小型无人机对地目标盘旋跟踪仿真

主要研究了小型无人机对地跟踪问题。针对小型无人机的盘旋状态,为了提高该情况下的目标形变,光影变化及遮挡等干扰的鲁棒性与实时性,采用基于抑制背景的MeanShift目标跟踪算法,即对目标周围和背景差异显著性较大的区域赋予较大的权值,从而把背景对目标的影响有效抑制,实现目标始终在跟踪方框内。通过架构模拟实验,该方案能够有效减小目标的连续形变以及光照变化对目标的影响;对于目标旁边景物的遮挡也有较强的抗干扰能力,而且该方案可靠性高、算法复杂度低、实时性较强。     

改进的Camshift与Kalman融合的目标跟踪算法

Camshift算法主要利用物体的颜色信息进行跟踪,在复杂背景条件下容易造成目标的跟丢,且在目标被遮挡时,也容易造成跟踪失效。本文提出了一种改进的Camshift目标跟踪算法。首先将目标图像的HSV模型的三个分量进行加权建立一种新的目标颜色模型,然后由对整帧图像计算反向投影改为比搜索窗口稍大的区域计算反向投影,减少了相似背景的干扰。同时为了解决遮挡问题,结合了Kalman滤波器,有效地预测了目标的位置。实验表明,本算法能够避免背景颜色干扰和解决遮挡问题,实现了对运动目标准确跟踪。     

一种抗遮挡的全自动Mean-shift跟踪算法

传统均值漂移（Mean-shift）算法是一种半自动的跟踪方法,在目标被遮挡的情况下无法进行有效的跟踪。结合背景减除法提出了一种新的抗遮挡跟踪方法。利用背景减除法在初始帧确定目标的运动区域,得到Mean-shift的初始化参数;在跟踪过程中提出了一种目标遮挡因子作为目标被遮挡程度的判断依据,并根据目标被遮挡的程度提出相应的解决策略。实验结果表明该方法克服了传统Mean-shift算法需要人为定位的缺点,且在全遮挡的情况下仍可以正确地跟踪目标。     

一种基于前后向误差比较的检测跟踪遮挡方法

目标跟踪中准确的遮挡检测对于跟踪算法适应性的提高至关重要。针对传统的遮挡检测方法对局部遮挡等情况判断准确度低、适应性差的问题,提出一种基于前后向误差比较并辅以区域标准差比较的方法的跟踪遮挡检测方法。该方法对目标在时序上进行前向和后向跟踪,通过比较前向跟踪和后向跟踪的轨迹误差并结合最佳匹配区域标准差的进行特征性检验确定是否发生了跟踪遮挡。相对于传统的跟踪遮挡检测方法,其优越之处在于克服了相似性阈值选择不当引起的目标跟踪遮挡判断不准确及适应性不强的问题。实验证明,本文提出的方法能够实现对目标跟踪遮挡的有效检测。     

双层特征优化的视觉运动目标跟踪算法

视觉监控中运动目标跟踪容易受到遮挡、目标快 速运动与外观变化等因素的素影响,单层特征难以有 效解决这些问题。为此,提出一种像素级与区域级特征组合优化的视觉跟踪算法。首 先在像素级利用 目标和背景区域颜色特征的后验概率对目标与背景进行初步判别;然后对候选区域进行超像 素分割,并依据 像素级的判断结果,在超像素区域内利用投票决策模型对目标与背景信息进行统计分析,得 到精确的目标位 置分布;最后结合均值漂移迭代搜索得到目标的准确位置,并利用双层判别结果对目标跟踪 过程的遮挡情况 进行检测,同时动态更新目标以及背景区域信息以适应目标外观与场景变化。与典型算法进 行对比的实验结 果表明,本文算法能够有效应对目标遮挡与快速运动等因素的影响,适用于复杂场景条件下 实时的运动目标跟踪。     

基于图像感知哈希的行人跟踪算法

针对传统目标跟踪算法计算复杂度高,在发生遮挡、形状改变时,运动目标丢失的问题,提出了将图像感知哈希算法应用于目标跟踪问题上,并针对行人这一特定目标进行了改进。按照行人的特征,将其分成若干区域,给不同区域分配不同权重,计算跟踪目标的感知哈希值,计算待测区域的哈希值,选择合适的待测区域作为目标区域。该算法与MeanShift算法相比,能更好地处理目标遮挡,不易产生目标丢失,且具有较低的复杂度。     

