融合重检测机制的上下文感知目标跟踪算法

为了解决目标跟踪中常见的遮挡、旋转和背景杂乱等问题,提出了一种融合重检测机制的上下文感知目标跟踪算法.首先在相关滤波算法的基础上引入上下文信息供滤波器学习以丰富样本信息,构造上下文感知相关滤波器,提高滤波器的学习能力;然后引入重检测机制判断检测结果的可靠性,解决遮挡情况下模型被污染的问题.最后在公开数据集上对算法的性能进行了测试,并与DSST、Staple、SRDCF、TLD和BACF这5种算法进行对比.实验结果表明,算法在遮挡、旋转和背景杂乱等复杂场景下具有较好的跟踪鲁棒性,跟踪精度和成功率分别达到了 0.748和0.836,均优于其余5种跟踪算法.     

融合感知哈希特征的时空上下文目标跟踪算法

文中提出融合感知哈希特征的时空上下文快速目标跟踪算法,在光照剧烈变化和目标被遮挡情况下能准确地跟踪目标。通过感知哈希特征对目标的位置进行评估,避免时空上下文算法在光照剧烈变化的跟踪漂移问题,并通过更新目标哈希值和时空上下文信息来进行下一次迭代。实验结果表明结合目标时空上下文信息的感知哈希跟踪算法与目前主流跟踪算法相比表现出更快的跟踪速度,并且在复杂背景和被遮挡后表现出较好的鲁棒性。     

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。     

采用时空上下文的抗遮挡实时目标跟踪

针对目标跟踪算法在光照变化、背景干扰、目标形变及遮挡时出现的跟踪稳定性下降甚至失败的问题，提出了一种采用时空上下文的抗遮挡实时目标跟踪算法。首先，在时空上下文模型框架下采用自适应降维的颜色特征构建目标外观模型，提高算法在复杂场景中对目标的辨别能力；然后，联合置信图响应的峰值和峰值旁瓣比对目标跟踪的状态进行评估；接着，利用目标模板之间相关系数的变化进一步判断目标是否被严重遮挡；最后，当目标跟踪出现波动时，降低目标模型更新速度，并通过Kalman滤波修正目标位置，当目标被严重遮挡时，则根据Kalman滤波预测目标位置，同时停止更新目标模型，在脱离遮挡后重新捕获目标并进行跟踪。选取了36组具有多种挑战因素的彩色视频序列测试算法的跟踪性能，并与其他表现优异的目标跟踪算法进行了对比分析。实验结果表明，所提算法具有较强的抗遮挡能力，并且在光照变化、背景干扰和目标形变等不利因素影响下仍具有较好的跟踪鲁棒性，同时能够满足目标跟踪的实时性要求。     

基于加权空间直方图的均值漂移目标跟踪

目标模型内的背景像素会造成目标跟踪定位偏差。为了减少背景像素对跟踪造成的定位偏差,首先通过目标区域像素和目标区域周围背景像素的颜色直方图定义了一个加权系数,然后将该加权系数引入到空间直方图的计算中,提出了一种基于加权空间直方图的均值漂移(MS)目标跟踪算法。在此基础上,给出了一种模型更新方法。仿真实验表明,该算法具有很好的跟踪精度,对遮挡具有更好的鲁棒性。     

复杂地物背景下红外弱小目标跟踪算法

复杂地物背景下红外弱小目标的跟踪在红外监视系统中有重要的应用价值。提出了一种人眼视觉系统原理和多目标跟踪技术的弱小目标跟踪算法,实现了对复杂地物背景下红外弱小目标的跟踪。算法首先在图像中提取候选目标和各目标对应的目标区域,估计相邻帧图像之间的运动参数,对所有跟踪目标进行轨迹预测;然后融合多信息对当前帧目标与目标链中目标进行关联,根据关联结果对目标链进行更新;最后输出跟踪目标的位置坐标,实现对红外弱小目标的跟踪。用实测的图像序列对算法进行了测试,试验结果表明本文算法对树林、农田、建筑等复杂地物背景中弱小目标有较好的跟踪效果,可以用于红外监视系统中对复杂地物背景下低对比度弱小目标自动跟踪。     

利用相邻帧和背景信息的运动对象检测

 运动对象检测是智能视频监控的基础,现有的运动对象检测算法在实时性和检测精度方面仍有待提高,本文在分析相邻帧间的亮度变化基础上,提出了基于三阶中心矩统计分布的背景点阈值计算方法,给出了抗噪声干扰的背景维护模型,最后综合利用时间差分法和背景减法进行运动对象检测,为了提高检测精度使用了形态学的腐蚀与扩张处理.对室内、室外序列以及标准序列的测试结果表明,本文算法速度快、抗噪声能力强,能够检测出被遮挡的运动对象.     

