融合图像感知哈希技术的运动目标跟踪

目的 为解决运动目标跟踪时因遮挡、尺度变换等产生的目标丢失以及传统匹配跟踪算法计算复杂度高等问题,提出一种融合图像感知哈希技术的运动目标跟踪算法.方法 本文算法利用感知哈希技术提取目标摘要进行模板图像识别匹配,采用匹配跟踪策略和搜索跟踪策略相配合来准确跟踪目标,并构建模板评价函数和模板更新准则实现目标模板的自适应更新,保证其在目标发生遮挡和尺度变换情况下的适应性.结果 该算法与基于NCC(normalized cross correlation)的模板匹配跟踪算法、Mean-shift跟踪算法以及压缩跟踪算法相比,在目标尺度变换和物体遮挡时,跟踪的连续性和稳定性更好,且具有较低的计算复杂度,能分别降低跟踪系统约6.2%、 6.3%、 9.3%的计算时间.结论 本文算法能有效实现视频场景中目标发生遮挡及尺度变换情况下的跟踪,跟踪的连续性和稳定性良好,且算法具有较低的计算复杂度,有利于实时性跟踪系统的构建.     

图像相关匹配算法研究与红外目标跟踪应用

研究红外目标跟踪问题,针对目标的准确定位,图像相关匹配技术是目标跟踪中最基本的方法.当前红外成像导引头要求实时跟踪,但是在目标跟踪的末端,匹配点漂移和滑动将直接影响目标跟踪的精度.为提高定位精度和实时性,提出了一种新的实时跟踪算法.算法从红外图像中获取特征点,以特征点为中心选取参考模板,利用边缘检测算法获得边缘点集,使用自适应阈值的SSDA算法进行边缘点集的匹配,实现实时目标跟踪仿真.实验结果表明,算法很好地解决了红外目标跟踪精度问题,并满足实时性和跟踪稳定性要求.     

Linux平台下目标跟踪算法研究与实现

论文在Linux平台下设计了一种目标跟踪算法.算法中使用图像的三个不变矩代替图像像素的灰度值作为特征量,利用改进后的平均绝对差算法作为相似性测度计算公式进行模板匹配;同时,为了提高目标跟踪的速度,采用遗传算法对图像的匹配策略进行优化,提高了匹配速度.与Windows平台下的目标跟踪算法相比,该算法的实时性高.     

基于网格状模板的实时图像跟踪算法

传统相关跟踪算法存在运算量大和实时性差的缺陷.针对这一问题,提出了一种基于网格状模板的实时图像跟踪算法.该算法首先从减少参与匹配运算的像素数目的角度出发,剔除部分冗余像素,将匹配模板设置为网格状.然后在成像跟踪仿真实验平台下,用归一化互相关匹配方法实现了对运动目标的跟踪.仿真实验结果表明,该算法不仅在很大程度上减少了图像匹配的计算量,提高了跟踪实时性,而且跟踪快速准确,具有一定的实用价值.     

适用于复杂环境下的实时目标跟踪技术

针对复杂环境下目标跟踪过程中目标存在旋转、视角、尺度等变化以及噪声干扰的问题,提出了一种基于尺度不变特征与快速模板匹配相结合的目标跟踪技术;该技术通过分别提取预先存储模板和实时采集图像的尺度不变特征,建立初始模板;采用菱形搜索策略对模板的低分辨率子图和待跟踪图像的低分辨率子图进行快速互相关检测,根据检测结果在该帧高分辨率图像中建立紧凑ROI,在此区域内进行模板匹配,对目标进行精确定位;在目标跟踪的过程中采用自适应模板更新策略,以保证在目标发生变化时跟踪的稳定性;实验结果表明,该技术在稳定性、准确性和实时性等方面均优于传统方法。     

室内人体运动目标的自动跟踪方法

针对人体运动目标的自动实时跟踪,设计一种新的基于P89v51内核的运动摄像头云台控制系统.对人体运动的图像检测与跟踪,提出一种快速的模板匹配方法.用改进Surendra算法自适应地获取背景图像以提取匹配模板,通过摄像头运动前后帧相同的运动区域来缩小匹配区域,进行快速目标匹配,达到实时性要求.该系统已应用在视频教学及会议中,实现自动人体运动目标跟踪与摄像.     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

基于卡尔曼滤波与感知哈希技术的模板匹配跟踪算法

为解决传统模板匹配跟踪算法计算复杂度高且在目标形变、光照变化、遮挡等情况下容易发生跟踪漂移的问题,本文提出一种融合卡尔曼滤波、图像感知哈希与模板匹配的跟踪算法。本算法采用感知哈希技术提取目标的哈希值作为模板进行匹配,采用卡尔曼滤波预测下一帧中候选目标的搜索区域,然后,结合模板的哈希序值和目标位置变化信息设计新的匹配准则进行模板匹配,最后根据匹配结果,采用自适应模板更新策略和跟踪策略对目标进行跟踪。试验结果表明,本算法在目标形变、光照变化以及遮挡情况下具有一定的鲁棒性,且能满足实时跟踪的要求。     