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

引入显著特征空间的抗遮挡红外目标跟踪

针对红外目标跟踪过程中目标纹理信息缺乏,与背景灰度呈现强耦合性,特别是在遮挡情况下目标特征信息链断裂,特征信息无法延续的实际跟踪问题,提出了基于显著特征空间的抗遮挡跟踪算法。首先通过分析红外目标特性,利用多尺度显著性、对比度和信息熵等信息生成显著特征向量空间,结合超像素特征距离和空间距离对区域进行聚类融合,突出目标区域,生成显著图。然后融合显著区域和原图,生成多个目标候选区作为跟踪算法输入。最后通过目标的空间分布场矩阵对全局的候选区域进行匹配,同时建立遮挡检测机制,基于显著区连通区变化和特征相似度变化曲线对遮挡的起始进行判断,结合遮挡判定设置模型更新策略。在不同红外测试集上的实验结果表明:所提算法在遮挡情况下也能达到较好的跟踪效果,有效增强了跟踪算法的鲁棒性。     

基于图像签名算法的视觉目标跟踪算法北大核心CSCD

针对视觉目标跟踪算法中存在的快速运动、尺度变化、形变和遮挡问题,提出基于图像签名算法的视觉目标跟踪算法。该算法以相关滤波算法为基础,通过多种特征构建目标的外观模型,提高了算法的跟踪精确度和稳健性;为了解决严重遮挡情况下的目标重定位问题,利用图像签名算法计算图像的稀疏显著性区域,获取候选目标的位置,通过分类器对候选目标进行重排名,实现目标重定位;采用尺度池策略和自适应模板更新策略,解决跟踪中的尺度变化问题和跟踪漂移问题。利用标准数据集测试所提算法的性能,结果表明,所提算法在跟踪成功率和精确度上均优于传统的相关滤波算法,能较好地解决快速运动、尺度变化、形变和遮挡情况下的目标跟踪问题。     

一种复杂背景下红外目标稳定跟踪算法

针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题,提出了一种基于跟踪-学习-检测(Tracking-Learning-Detection,TLD)框架的红外目标稳定跟踪方法。该方法在压缩跟踪算法(Compressive Tracking,CT)的基础上替换广义的类Harr特征为HOG特征,引入互补随机测量矩阵,优化纹理和灰度特征信息的权重,同时引入卡尔曼滤波器记录空间上下文位置信息,以解决CT算法和TLD算法在目标被遮挡时的跟踪失效和全局检索问题。基于TLD算法框架和改进CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题,提升了算法的跟踪准确性和长期跟踪稳定性。实验结果表明,本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性。     

模板自适应的Mean Shift红外目标跟踪

为了解决Mean Shift跟踪算法中目标模板只能从单一图像建立且很难更新问题,提出了一种结合改进的Mean Shift与增量式支持向量机的红外目标跟踪算法。首先,根据目标区域的灰度直方图对目标进行描述,然后采用标准Mean Shift搜索目标,结合子图图像矩特征进行二次搜索,再计算下一帧搜索的窗口大小,以解决目标尺寸明显变化时造成目标丢失的问题。同时,针对目标遮挡易导致跟踪失败的问题,引入机器学习理论,采用增量式支持向量机自适应更新模板,则目标跟踪问题转换为目标和背景的分类问题。实验结果表明:提出的改进算法在目标尺寸、姿态发生变化或出现部分遮挡时,能有效跟踪目标。     

目标跟踪中的MS和MC自适应选择策略

针对mean shift(MS)算法不能解决非线性目标跟踪及Monte Carlo(MC)算法实时性差的问题,提出了一种自适应选择MS算法与MC算法的目标跟踪策略。首先,对目标、背景分别采样,用"对数似然法"评价每个目标区的特征对背景的可区分能力,选择区分能力强的特征作为目标。然后,引入一跟踪方式选择标志,通过计算当前跟踪窗内的目标与模板的匹配度来决定该标志的值,当目标与模板的匹配度大于某个域值时,选择实时性好的基于梯度最速下降的MS跟踪策略,以实现跟踪的实时性;否则选择基于随机采样、对目标模型没有限制的MC跟踪策略,使得位置预测结果更加准确。实验结果表明:与MC相比,本文算法在跟踪性能不受影响的前提下,有效节省了系统时间,当目标简单运动时,对于100×56像素的目标,平均计算时间由原来的82ms降低为小于1ms;与MS算法相比,该算法在牺牲一些系统时间的基础上能够更加鲁棒地解决非线性目标跟踪问题。     

