基于变分辨率的自适应窗口目标跟踪方法研究

针对视觉跟踪中运动目标的大小也随之改变这一问题,提出一种基于变分辨率的自适应窗口目标跟踪方法。在最大后验概率视觉跟踪算法基础上,分析了运动目标窗口内外框上的后验概率贡献指标,建立了自适应窗口调整目标尺度的数学模型。当运动目标尺寸变化时,其分辨率也相应变化,为了保证跟踪的实时性和效率,采用变分辨率的特征统计采样方法。在对运动目标实现自适应窗口的跟踪时,特征统计的分辨率也随之改变,对尺寸越大的运动目标尺度赋予更低的分辨率,从而实现基于变分辨率的自适应窗口目标跟踪。     

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。     

水下对空中声源的运动参数估计

为了解决传统的交互式多模型目标跟踪算法中马尔可夫概率转移矩阵固定不变,造成的模型切换缓慢、跟踪精度不高的问题,提出了一种基于后验信息修正的时变转移概率自适应交互式多模型跟踪算法。算法定义了一种新的修正因子,利用后验信息对概率转移矩阵进行实时修正,提高匹配模型的概率,减小非匹配模型的影响,使得系统模型能够及时、准确地切换到匹配模型。蒙特卡洛仿真实验表明,该自适应交互式多模型算法能够应用于水下目标跟踪中,相比传统交互式多模型算法,模型匹配度更高,滤波效果也更好。     

一种利用Gabor小波特征的目标跟踪方法

小波特征跟踪是一种新的目标跟踪方法。这种方法利用Gabor小波提取目标的边界特征来组成特征模板,并由小波滤波器系数组成特征向量。在跟踪过程中不断优化特征模板的旋转、尺度及平移等几何变形参数,使得小波特征向量值在最小平方和的意义上与初始值相匹配,从而实现目标旋转、尺度及平移等几何变形时的自动跟踪。实验表明,该方法能够有效地跟踪飞机、车辆等目标,并且能够抵抗全局亮度的变化和局部遮挡的干扰。     

基于协方差矩阵的多特征融合跟踪算法

为提高视觉目标跟踪算法的稳健性,提出一种基于协方差矩阵的多特征融合跟踪算法。在量子遗传算法框架下,采用区域协方差描述子对颜色、边缘和纹理特征进行融合,并采用一种快速协方差交叉算法进行模型更新。该算法综合利用了区域协方差描述子维数较低,量子遗传算法收敛速度快且全局寻优能力强和快速协方差交叉算法快速计算的特点,能极大地提高了融合、匹配与更新过程的运算效率,实现了快速有效的多特征融合跟踪。实验结果表明,该算法能够有效应对遮挡、旋转、形变和运动模糊等多种复杂变化的干扰,实现对目标的快速稳健跟踪。     

融合两类跟踪框架优点的红外目标跟踪算法

基于粒子滤波的算法模型框架,针对红外的目标成像与背景对比度低、背景复杂等问题,进行提取目标灰度特征,通过对系统概率的密度函数的采样集进行了预测和更新,来逼近系统的后验密度概率,初步确定目标位置,再融合均值漂移算法进行小区域精确搜索,确定目标位置。同时,通过调整均值漂移的算法和函数的带宽,对于红外目标有阻挡情况下的识别能够得到有效处理。通过仿真得到该模型具有算法高效、去除粒子的退化,并且对于有遮挡的红外目标能够进行实时稳定地跟踪。     

基于阵元域数据的联合检测与跟踪算法

为了提高对弱目标的检测与跟踪能力,采用一种基于阵元域数据驱动的联合检测与跟踪算法。在假定多目标信号互不相关,且目标个数已知的条件下,采用最大后验(MAP)方法从阵元域数据中直接估计目标的状态。与传统的检测跟踪算法不同,该算法在目标方位信息的基础上,增加能量信息,用于目标跟踪从而提高跟踪能力,同时又通过跟踪目标轨迹的预测以提高检测能力。仿真结果显示,该算法可提高对弱目标的检测能力和跟踪能力,解决传统的跟踪算法对于交叉目标的错跟与失跟问题,在目标非快速机动的情况下得到很好的检测跟踪结果。海试结果显示该算法具有重要的实际工程应用价值。     

基于自适应Kalman滤波的机器人运动目标跟踪算法

针对足球机器人比赛时的模型变化及其环境噪声先验估计不准确的问题,提出一种基于自适应卡尔曼滤波的足球机器人视觉跟踪算法。该算法将一种基于减背景的运动目标识别的方法与自适应卡尔曼滤波跟踪模型进行结合,对背景进行实时更新,并通过形态学滤波去除残留的小区域,从而准确的识别运动目标,通过自适应的在线调整运动模型参数来保证模型预测值的准确性,进而提高了目标跟踪时的匹配效率,实现了目标的精准、迅速跟踪。通过实验证明,该算法是很有效的,具有推广价值。     

基于自适应非参数统计模型的彩色目标跟踪算法研究

针对复杂环境条件下的视觉跟踪问题,提出一种基于自适应非参数统计模型的彩色目标跟踪算法。利用目标和背景之间的强度差别,基于自适应核密度估计模型对运动目标进行了非参数统计建模。为了实现具有较大范围运动目标的跟踪,在充分考虑目标和背景之间的相关性前提下,采用目标特征统计的背景加权直方图对搜索区域进行了扩大。为了提高对环境变化的适应能力,根据目标和环境的变化自适应更新目标特征分布模型。通过对实际图像序列的实验,结果表明该算法能够有效跟踪运动目标,并且平均迭代次数比传统方法减少了37.28%。     