结合时空上下文信息的相关滤波目标跟踪方法

针对繁杂环境下目标跟踪稳定性差且易受到遮挡发生漂移的问题,提出一种结合时空上下文信息的相关滤波目标跟踪方法。该算法首先从目标和背景区域提取方向梯度直方图特征和颜色直方图特征,加权融合两种特征的相关滤波响应,建立相关滤波跟踪模型;然后利用目标的背景梯度直方图特征,基于贝叶斯框架通过最大化似然函数得到时空上下文辅助模型;最后自适应融合两种模型响应,得到目标估计位置并采用尺度估计方法解决目标尺度变化问题。在OTB-2013公开标准测试集上与基于相关滤波的运动目标跟踪方法进行了实验对比。结果表明,该算法的平均距离精度值和平均重叠精度值都优于其他算法,能够有效缓解跟踪目标由于遮挡、尺度变化、光照等因素造成的跟踪漂移状况的发生。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

复杂监控环境下运动目标的检测和跟踪方法

具有实时检测、跟踪和分析判断的智能化监控系统是智能化监控系统发展的必然趋势,本文提出一种在实时监控下检测和跟踪运动目标的方法,首先使用背景差分法检测出运动目标,并定期使用背景更新策略对参考背景进行局部更新,这样可以提高目标检测的精确度。目标跟踪时在不同的尺度空间获得目标的关键点,增强算法目标在遮挡情况下的鲁棒性,接下来使用mean shift算法估计目标在下一帧的位置。采用IBM研究中心的测试视频序列对本文的方法进行了测试,实验结果表明,该方法是有效可行的。     

鱼眼相机导引下的双目跟踪系统

在智能监控领域,鱼眼相机比传统摄像机拥有更大视野,然而由于其分辨率的限制及鱼眼图像畸变的影响,使得目标物的细节信息难以观察,为克服这个难题,搭建了鱼眼相机导引下的双目跟踪系统。该系统利用鱼眼相机进行全景观察,检测出目标物,采用角度拟合法求出目标物的方位角,通过云台控制双目相机精确定位到目标物,然后对目标物进行距离测量,并使目标在不同的位置进行实验。实验结果表明,系统能准确检测出鱼眼图像中的运动目标,角度标定精度达到系统要求,双目相机能准确测出目标物距离。该智能监控系统能够减小鱼眼相机畸变对检测结果的影响,具有检测视场广和检测精度高的特点,为智能监控技术提供了检测方法。     

基于部件的自动目标检测方法研究

该文提出了一种新的自动目标检测算法,实现对自然场景图像及高分辨率遥感图像中结构相对复杂的人造目标的自动检测。该方法基于组成物体的几何部件处理问题,降低了对训练样本数量的需求。首先选择两类典型特征,基于机器学习训练对应的分类器,有效地减少了背景中某些物体与前景目标部分特性相似对检测方法准确率的影响;然后利用标值点过程对问题建模,以对目标分布的先验约束和分类器的响应作为数据能量,自顶向下地自动检测目标。实验结果表明,该方法准确率高、鲁棒性好,具有较强的实际应用价值。     

区域回波比率与拓扑识别模型结合的城区激光雷达点云分类方法

针对城区激光雷达点云提出一种全自动分类方法。采用具备一定抗过分割能力的拓扑启发式分割算法对栅格高程图像进行面向对象分割;依据迭代最大类间方差(Otsu)聚类方法及两种拓扑模型实现地面图斑对象与非地面图斑对象初步分离,并合并邻接非地面对象;在地物对象中引入多次回波比率检测树木对象,采用区域面积、建筑物高度等条件区分建筑物及其他两类地物,并依据栅格索引分类。选择具有丰富地物类型的典型城区点云数据进行实验,结果表明,该算法具有良好分类精度及较强实用价值。     