Mean Shift跟踪的背景优化及动态分析

针对传统Mean Shift跟踪算法在进行目标跟踪时背景带来的定位偏差及由于缺乏相应的跟踪状态分析策略而易陷入局部最小值的缺陷,提出了两方面的改进措施。一是将跟踪窗口内的目标和背景区分开来,对背景像素定义新的特征模型以弱化背景像素对目标模型的影响。二是将跟踪窗口进行分块处理,综合考虑每个子块相似度的大小变化建立判断准则,对跟踪状态进行动态实时分析,以判断目标是否存在遮挡:如部分遮挡,则应用没有被遮挡的子块位置偏差对目标进行定位;如完全遮挡,则采取相应的二维线性预测方案根据先验信息对目标进行定位跟踪。将该方法应用于人物跟踪中进行实验,实验结果表明,该方法有效改善了Mean Shift跟踪算法的不足,对于复杂条件下的运动目标跟踪具有很好的鲁棒性。     

一种解决遮挡问题的跟踪方法

针对图像跟踪领域中因遮挡产生的漂移问题,提出一种基于直方图比的背景加权的Mean Shift算法和Kalman预测滤波器融合的方法。本文方法通过改进目标模型来优化Bhattacharyya系数值,增大目标正常跟踪状态下和遮挡状态下Bhattacharyya系数的差值,提高遮挡判定的有效性,进而提高遮挡时的跟踪性能。通过实验证明,基于直方图比的背景加权的Mean Shift算法和Kalman预测滤波器融合的方法可有效解决遮挡跟踪问题。     

基于多特征自适应融合的均值迁移目标跟踪算法

针对复杂环境下,均值迁移算法只使用 颜色特征跟踪目标鲁棒性差的问题,提出一种多特征自适应融合的MS目标跟踪算法。算法在 跟踪场景的动态变化过程中,通过选择对目标和背景区分能 力强的特征描述目标,建立多特征 融合目标模型,并设置特征重要性权值。给出了多特征融合目标定位公式。通过 动态评估不同特征在不同跟踪场 景中的可靠性,对特征权值进行动态更新以及多特征自适应融合。依据不同特征的权值给出 一种选择性模板更新机制,以减 轻目标模型的漂移。实验结果表明,提出的算法在复杂场景下,具有更高的鲁棒性和跟踪效 率。     

基于核密度多伯努利视频多目标跟踪算法

针对复杂环境下数目变化、目标紧邻及尺寸变化的 视频多目标跟踪问题,在多伯努利滤波框架 下,提出一种自适应的变数目视频多目标跟踪算法。算法通过引入核密度背景减除技术,可 以有效抑制 背景干扰;然后融入连续自适应均值漂移(CAMShift)技术,并提出目标紧邻和尺寸变化处理 机制,可 以有效提高算法的自适应性;最后引入粒子标记技术,可以有效实现对视频多目标的轨迹跟 踪。对彩色视频和红外视频序列图像的测试结果表明,本文提出算法可以有效实现对复杂环 境下数目变化的视频多目标自适应跟踪,且具有较好的鲁棒性。     

低空背景下红外目标提取跟踪算法研究

为解决低空复杂背景下红外目标的提取和跟踪,提出了地平线检测排除地物背景的方法,然后在地平线之上的区域,采用边缘检测、阈值分割、边界搜索算法并结合多帧图像的相关性以及目标形态和运动参数的连续性来提取目标。实验表明,本文的算法计算量小、实时性强,可以有效检测出地平线,排除低空背景和假目标的干扰,实现稳定的跟踪,并最终完成了DSP的硬件实现。     

一种鲁棒的多目标自动跟踪算法

针对复杂的自然环境,提出了一种能自动初始化目标模型,并能处理目标遮掩问题的多目标实时跟踪算法。该算法在精度和效率方面改进了Mean Shift算法,并结合扩展卡尔曼滤波器对目标进行运动建模,实现了对多目标的实时稳健跟踪。此外,为了自动初始化待跟踪目标模型,提出了一种三层目标链交互结构。该结构能够有效的去除由摄像机抖动以及背景噪声产生的伪目标。在复杂的自然环境下对算法进行了大量的多目标跟踪实验,验证了算法的实时有效性。     

在线自适应选择子空间的红外目标跟踪方法

传统基于子空间的目标跟踪方法以能量大小为准则建立子空间,没有考虑目标与背景之间的鉴别性,当两者间存在近似外观分布时将降低跟踪系统的性能。考虑到红外图像信噪比、对比度不高等特点,提出了一种以评估目标与背景间可区分能力为基础的子空间选择方法,并将该方法有效嵌入到粒子滤波跟踪框架下实现对红外目标的鲁棒跟踪。首先利用采样粒子分布以及当前目标状态,综合衡量粒子与目标间的特征分布差异和粒子逼近目标的程度来评估不同子空间的鉴别性,然后选择鉴别性最优的子空间作为下帧的跟踪子空间,从而实现对红外目标进行子空间自适应选择的鲁棒跟踪。对多个复杂场景下的目标跟踪实验表明所提出的算法要优于传统基于增量子空间学习的跟踪算法。