带宽自适应的均值漂移红外目标跟踪算法

当目标尺度发生变化时,传统均值漂移跟踪因窗口尺寸不变导致跟踪目标丢失.为解决该问题,提出一种带宽自适应的均值漂移跟踪算法.该算法在均值漂移框架下提取目标的形状特征,根据目标形状变化自适应的修正核函数带宽,并更新目标模板.实验结果表明,改进算法能很好地适应尺寸变化的目标,能有效提高红外目标的跟踪准确度.     

一种多尺度相似性学习的目标跟踪算法研究

基于深度学习的目标跟踪算法由于其良好的性能已经成为目标跟踪领域的主流算法之一.其核心思想是进行前后帧的相似性学习从而完成模板帧与搜索帧的匹配.其中,相似性学习是影响跟踪算法性能的关键一环.以孪生网络的相似性学习为切入点,对现有的深度互相关(DW-XCorr)的相似性学习方式进行改进,提出了一种多尺度相似性学习的目标跟踪...     

利用可变形Gabor小波特征模板实现目标跟踪

提出了利用贪心算法更新Gabor小波特征模板的方法 ,通过对误差函数最小化实现自适应修正目标特征点位置 .实验证明 ,当所跟踪目标的位置、角度、尺度等二维仿射参量发生变化时 ,可变形Gabor小波特征模板能够实现稳定的目标跟踪     

复杂背景下基于自适应模板更新的目标跟踪算法

为了提高复杂背景下目标跟踪的稳定性,在模板匹配失败时引入目标分割过程,根据新目标区域与模板的相似度分析得出导致匹配失败的具体原因,提出了一种新的自适应模板更新算法.根据模板图像各像素到模板中心的距离构造加权函数,对传统归一化相关算法进行改进,使新算法具有一定的抗遮挡能力.实验结果表明,该算法与固定模板跟踪算法和逐帧模板更新算法相比,在目标尺寸变化和被物体局部遮挡时,跟踪的连续性和稳定性更好.     

基于自适应尺度的TLD目标跟踪算法

为提升TLD目标跟踪算法的每帧处理速度,以达到在更高分辨率视频中跟踪目标的实时性要求,在TLD算法框架的基础上,提出了一种基于自适应尺度检测学习的目标跟踪算法(AS-TLD)。当跟踪目标成功时,选取当前帧跟踪到的目标尺度及几个相邻的尺度作为下帧检测目标时滑动窗口尺度的选取范围;而当跟踪失败时,则选取在TLD算法初始化阶段,根据跟踪目标及视频图像大小选定的尺度来保障长时间跟踪目标,从而有效减少了平均每帧扫描的窗口数量。实验结果表明,该方法不仅有效地降低了检测模块的检测时间,显著提高了整体算法速度,而且通过动态选取尺度,在一定程度使得TLD各个模块更加协调,跟踪精确度得到提升。     

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。     

一种新的红外成像末制导目标跟踪方法

为了稳定跟踪导弹末制导阶段的红外目标,提出了一种基于尺度不变特征变换的红外目标跟踪算法.尺度不变性特征变换所提取的图像纹理特征具有尺度和旋转不变性,跟踪算法分别提取目标模板和待跟踪图像的尺度不变特征变换特征.根据最小欧氏距离准则提取目标模板与待跟踪图像间相匹配的尺度不变特征变换特征点对,利用该特征点对拟合反映两图像间映射关系的仿射模型,并据此估计目标中心位置及调整目标模板尺寸.仿真结果表明,跟踪算法能够较好地实现在导弹末制导阶段对红外地面杂波背景下目标的稳定跟踪,其跟踪准确度和稳定度优于传统方法.
关键词:末制导跟踪|尺度不变性特征变换|特征匹配|仿射模型     

基于后验概率度量的粒子滤波跟踪算法研究

 针对遮挡、光照变化、尺度变化等复杂环境中的视觉跟踪问题,提出一种基于后验概率度量的粒子滤波跟踪算法。由于后验概率指标与Bhattacharyya系数指标相比具有更强的峰值特性,采用后验概率指标作为相似性度量函数,通过粒子的更新、推广、观测、估计等步骤实现跟踪算法。通过对实际视频图像序列进行目标跟踪实验,实验结果表明:传统算法只有约50%的图像能够实现尺度自适应,而本文算法采用传统算法25%的粒子就能够收敛逼近目标的真实轨迹,达到更强的抗遮挡能力,90%以上的图像序列都能够实现良好的尺度自适应效果。     

基于多属性决策的红外序列图像复杂度分析(英文)

针对红外序列复杂度对目标跟踪性能的影响问题,提出基于多属性决策评估红外序列复杂度.采用修正逼近理想解多属性决策和熵权方法,综合7种图像度量尺度,评估红外序列各帧图像复杂度;基于加权和多属性决策及熵权方法,综合3种度量尺度,评估红外序列整体复杂度.采用归一化相关模板匹配算法、基本均值偏移算法和方差比算法进行跟踪实验.采用复杂度不同的红外序列,验证提出的红外序列复杂度评估方案的有效性.结果表明:提出的红外序列复杂度评估方案能够真实显示各种红外序列目标跟踪任务困难度的差异,与跟踪性能指标之间的相关性强,并能准确反映目标跟踪任务的主要影响因素.     