基于深度降噪自编码器的多特征目标融合跟踪算法

针对在目标遮挡、光线变化、目标模糊等情况下的目标跟踪算法抗干扰能力较差的问题,提出了一种基于深度降噪自动编码器的多特征目标融合跟踪算法。该方法首先引入稳像和图像去雾算法以改善训练集数据和测试集数据的质量;再构建多特征深度降噪自动编码网络,基于深度神经网络的强大学习能力提取目标的颜色特征和均匀模式纹理特征;将两种特征加权融合输入到逻辑回归分类器,获得置信分数,更有效地区分目标和背景。最后,采用粒子滤波算法对目标进行跟踪。实验结果表明,该方法能够更准确地对存在目标遮挡、光线变化、目标模糊等干扰问题的视频进行跟踪。与传统方法相比,该方法成功率在上述三个方面平均分别提升33.73%、9.73%和12.80%;与近年流行算法相比,该方法成功率平均达到90.16%,实时性平均达到49.37 fps。     

红外图像序列的目标增强和检测

文中主要研究了远距离红外图像序列的目标增强和检测问题,提出了基于局部纹理特征的红外图像增强算法,利用红外图像目标和背景区域局部纹理特征的差异来增强目标和背景区域的对比度;为了提高目标检测的速度和精度,利用序列图像的帧间相关信息,采用边检测边跟踪边确认的目标检测方法。实验结果表明,对于远距离、小目标的红外图像,这种增强算法在目标对比度和细节方面都明显优于直方图均衡化方法,而本文采用的目标检测方法仅需很少几帧图像就能检测和跟踪目标,可以在确保目标检测的可靠性的前提下,提高目标的检测速度。     

基于模糊局部信息C均值的太赫兹图像目标检测

为了克服返波管太赫兹连续波成像系统所获取图像存在的对比度低、干涉条纹强等缺陷,较好地区分出目标和背景,避开不规则干涉条纹的干扰,采用基于模糊局部信息C均值的聚类算法用于目标检测,并针对太赫兹图像性质,对其中的隶属度函数进行了改进。结果表明,新的聚类分割算法适用于具有不规则条纹干扰下的太赫兹连续波图像,能较好地提取出图像中的目标,较经典图像聚类算法具有更好的目标检测精度。     

一个基于神经网络的航空照片自动目标识别算法

针对航空照片中自动目标识别的复杂性,该文提出了一种基于神经网络的自动目标识别算法,算法包括检测和虚警排除两个阶段。检测阶段是在整幅区域中进行快速搜寻,找出所有可能的目标;虚警排除阶段是对检测阶段得到的结果进行进一步的验证,在尽可能保留全部真目标的前提下,将伪目标排除。实验结果证明了算法的可行性。     

一种用于无人机的目标颜色核相关跟踪算法研究

利用CSK算法从图像碎片中提取运动目标的一个最小二乘分类,引入多通道颜色特征标定运动目标,通过当前图片碎片中的核函数周期性假设循环结构,一定程度拟补CSK算法使用目标灰度特征描述能力的不足。采用PCA降低特征维度并去除特征冗余信息,提高分类器参数更新速度,解决了CSK算法分类器参数更新线性化、无法适应目标发生较大变化时的运动目标跟踪问题。利用benchmark测试平台的算法集与测试数据集进行了实验,目标颜色核相关跟踪算法（TCKCT）的实验结果表明,对光照变化、背景杂乱、目标形变、目标运动速度较快、目标运动幅度较大的情况下,算法都有较好的跟踪效果。无人机跟踪遥控小车的物理实验结果,进一步验证了TCKCT算法特性,良好的实时性能够满足无人机目标跟踪要求,具有良好的实际应用前景。     

使用GMM背景减除的红外伪装人体目标快速识别算法

针对红外监视系统对伪装后的人体目标检测处理速度慢、识别准确率低的现状,提出了一种基于混合高斯模型(GMM)的背景减除(BS)快速识别算法用于红外视觉监视系统伪装人体目标检测。首先,该方法采用Mean Shift算法构造初始化背景模型后,使用编码取样原则对像素分等级取样识别前景;再利用移动目标的时间-空间相干性,使用相邻像素预估法快速、精确提取目标图像。其次,设计了基于模板的目标区域聚合新算法,有效地解决了由于伪装造成的人体目标形状特征改变而导致的误检问题。实验证明:新方法切实提高了探测识别效率,降低了人体目标误判率,为实时红外监视提供了有效手段。