基于阈值判断的CamShift目标跟踪算法

针对CamShift算法只利用目标的颜色信息,在跟踪过程中,易受目标相似物、遮挡以及光照等复杂背景影响导致目标搜索窗口发散,跟踪稳定性能降低,提出了一种基于阈值判断的目标跟踪方法。该方法将OTSU法和Snake模型结合,利用OTSU法以最佳阈值对图像进行分割,分离前景区域和背景区域,初步提取目标轮廓作为Snake模型的初始轮廓,经收敛得到目标的精准轮廓,利用轮廓外接最小矩形框内的像素计算目标质心,判断与CamShift算法中目标搜索窗口质心之间的欧式距离,如果未超出阈值,则直接使用CamShift算法跟踪目标,反之,则将计算出的目标质心作为CamShift算法中当前帧目标搜索窗口的质心跟踪目标。实验结果表明,该算法跟踪目标具有较好的实时性,跟踪性能稳定、可靠。     

基于遗忘因子与卡尔曼滤波的协方差跟踪

协方差矩阵具有融合多维特征,获得全局最优解的优点,在目标描述方面展现出了优秀的性能,然而传统的协方差匹配难以跟踪被严重遮挡的目标,且全局搜索易遭受相似背景的干扰。为了提高协方差跟踪的性能,提出了基于遗忘因子与卡尔曼滤波的协方差跟踪算法。利用协方差矩阵可实现多种特征的巧妙融合,采用基于遗忘因子的加权搜索策略,可以削弱窗口内相似目标的干扰,利用卡尔曼滤波预测目标运动轨迹并判断目标是否被严重遮挡,使遮挡消失后目标仍能被重新捕获。实验结果表明,该算法可在摄像机运动、目标旋转、缩放和被遮挡等情况下实现刚性与非刚性目标的稳健跟踪。     

改进的KSMS手势跟踪算法研究

Mean-Shift算法是一种基于颜色信息的有效跟踪算法,当背景中存在相似颜色信息干扰时会导致目标跟踪丢失。针对手势识别中的肤色干扰问题,提出了一种改进的基于肤色约束的Kalman滤波和Mean-Shift融合KSMS(Kalman Skin Mean-Shift)跟踪算法。利用Kalman滤波的预测功能,对搜索窗口提前进行预测,从而提高跟踪的准确性。实验结果表明,算法准确可靠,在大面积肤色信息干扰时具有良好的鲁棒性。     

一种基于Kalman滤波的环形模板匹配相关跟踪算法(英文)

为了解决在目标跟踪系统中,传统相关算法在目标发生目标局部遮挡或旋转等姿态变化较大的情况时容易跟踪丢失的问题,提出一种改进的基于卡尔曼预测器的环形模板匹配相关跟踪的算法.利用卡尔曼预测器来预测下一帧目标可能出现的区域,然后在较小的预测区域中进行环形相关匹配运算,找到最佳相关匹配点,使跟踪更具主动性。环形匹配还可以克服由于姿态变化而引起的横向匹配点丢失,从而可以跟踪各种姿态运动的机动目标.实验中,利用改进算法对出现局部遮挡情况的姿态变化大的运动目标进行跟踪,传统算法处理此类情况容易跑飞,而本文算法不受这两种跟踪局限性的干扰,始终稳定跟踪机动目标且耗时大幅减少.     

复杂红外地面环境下的稳定目标跟踪方法

针对红外目标相关滤波跟踪过程中由于背景杂波干扰、目标遮挡和目标形变等情况导致的鲁棒性差甚至跟踪目标丢失的问题,提出一种融合跟踪-学习-检测方法和相关滤波理论的红外目标跟踪算法.该算法在传统相关滤波框架基础上,融合目标的方向梯度直方图特征和亮度直方图特征,改善了目标轻微形变导致的模型漂移问题.针对背景杂波和遮挡导致的多峰值响应问题,对目标背景区域的相关响应进行惩罚,建立目标和背景响应的多模态检测机制,实现目标由粗到精的定位,并采用自适应的学习率优化跟踪模型的漂移问题;针对目标被严重遮挡或脱离视野的问题,通过全局目标再检测,实现目标的重捕.实验结果表明,在复杂红外地面环境下,该算法有效地解决了相似目标干扰和目标被严重遮挡导致的目标丢失问题.基于OTB-2015视频基准序列和红外视频序列测试,对比多个主流的相关滤波跟踪算法,该算法在跟踪精度和成功率方面较长时相关滤波跟踪算法分别提升了5.6%和4.1%;在目标遮挡指标测试中,该算法在跟踪精度和成功率方面相较长时相关滤波跟踪算法分别提升了4.6%和6.1%.     