基于高斯混合概率假设滤波的水下目标跟踪算法

为了解决传统水下目标跟踪中目标数目估计不准确、状态估计误差增长过快的问题,提出了一种基于高斯混合概率假设滤波的水下目标跟踪算法。该算法基于双基地观测模型,采用高斯混合概率假设滤波算法处理方位和时延信息,利用粒子群算法处理多普勒频率获得矢量速度,进一步提升算法的跟踪精度。结果表明,该算法能完成在杂波环境下对目标的跟踪,相比传统的关联算法,能够有效地实现目标个数估计和抑制状态误差增长的目的。     

An adaptive window object tracking algorithm based on variable resolution

This paper presents an adaptive window object tracking method based on variable resolution. It copes with the change in size of the object during visual tracking. On the basis of the visual tracking algorithm, based on maximum posterior probability, we analyze the posterior probability index on the inside and outside panes of the object window, then build a mathematical model for adjusting object size with an adaptive window. Since the resolution changes according to the size of the object, this thesis uses a statistical sampling method of the feature by variable resolution. The resolution of the statistical feature is correspondingly changed in object tracking with an adaptive window. The resolution of a larger object is decreased, which realizes an object tracking method with adaptive window based on variable resolution.     

一种改进的时变转移概率AIMM跟踪算法

针对矢量线阵跟踪目标低频线谱提取问题,提出了一种矢量线阵低频线谱提取方法,其中利用拉平后线谱的均方差乘一比例因子设为门限的方法,可以有效提取线谱成分;并且研究了利用互谱中高信噪比线谱测向剔除干扰线谱方法,准确提取出目标特征线谱,可较有效解决矢量线阵左右舷目标低频线谱特征相互干扰问题。上述矢量线阵低频线谱提取方法,得到了海试数据的初步验证。     

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。     

Joint tracking algorithm using particle filter and mean shift with target model updating

Roughly, visual tracking algorithms can be divided into two main classes: deterministic tracking and stochastic tracking. Mean shift and particle filter are their typical representatives, respectively. Recently,a hybrid tracker, seamlessly integrating the respective advantages of mean shift and particle filter (MSPF)has achieved impressive success in robust tracking. The pivot of MSPF is to sample fewer particles using particle filter and then those particles are shifted to their respective local maximum of target searching space by mean shift. MSPF not only can greatly reduce the number of particles that particle filter required, but can remedy the deficiency of mean shift. Unfortunately, due to its inherent principle, MSPF is restricted to those applications with little changes of the target model. To make MSPF more flexible and robust, an adaptive target model is extended to MSPF in this paper. Experimental results show that MSPF with target model updating can robustly track the target through the whole sequences regardless of the change of target model.     

目标跟踪中目标模型更新问题的半监督学习算法研究

本文针对长期稳定的目标跟踪中的目标形变、尺度缩放、旋转等问题, 提出一种步步为营的反馈式学习方法, 该方法通过正、负约束实现对于目标模型和分类器的判别能力和容错能力提高的同时, 使更新带来的误差尽量小, 并证明了其收敛性. 通过实验表明, 对于同一种跟踪算法使用本文提出的目标更新方法进行更新学习的比不更新学习的跟踪效果要稳定得多, 对于目标的尺度变化、形变、旋转、视角变化、模糊等都有较好的适应性, 并通过与现有的较流行的方法进行比较, 本文方法鲁棒性较好, 有很高的研究和应用价值.     

基于STAMP的航空管制空中危险目标识别方法研究

为了保证航空管制中航空器的完整性,提高航空器的使用寿命,并且可以最大限度的保障航空乘客和其他航空人员的人身安全,需要对航空管制空中危险目标进行识别。但采用当前目标识别方法对空中危险目标识别时,识别系统对空中危险目标无法稳定识别,存在空中危险目标识别精度低的问题。为此,提出一种基于STAMP的航空管制空中危险目标识别方法。该方法先利用STAMP模型对航空管制空中危险目标识别系统各组成部分进行任务分配,然后采用Harris法对空中危险目标进行特征选择和提取,依据Mean-Shift法的Bhattacharyya系数,描述候选空中危险目标和空中目标的危险概率分布相似度,随着Bhattacharyya系数的不断增加,候选空中危险目标和空中危险目标的相似度越大,使危险目标跟踪系统朝着空中目标危险密度增大的位置移动,在最优位置收敛,从而实现空中危险目标跟踪,最后利用D-S理论对跟踪结果进行识别,通过引入空中目标危险性基本概率赋值函数获得空中目标危险基本概率,采用Dempster组合规则对空中目标危险证据进行合成,依据空中危险目标证据融合结果完成对航空管制空中危险目标的识别。实验仿真证明,所提方法增强了航空管制空中危险目标识别的效果,提高了航空管制空中危险目标识别的精度。     

联合多站阵元域数据的水下目标检测与跟踪

为了提高复杂海洋环境中目标的检测、跟踪性能,提出一种联合多站阵元域数据的水下目标检测与跟踪方法.该方法采用序列马尔科夫链蒙特卡洛思想对目标进行采样更新,通过对接收概率中的后验概率以及采样函数进行分解展开,并根据多站阵元域数据计算采样粒子的联合似然,在迭代过程中实现目标数目和目标状态的联合估计.研究结果表明,该方法对单目标的平均定位误差在较高信噪比下能够稳定在50 m以内,对多目标随机出入场景中新生及消失目标实现有效检测,同时对强干扰下弱目标及交叉目标实现有效检测跟踪。仿真结果和海试数据均验证该方法具有良好的目标检测与跟踪性能。