shift跟踪算法缺乏窗口尺度自动更新机制无法满足图像中运动目标尺寸变化的需要。在分析图像的轮廓检测的基础上提出了一种窗口自动更新方法,实验证明本算法能够有效地跟踪尺寸变化的目标并且提高了跟踪精度,增强了跟踪稳定性。     

基于信息熵的Mean-shift目标跟踪

视频目标跟踪在交通、军事等领域具有重要的应用价值。基于信息熵理论,提出了一种视频特征相关匹配的视频目标跟踪算法。首先引入信息熵概念,以信息熵描述视频目标特性,结合Mean—shift算法,针对不同的两个颜色空间RBG与HSV,用特征相关匹配法设计跟踪算法。试验结果表明,所提跟踪算法跟踪具有较好的实时性,取得较好的跟踪效果。     

基于特征自动选择的Mean Shift跟踪方法

扩展传统的Mean Shift跟踪算法,使其能够实现特征和量阶自动选择。引入比率 对数图及互信息方差实现特征的自动选取,同时提出一种新的量化方法,能够更显著地区分目标和背景。实验结果表明,该算法在多场景下具有较好的鲁棒性并能提高跟踪精度,可以适应光线变化、背景干扰、被部分遮挡或色彩质量较差的情况。     

Mean-Shift目标跟踪算法的带宽选取策略

分析不同带宽策略对Mean-Shift目标跟踪算法的影响,提出一种新的带宽策略。构造一个与目标窗口内接椭圆相似的椭圆,利用其长轴和短轴确定带宽,将此带宽策略纳入Mean-Shift算法中进行目标跟踪。实验结果表明,该策略具有良好的跟踪效果,能够有效降低时间复杂度。     

基于可变带宽MeanShift的目标跟踪

针对Mean SlliR核函数带宽不能自适应改变的缺陷,提出一种用数据点的函数表示带的Mean Sllift跟踪算法。用数据点的概率密度来描述目标尺寸的变化,用比例系数和概率密度计算出带宽的实时变化,由Mean Shift算法的收敛性实现目标的跟踪。实验表明,该算法能更好地适应跟踪过程中目标尺寸的变化,提高了跟踪的稳定性。     

Mean-Shift跟踪算法中核函数窗宽的自动选取

传统核窗宽固定的Mean-Shift跟踪算法不能很好地对逐渐增大尺寸的目标进行有效的跟踪.在分析同一目标在不同尺度下核直方图基于Bhattacharyya系数相似性的基础上,发现并证明了在核窗宽固定的条件下,目标在其窗宽范围内进行缩放、平移运动并不影响Mean-Shift跟踪算法空间定位的准确性.在此基础上,提出了一种基于后向跟踪、形心配准的核窗宽自动选取算法.对尺度渐大的车辆进行的跟踪实验验证了该算法的有效性.     

基于预测的多特征融合Mean-Shift跟踪算法

视频监控在生活中的应用已经相当广泛,其中视频目标精确跟踪是 计算机视觉中 应用较广、难度较大的一部分。在实际视频场景中目标存在复杂的变化,如外形变化、部分遮挡、光照变化等,这对Mean-Shift跟踪算法产生了较大的影响。为了解决上述变化导致的跟踪不准确的问题,融合颜色和Gabor-LBP纹理特征进行Mean-Shift跟踪,并利用二次多项式预测运动目标的位置,以提高跟踪的准确度。     

Nonlinear Adaptive Tracking Of Surface Vessels With Exogenous Disturbances

Significant interaction disturbances in surface vessel maneuvering and position tracking often require high precision controllers. In this paper we develop a coupled nonlinear two‐vessel tracking model for addressing the problem of underway replenishment. Next, using this model we develop an inverse optimal adaptive controller that guarantees disturbance rejection to exogenous disturbances while maintaining a desired separation between the two vessels.     

Attitude Tracking With Adaptive Rejection of Rate Gyro Disturbances

The classical attitude control problem for a rigid body is revisited under the assumption that measurements of the angular rates obtained by means of rate gyros are corrupted by harmonic disturbances, a setup of importance in several aerospace applications. This note extends previous methods developed to compensate bias in angular rate measurements by accounting for a more general class of disturbances, and by allowing uncertainty in the inertial parameters. By resorting to adaptive observers designed on the basis of the internal model principle, it is shown how converging estimates of the angular velocity can be used effectively in a passivity-based controller yielding global convergence within the chosen parametrization of the group of rotations. Since a persistence of excitation condition is not required for the convergence of the state estimates, only an upper bound on the number of distinct harmonic components of the disturbance is needed for the applicability of the method.     

基于UKF的窗口自适应Mean-Shift算法

传统的Mean-Shift跟踪算法窗口固定,不能对尺度任意变化的目标进行有效跟踪.为此,提出一种多尺度理论与无味卡尔曼滤波器(UKF)相结合的视频跟踪改进算法.利用多尺度理论统计跟踪窗内的信息量,使用UKF对得到的信息量进行预测,通过修正后的信息量计算窗口变化比例系数,对尺度任意变化的目标进行跟踪.实验结果证明,该算法...     