一种基于融合反馈的改进粒子滤波行人跟踪算法

针对一般粒子滤波算法容易受到相似背景干扰和遮挡影响的问题,提出一种新的融合反馈的改进粒子滤波跟踪算法。该算法将最近的观测信息融入建议分布函数,便于粒子搜索目标最可能的位置,根据相对位移的变化自适应调整跟踪窗口尺度的变化,降低了计算的复杂度,一定程度上保持了粒子的多样性。实验结果表明:该算法有效地解决了遮挡、相似背景混乱以及目标尺寸变化问题,整体跟踪性能优于粒子滤波算法。     

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。     

特征融合的尺度自适应相关滤波跟踪算法

为提高相关滤波(CF)跟踪算法的稳健性,并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题,提出了一种基于融合颜色特征的尺度自适应相关滤波改进跟踪算法。首先,将目标搜索区域从3原色(RGB)颜色空间转换到Lab颜色空间,提取搜索区域的Lab 3通道颜色特征;然后,融合Lab颜色特征与方向梯度直方图(HOG)特征得到多通道特征,利用核相关滤波(KCF)计算输出响应图并寻找图中最大响应位置即目标位置;最后,基于Lab颜色特征建立尺度模型,从当前帧的目标位置处截取不同尺度图像块,通过将其与尺度模型比较得到目标尺度最优估计。实验选取35段公开彩色视频序列进行测试,并将所提算法与其他5种跟踪性能较好的跟踪方法进行对比。实验结果表明,所提方法对彩色视频序列中的目标遮挡、变形、尺度变化等现象具有良好的适应性,其平均性能优于对比方法,同时具有76frame·s~(-1)的实时跟踪速度。     

一种鲁棒的目标跟踪方法

针对传统特征光流场跟踪方法中由于误差积累和错误匹配而导致的特征点丢失问题,基于一种新的Harris-SIFT特征点表示方法,提出基于预测帧与关键帧的算法框架,实现了光流场运动估计与局部特征识别相结合的目标跟踪方法.预测帧利用塔式分解和递归算法计算特征点的光流场运动矢量,使用运动矢量直方图获取目标的运动矢量,并剔除误匹配点;当特征点数量小于5个时,关键帧使用Harris-SIFT特征点进行局部特征匹配,利用仿射模型对目标精确定位及姿态修正.实验结果表明,本方法对视频序列中的纹理特征目标跟踪的鲁棒性较好,在背景复杂、目标遮挡或暂时丢失情况下,仍可以继续完成目标的可靠跟踪.     

一种鲁棒的目标跟踪方法

针对传统特征光流场跟踪方法中由于误差积累和错误匹配而导致的特征点丢失问题,基于一种新的Harris-SIFT特征点表示方法,提出基于预测帧与关键帧的算法框架,实现了光流场运动估计与局部特征识别相结合的目标跟踪方法.预测帧利用塔式分解和递归算法计算特征点的光流场运动矢量,使用运动矢量直方图获取目标的运动矢量,并剔除误匹配点;当特征点数量小于5个时,关键帧使用Harris-SIFT特征点进行局部特征匹配,利用仿射模型对目标精确定位及姿态修正.实验结果表明,本方法对视频序列中的纹理特征目标跟踪的鲁棒性较好,在背景复杂、目标遮挡或暂时丢失情况下,仍可以继续完成目标的可靠跟踪.     

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。     

基于改进巴氏指标和模型更新的视觉跟踪算法

传统的Mean Shift算法采用巴氏系数度量模型与候选模型之间的统计特征相似性,但是由于背景特征的影响,有时应用巴氏指标进行匹配得到最优解的位置并不一定是目标的实际位置,在跟踪过程中可能导致目标定位出现偏差。该文提出一种改进的巴氏系数相似度指标,指标由于引入了前景/背景置信值,能够有效抑制待匹配区域中背景特征的影响,突出目标特征的权重,与原始的巴氏指标相比,明显提高了目标匹配的准确性。基于改进的巴氏指标,对目标与背景区域双模型相似度系数进行综合分析,合理地判断干扰目标匹配的原因,从而采取相应的模型更新策略。采用4段具有挑战性的视频序列对5种跟踪算法进行了测试,通过定量实验分析可知,文中算法处理1帧视频所需的平均时间为75.76 ms,实时性仅次于原始的Mean Shift跟踪算法,同时跟踪误差在5种跟踪算法中取得了最优结果。实验结果表明,该算法能够有效抑制背景干扰和避免模型漂移,在不同的复杂场景下都具有一定的鲁棒性。     