基于层叠分类器的快速相关跟踪算法

提出一种基于层叠分类器的快速相关跟踪算法。首先利用目标模板色彩分布信息对原始图像数据进行变换,锐化匹配相似度函数峰值,增强算法在复杂环境下的稳定性;然后提出了用平均灰度差和Harr型特征构造层叠分类器,分层刻画目标模板与搜索窗口在统计特征和局部特征上的相似性,并采用积分图快速计算特征,从而大幅度减少在非最优匹配点上的计算量,且特征计算与模板大小无关。大量实验结果表明,该算法大大降低了相关跟踪的时间复杂度,具有跟踪稳定、实时性强等特点。目前,以该算法为核心的实时目标跟踪系统对图像大小为320×240的视频序列内任意尺寸目标的平均处理速度达到20帧/s。     

基于运动区域检测的运动目标跟踪算法*

针对传统基于模板匹配的运动目标跟踪算法存在着计算量大、模板漂移导致跟踪失败的问题,提出了一种基于运动区域检测的运动目标跟踪算法。该算法通过采用光流法对目标运动区域进行估计,计算出光流场区域的形心,确定待匹配图相匹配范围,再用模板框在已确定区域进行模板匹配跟踪。根据某开放实验室行人录像跟踪实验表明,本算法能够有效解决模板漂移问题,提高了跟踪实时性, 实现了视频对象目标的跟踪。     

使用多视图L1跟踪器的三维人体运动恢复

近年来从视频中恢复三维人体运动的研究发展很快,其中大部分方法是基于前景轮廓的。提出了一种基于纹理信息的三维人体运动恢复方法,并给出了一个鲁棒、自适应的跟踪器模型。该模型基于L1跟踪器,并将其扩展到多个视图中,使用分层搜索来跟踪人体的各个部位。它可以寻找在模板子空间里重构误差最小的跟踪目标,将每个视图的重构误差作为衡量人体三维姿态与图像拟合的可能性函数。整个算法在退火粒子滤波的框架下进行。为了提高跟踪准度,在纹理模板更新过程中使用了两种方法:用人体的三维模型来检测自遮挡;根据模板系数检测计算错误的跟踪结果。综合这两种检测器,可以防止遮挡后和计算错误的跟踪结果加入到纹理模板中。在HumanEva-Ⅱ测试集上的实验表明,该算法能够得到较好的结果。     

融合摄像机位姿信息的模板匹配跟踪算法

针对图像制导目标跟踪系统在跟踪过程中,由于图像旋转、成像视角和目标尺度的变化带来的跟踪漂移问题,提出一种利用摄像机的位姿信息的匹配模板校正和更新方法。根据摄像机与目标的相对位姿信息,建立目标透视成像模型以及不同摄像机位姿情况下的模板校正方程;将校正方程分解为实时图像旋转和模板仿射变换两部分减小模板变换的误差;通过设计与相关系数和距离信息相关的模板更新策略达到适应跟踪系统逐渐接近目标过程中目标的变化。采用基于视景仿真软件Vega Prime产生的模拟飞行视频对算法进行了验证。实验表明所提算法能够适应图像制导跟踪系统在跟踪过程中目标尺度、成像视角以及图像旋转的变化,减小跟踪漂移。     

基于重要性加权的结构稀疏跟踪方法

针对视觉跟踪中描述目标能力的有限性和局部稀疏表示模型的有效性,提出了一种基于重要性加权的结构稀疏跟踪方法.该方法采用结构稀疏表示对目标表观建模,根据在表达目标表观时所起的作用,对每个局部图像进行加权处理;在粒子滤波框架下,应用最大后验概率对目标的状态进行估计;通过带有遮挡检测机制的模板更新策略对目标模板进行在线的更新以避免跟踪漂移.实验表明,该方法有效地减弱了目标表观变化对模型的影响,对于视频序列中的遮挡、光照变化和目标姿态改变等有稳健的跟踪效果.     