基于多特征融合的均值偏移视频目标跟踪算法

为了有效地实现复杂环境下视频目标跟踪，在分析了基于颜色分布的均值偏移跟踪算法的基础上，提出了一种联合空间信息的改进均值偏移算法，此算法是将目标空间位置预测与均值偏移算法定位结果通过加权得到最终目标位置，实验表明，改进算法将目标颜色分布与目标空间运动信息相结合，保证了跟踪效果的稳定性和鲁棒性．     

基于改进Mean-Shift的颜色直方图地板块跟踪算法

针对传统Mean-Shift算法中密度估计在速度、光线等因素影响下存在丢失目标的缺陷,在Mean-Shift算法基本原理的基础上,提出一种目标颜色直方图和Mean-Shift迭代算法相结合的跟踪方法.将该算法应用于地板块跟踪领域,研究了在遮挡物以及光线影响下该算法的可行性和跟踪效果.仿真和实验结果表明,该算法兼备跟踪快速、识别准确、稳定性好等优点,优于传统的Lucas-Kanade算法、Camshift算法,为地板块跟踪算法的研究提供了一个新的思路.     

具有尺度和旋转适应性的长时间目标跟踪

目标发生尺度和旋转变化会给长时间目标跟踪带来很大的挑战,针对该问题,本文提出了具有尺度和旋转适应性的鲁棒目标跟踪算法.首先针对跟踪过程中目标存在的尺度变化和旋转运动,提出一种基于傅里叶-梅林变换和核相关滤波的目标尺度和旋转参数估计方法.该方法能够实现连续空间的目标尺度和旋转参数估计,采用核相关滤波提高了估计的鲁棒性和准确性.然后针对长时间目标跟踪过程中,有时不可避免地会出现跟踪失败的情况（例如由于长时间半遮挡或全遮挡等）,提出一种基于直方图和方差加权的目标搜索方法.当目标丢失时,通过提出的搜索方法能够快速从图像中确定目标可能存在的区域,使得跟踪算法具有从失败中恢复的能力.本文还训练了两个核相关滤波器用于估计跟踪结果的置信度和目标平移,通过专门的核相关滤波器能够使得估计的跟踪结果置信度更加准确和鲁棒,置信度的估计结果可用于激活基于直方图和方差加权的目标搜索模块,并判断搜索窗口中是否包含目标.本文在目标跟踪标准数据集（Online object tracking benchmark,OTB）上对提出的算法和目前主流的目标跟踪算法进行对比实验,验证了本文提出算法的有效性和优越性.     

Speed-assigned Position Tracking Control of SRM With Adaptive Backstepping Control

A novel speed-assigned method is applied to the position tracking control of switched reluctance motor (SRM). A speed control freedom can be drawn into the position control through speed assignment. Adaptive backstepping control is used to design the position controller for the SRM. The accuracy of position tracking of the SRM can be enhanced with speed assignment. A disturbance observer is further designed to enhance the estimation accuracy of the unknown load torque. Simulation results certify that the design scheme is right and effective.      

结合Mean-Shift和Particle Filter的鲁棒跟踪算法

Mean-Shift算法在图像跟踪领域得到广泛应用．但有遮挡情况发生时．算法容易陷入局部最大值．Particle Filter作为一种基于贝叶斯估计的算法．在处理非线性运动目标跟踪问题上具有特殊的优势,但该算法计算量大,实时处理能力差。鉴于此,将两种算法相结合,提出一种以重要性函数为切入点将Mean-Shift和Particle Filter相结合的跟踪算法．首先利用Mean-Shift算法跟踪目标,利用目标与模板的相似性系数实时判断,当有遮挡发生时,算法转向Particle Filter进行后续跟踪。实验结果表明,该算法实时性强．跟踪效率高,具有很强的实用性．     

基于边界力的Mean-Shift 核窗宽自适应算法

针对Mean-Shift(中值漂移)算法中核函数带宽不能实时改变的缺陷,提出一种基于边界力的Mean-Shift核函数带宽自适应更新算法.在分析目标加权核直方图模型的基础上,引入区域似然度以提取目标的局部信息.然后,比较相邻帧间的区域似然度并构建边界力.通过对边界力的计算,得到边界点的位置,进而自适应地更新核函数带宽.实验结果表明,这些工作改善了Mean-Shift 算法在目标尺度和形态发生变化时的跟踪效果,并且可以满足实时性的需要.     

Adaptive Statistic Tracking Control Based on Two-Step Neural Networks With Time Delays

This paper presents a new type of control framework for dynamical stochastic systems, called statistic tracking control (STC). The system considered is general and non-Gaussian and the tracking objective is the statistical information of a given target probability density function (pdf), rather than a deterministic signal. The control aims at making the statistical information of the output pdfs to follow those of a target pdf. For such a control framework, a variable structure adaptive tracking control strategy is first established using two-step neural network models. Following the B-spline neural network approximation to the integrated performance function, the concerned problem is transferred into the tracking of given weights. The dynamic neural network (DNN) is employed to identify the unknown nonlinear dynamics between the control input and the weights related to the integrated function. To achieve the required control objective, an adaptive controller based on the proposed DNN is developed so as to track a reference trajectory. Stability analysis for both the identification and tracking errors is developed via the use of Lyapunov stability criterion. Simulations are given to demonstrate the efficiency of the proposed approach.      

Adaptive Neural Network Tracking Control With Disturbance Attenuation for Multiple-Input Nonlinear Systems

A switching adaptive neural network controller for multiple-input nonlinear, affine in the control dynamical systems with unknown nonlinearities is designed, capable of arbitrarily attenuating $L_{2}$ or $L_{infty} $ external disturbances. In the absence of disturbances, a uniform ultimate boundedness property of the tracking error with respect to an arbitrarily small set around the origin is guaranteed, as well as the uniform boundedness of all the signals in the closed loop. The proposed switching adaptive controller effectively avoids possible division by zero, while guaranteeing the continuity of switching. In this way, problems connected to existence of solutions and chattering phenomena are alleviated. Simulations illustrate the approach.