卡尔曼滤波在激光跟踪测量系统中的应用

激光跟踪测量系统对于测量运动目标空间位置是行之有效的,但在测量过程中,各种干扰噪声的影响会降低测量精度。采用卡尔曼滤波来减小噪声的影响以提高测量精度。介绍了激光跟踪测量系统,建立了状态方程和测量方程,给出了卡尔曼滤波算法,仿真结果表明,运用卡尔曼滤波大大提高了测量系统的精度。     

基于OTSU分割和HOG特征的行人检测与跟踪方法

传统的HOG算法针对整幅图像进行行人特征提取,大量的非人窗口计算必然降低检测的准确率和效率。为此,提出一种基于OTSU分割和HOG特征的行人检测与跟踪方法。利用OTSU算法以最佳阈值分割图像,在分割区域的基础上进行Canny边缘检测,通过边缘的对称性计算确定行人候选区,继而采用经PCA方法降维后的HOG特征和隐马尔可夫模型对行人候选区进行检测验证。最后,以确定的行人区域为跟踪窗口,利用CamShift算法跟踪行人。多组实验结果证明,本文方法的行人检测效率和精度均有所提高,跟踪性能稳定、可靠。     

目标机动未知下的有源声呐跟踪滤波方法

为解决由有源声呐测量误差而引入的目标机动判决模糊问题,提出了基于延迟机动检测的跟踪滤波算法。利用多假设跟踪方法,在目标机动检测模糊时,生成匀速及机动的两种目标运动假设以延迟最终的决策时间,基于残差序列构造假设检验统计量,实施序列似然比检验并融合强跟踪滤波器和Kalman滤波器的优点,提高了有源声呐对先验信息未知目标的跟踪能力。通过仿真分析表明,该算法不仅能够精确的跟踪匀速运动目标,而且能够稳定的跟踪机动目标。海试数据处理进一步验证了算法跟踪真实水声目标的有效性。      

Dim moving target tracking algorithm based on particle discriminative sparse representation

The small dim moving target usually submerged in strong noise, and its motion observability is debased by numerous false alarms for low signal-to-noise ratio (SNR). A target tracking algorithm based on particle filter and discriminative sparse representation is proposed in this paper to cope with the uncertainty of dim moving target tracking. The weight of every particle is the crucial factor to ensuring the accuracy of dim target tracking for particle filter (PF) that can achieve excellent performance even under the situation of non-linear and non-Gaussian motion. In discriminative over-complete dictionary constructed according to image sequence, the target dictionary describes target signal and the background dictionary embeds background clutter. The difference between target particle and background particle is enhanced to a great extent, and the weight of every particle is then measured by means of the residual after reconstruction using the prescribed number of target atoms and their corresponding coefficients. The movement state of dim moving target is then estimated and finally tracked by these weighted particles. Meanwhile, the subspace of over-complete dictionary is updated online by the stochastic estimation algorithm. Some experiments are induced and the experimental results show the proposed algorithm could improve the performance of moving target tracking by enhancing the consistency between the posteriori probability distribution and the moving target state.     

粒子区别性稀疏表征的小弱运动目标跟踪算法

评估每个粒子的重要性是确保粒子滤波法跟踪目标准确性的重要因素。针对背景杂波和噪声干扰形成的大量虚警导致小弱目标跟踪识别的随机性和不确定性问题, 提出了一种基于粒子区别性稀疏表征的小弱目标跟踪方法。该方法根据红外图像信号自适应构建分类超完备字典, 即反映目标信号特征的目标字典和表示背景杂波的背景字典, 有利于突出目标粒子和背景粒子在联合分类字典的稀疏表征差异程度;建立基于目标粒子和背景粒子稀疏重构残差差异性的粒子滤波观测模型, 采用随机估计法对字典子空间进行在线更新, 实现对目标状态估计与跟踪。理论分析和试验结果表明, 该方法增强了随机粒子的状态估计能力, 提升了粒子稀疏表征对小弱运动目标的适应能力和跟踪识别准确度。