基于H分量检测的模板更新鲁棒分块跟踪方法

针对鲁棒分块跟踪方法不能进行模板更新的问题,提出一种基于H分量检测的模板更新方法。隔帧计算当前目标与目标模板的H直方图距离,通过检测该距离是否大于阈值来判定所采用的目标模板更新策略,若该距离大于阈值则采用固定加权目标模板,否则逐帧更新目标模板。将新方法在不同视频上进行仿真,实验结果表明该方法能提升鲁棒分块跟踪方法对光照变化的鲁棒性,同时能提高跟踪精度。     

多通道核相关滤波的实时跟踪方法

现有跟踪算法大都需要构建复杂的外观模型、抽取大量训练样本来实现精确的目标跟踪,会产生庞大的计算量,不利于实时跟踪。鉴于此,提出了一种多通道核相关滤波的实时跟踪方法。首先,利用核化岭回归方法对视频帧的目标信息进行训练,学习得到滤波模板;接着,用滤波模板对待检测帧的可能区域进行相关性度量;最后,将相关度最高的位置作为跟踪结果,并通过对多通道的独立输入进行加权求和,解决多通道输入问题。与现有跟踪方法的大量对比实验表明,在不同的挑战因素下,该方法在保证跟踪精度的同时,跟踪速度也存在明显优势。该方法通过相关滤波的方式可避免抽取大量样本,并利用频域的点乘代替时域的相关运算,大大降低了计算复杂度,使跟踪速度完全满足实时场景的跟踪需求。     

基于相关系数的相关跟踪算法研究

提出了一种以相关系数作为相似度度量准则的相关跟踪算法，克服了传统的以点对点乘累加作为相似度度量准则的相关跟踪算法跟踪精度低的缺点。给出了相似性度量的快速实现方法，解决了目标跟踪的实时性要求。同时．还提出了一种新的模板更新策略，使得跟踪算法对环境的适应能力和稳定性得到较大的提高。此外，提出了跟踪失败判决策略，解决了因目标暂时消失或环境突然变化，如瞬间明暗变化，造成的成像质量差而引起的跟踪失败。试验结果表明，该相关跟踪算法减少了相关跟踪的复杂度，具有跟踪精度高和速度快的特点。目前，该算法已经应用在实时目标跟踪系统中。     

改进Top-hat变换的小目标跟踪算法及FPGA实现

在改进Top-hat变换的基础上,设计并实现了一种基于FPGA的红外小目标实时稳定的跟踪系统。针对经典Top-hat变换对小目标检测的局限性,提出一种改进的Top-hat变换并将其用于对图像中小目标的增强。在此基础上,通过对视频序列中目标的运动估计和基于特征滤波器的空间滤波,稳定有效地计算出小目标的位置。为了将算法移植到FPGA芯片以获取实时的小目标跟踪效果,完成了系统的整体架构设计,并针对模板窗口运算在FPGA内实现的传统方法效率低的特点,设计一种基于FPGA的新型模板窗口计算方法,应用于相关的算法模块中。实验结果表明：系统可以获得良好的检测与跟踪效果,而且能够在20 ms内完成目标位置的计算,满足小目标跟踪的实时性要求。     

基于粒子群优化的模板匹配跟踪算法

针对基于模板匹配的跟踪算法运行速度较慢、成功率较低的问题,提出了一种基于粒子群优化(PSO)的模板匹配跟踪算法。该算法采用粒子群优化算法作为模板匹配算法候选模板的搜索策略,并采用自适应的更新目标模板。首先,在设定的搜索区域内随机采集30个候选模板,计算出个体最优候选模板和全局最优候选模板;其次,根据粒子群优化算法进行迭代求出匹配值最佳的候选模板即为目标;最后,根据最佳候选模板的匹配值大小来自适应更新目标模板。理论分析和实验仿真表明,与基于模板匹配的跟踪算法和基于粗精搜索的模板匹配跟踪算法相比,基于粒子群优化的模板匹配跟踪算法的计算量平均要少91.1%和69.8%,且成功率为原算法的2.02倍和1.94倍。实验结果表明,基于粒子群优化的模板匹配跟踪算法能实现很好的实时跟踪,并且提高了跟踪的鲁棒性。     

一种新的相关跟踪方法研究

相关跟踪过程中，序列图象中的实时图和参考图之间必然存在灰度差异以及一定程度的几何形变和对目标的局部遮挡，而传统相关匹配算法中，每一对像素点对匹配结果的贡献是均等的，这样就使得算法的性能很容易受到图像中噪声、局部遮挡等因素的影响。为此，从另外的角度提出了一种新的图象相似度度量方法，即将目标图象中与模板图象相接近的点的个数作为相似性度量来进行匹配，这种方法得到的相关曲面更尖锐，匹配置信度更高。又因为跟踪过程，实时图必然存在这样或那样的变化，对模板合理地进行更新是相关跟踪的关键，在上述的图象相似度度量方法的基础上，另外又提出了一种非常有效的模板修正方案，从而使得跟踪算法对环境的适应能力和稳定性得到大大提高，实验结果证明了该方法的优越性。