运动背景下弱小目标的提取算法

 对低信噪比运动背景下序列图像中弱小目标的提取算法进行了研究，提出一种新的目标提取算法。根据运动背景的相关性和目标运动的连续性，采用背景模板匹配技术，计算各帧背景运动量，去除复杂背景，用自适应预估和阈值分割技术捕获跟踪目标。实验中，结合所研究的算法，对100帧包含低对比度弱小目标的运动图像序列进行了处理。实验结果表明，此方法能有效地实现目标的自动捕获与跟踪，跟踪效率高，跟踪稳定。     

A coarse-to-fine kernel matching approach for mean-shift based visual tracking

Mean shift is an efficient pattern match algorithm. It is widely used in visual tracking fields since it need not perform whole search in the image space. It employs gradient optimization method to reduce the time of feature matching and realize rapid object localization, and uses Bhattacharyya coefficient as the similarity measure between object template and candidate template. This thesis presents a mean shift algorithm based on coarse-to-fine search for the best kernel matching. This paper researches for object tracking with large motion area based on mean shift. To realize efficient tracking of such an object, we present a kernel matching method from coarseness to fine. If the motion areas of the object between two frames are very large and they are not overlapped in image space, then the traditional mean shift method can only obtain local optimal value by iterative computing in the old object window area, so the real tracking position cannot be obtained and the object tracking will be disabled. Our proposed algorithm can efficiently use a similarity measure function to realize the rough location of motion object, then use mean shift method to obtain the accurate local optimal value by iterative computing, which successfully realizes object tracking with large motion. Experimental results show its good performance in accuracy and speed when compared with background-weighted histogram algorithm in the literature.     

面向经纬仪图像序列的关键帧提取算法

将传统的关键帧提取算法应用于经纬仪图像序列时,关键帧序列中会包含大量的非稳定跟踪图像帧。为了在关键帧提取过程中更好地保留目标稳定跟踪测量信息,该文在分析了经纬仪图像序列的特点后,构建了一种基于局部极大值的经纬仪图像序列关键帧提取算法。该算法首先计算图像序列的帧间差分,然后使用汉宁窗函数对帧间差分进行平滑,最后基于平滑后的帧间差分局部极大值来提取关键帧。实验结果表明:提出的算法相对于传统的帧间差分强度排序方法能更好地保留目标的跟踪测量信息,提取的关键帧在整个跟踪测量图像序列中分布更为均匀,包含的场景信息更为丰富。     

基于多特征的双模板自适应更新跟踪算法

针对均值漂移算法中采用单一颜色特征以及缺乏必要模板更新方法的缺陷,提出一种基于多特征的双模板自适应更新目标跟踪算法。引入像素点邻域灰度均值差和分层空间信息加强目标特征的鉴别性,再通过对目标与背景区域双模板相似度系数的综合分析,准确地判断跟踪干扰因素的来源,并以当前帧目标区域的相似度系数为权值对目标模板进行加权更新,使得模板更新速度与其目标特征变化相适应的同时抑制模板过更新,较好地解决了模板更新时机和更新速度等问题。仿真结果表明,所提算法在不同跟踪场景下均具有较强的鲁棒性。     

基于颜色传递的双波段目标跟踪算法研究

针对复杂背景下Camshift算法容易丢失目标的情况,提出一种基于YCBCR空间将红外与可见光融合图像与彩色参考图像进行颜色传递后,采用Camshift进行目标跟踪的算法。该算法在颜色传递时充分利用双波段图像信息,得到的目标对比度高并且颜色空间较其周围背景突出,增强了目标的颜色概率图,提高了Camshift算法效率。实验表明,通过对可见光图像、经颜色传递后的红外图像以及传统颜色传递方法得到的图像采用相同跟踪算法进行定性分析,在该算法得到的图像中,跟踪窗口中心相对于目标质心仅有3个像素的误差,跟踪精度远远优于对比实验图像的跟踪结果,并且算法的跟踪时间为每帧20.6 ms,达到了实时性的要求。     

Mean Shift跟踪算法中核函数参数的评估与分析

Mean Shift是一种基于特征的对目标实现快速跟踪的算法,传统的Mean Shift算法由于跟踪中物体的尺度变化会使跟踪偏离目标乃至跟踪失败,并且原有的自适应地对跟踪窗宽的调整,是基于对核窗宽的改变来得到的。在＂固定跟踪窗宽—改变核窗宽＂的基础上对目标进行跟踪,对目标空间定位精度进行了评估与分析,通过实验结果表明改变核函数参数能改善目标跟踪的精度。     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。     

一种基于特征跟踪的视频序列稳像算法

提出一种基于特征跟踪的视频序列稳像算法.该算法从视频序列的参考帧中提取出一组角点特征,然后在后续帧中基于模糊Kalman滤波进行特征窗跟踪,通过比较各帧图像中特征窗间的对应关系计算出补偿摄像机运动所必需的参数,使用这些参数将后续帧向参考帧对准,从而得到稳定的视频序列.实验结果表明该算法稳像效果好,运算复杂度低,且具有较强的鲁棒性.