TLD目标跟踪算法研究

在TLD (Tracking Learning Detector)算法的基础上,提出了一种基于Online MIL(Online Multiple Instance Learning)的TLD目标跟踪算法.算法使用改进的MIL跟踪器进行目标跟踪,提高了目标在被遮挡情况下跟踪的鲁棒性.另外,在学习机制部分,目标位置的决策策略使用了跟踪结果优先的原则,使算法能适应出现类似目标时的跟踪.实验结果表明,该方法能够长时间准确地跟踪目标,并在出现类似目标时;跟踪效果较好.此外,改进后的算法在跟踪的稳定性和跟踪效率上较原算法提高了1倍.     

粒子滤波和均值漂移相结合目标跟踪算法

采用粒子滤波算法解决运动目标跟踪中非线性非高斯问题。将均值漂移算法嵌入到粒子滤波的采样阶段中,通过将每个粒子聚集到所在区域的局部极值,提高了采样粒子的使用效率。当发生目标遮挡时采用改进的粒子滤波算法,当无遮挡时采用均值漂移算法以提高速度。实验结果表明,该方法较传统单一算法具有较强的实时性和鲁棒性,能够有效实现在遮挡场景下的目标跟踪。     

改进的Camshift与Kalman融合的目标跟踪算法

Camshift算法主要利用物体的颜色信息进行跟踪,在复杂背景条件下容易造成目标的跟丢,且在目标被遮挡时,也容易造成跟踪失效。本文提出了一种改进的Camshift目标跟踪算法。首先将目标图像的HSV模型的三个分量进行加权建立一种新的目标颜色模型,然后由对整帧图像计算反向投影改为比搜索窗口稍大的区域计算反向投影,减少了相似背景的干扰。同时为了解决遮挡问题,结合了Kalman滤波器,有效地预测了目标的位置。实验表明,本算法能够避免背景颜色干扰和解决遮挡问题,实现了对运动目标准确跟踪。     

基于TLD和fDSST的长时间目标跟踪算法

为加强fDSST算法在目标快速运动、快速形变、目标消失情况下的跟踪精度,提出了一种基于TLD和fDSST的长时间目标跟踪算法。在fDSST算法的基础上,加入了检测器和学习器对跟踪结果进行修正和学习,并利用检测器和学习器的正负样本对跟踪结果进行置信度评估,从而解决了在跟踪失败情况下的错误参数学习问题。实验表明,基于TLD和fDSST的长时间目标跟踪算法,不但解决了fDSST算法由于目标快速运动、形变甚至消失而使跟踪失败,难以进行长时间持续跟踪的问题,且很大程度上增强了TLD算法的跟踪精度。     

混合模型的运动目标检测与跟踪算法

针对运动目标检测与跟踪算法计算准确率低、效果差的问题,结合Kalman滤波算法,提出一种基于高斯混合模型的运动目标检测与跟踪算法。对传统的权重更新机制进行改进,以保证背景的持续更新状态。建立高斯混合模型,对运动目标图像进行处理,对图像中的参数信息进行实时更新,在Kalman滤波器的性质影响下进行目标跟踪,将获取的运动目标位置作为信息输入,完成运行并跟踪。在更新的过程中,根据运动目标的状态确定矩阵,目标遮挡也不会影响追踪的效果。结果表明,利用Kalman滤波器对运动目标进行跟踪,可以取得良好的运动目标跟踪效果。     

融合运动模型与联合置信度量的改进核相关跟踪算法

红外制导技术是武器制导领域研究的热点和主要方向.针对探测跟踪过程中核相关跟踪算法(Kemelized Correlation Filter,KCF)对快速运动和严重遮挡目标的跟踪精度下降问题,提出一种融合卡尔曼滤波和运动模型的改进核相关目标跟踪算法.该算法首先利用运动模型对目标的位置进行初始估计,提出一种自适应搜索区域选择的方法.针对测试样本的置信度响应图呈现多峰平坦的情况,本文提出了一种用于目标相似度量的组合置信度测量策略,采用相关峰的锐度和置信图的平滑度约束来进一步计算疑似区域的置信度,提升算法的抗干扰能力;同时,本文也提出了一种基于最优置信度的自适应参数更新,增强模型的泛化能力.大量的仿真实验结果表明本文所提的算法的跟踪性能超过传统的核相关跟踪算法,对复杂的跟踪场景具有更强的鲁棒性与抗干扰能力.     

TLD目标跟踪算法综述

TLD目标跟踪算法将检测和跟踪同时加入跟踪框架,并引入半监督机器学习算法对锁定目标不断学习以捕获其最新外观,使目标无处可逃,从而实现对未知目标的长时跟踪.简要介绍了TLD算法的理论背景和系统框架,并指出其存在的主要缺陷.然后对各个缺陷所提出的改进方法进行详细地综述,并给出自己的评述.最后总结全文并展望TLD目标跟踪算法在未来几年的发展趋势.     

基于TLD框架的上下文目标跟踪算法

提出了一种基于TLD (Tracking-Learning-Detection)框架的上下文目标跟踪算法.在TLD框架中,融入时空上下文跟踪算法,提高跟踪器的鲁棒性和稳定性.引入Kalman滤波来处理目标被严重遮挡时跟踪失效的问题.此外,采用由粗到精的搜索策略进行目标检测,利用帧差法确定运动目标疑似区域,提高检测效率.实验结果表明所提出的算法具有较好的鲁棒性和实时性.     

视频序列中运动目标检测与跟踪

针对视频序列中运动目标的检测与跟踪,提出了一种基于边缘检测的背景差分算法。这种算法计算量较小,比较简单,在可以得到完整的运动目标的边缘信息的前提下,还不会受到背景的改变和光线的变化等外界因素的干扰。实验结果表明该方法具有良好的鲁棒性。     

一种小目标快速识别与跟踪方法

提出了一种基于多帧相关技术与波门选通技术相结合的快速目标识别与跟踪方法.利用多级滤波抑制噪声的方法对单帧采集图像进行处理,得到潜在的目标信息,然后利用多帧相关性和目标的运动连续性确定目标;对于后续图像引入波门选通技术,在波门内进行预处理、分割与识别跟踪.探讨了多帧相关技术中目标确定的理论判据,综合考虑目标的尺寸因素和目标的运动特征,提出一种新的波门设定方法.实验结果表明,对于信噪比(SNR)大于等于2.0的图像,该方法能够在获得目标的运动参数及运行轨迹的基础上显著地提高识别效率,实现对运动目标的实时分析,同时更好地抑制背景噪声.     

基于形态重构与跟踪的红外小目标检测算法

 结合形态学预处理与基于核密度估计的跟踪,提出了一种新的前视红外小目标检测算法:改进形态重构开Top-Hat算子,解决了原算子对前视红外图像预处理时高亮度背景有残留的问题;先融合初始多帧图像,采用阈值法检测出候选目标,提高检测率,再对候选目标进行跟踪,利用目标运动的连续性,检测出真实目标;引入伪透视运动模型对传感器全局运动进行补偿,避免了由图像抖动导致的真实目标跟踪失败,误当作伪目标去除.仿真实验效果较好.     

基于DSP的海上目标跟踪系统

设计了一个以TMS320C6711数字信号处理器为主处理器,以FPGA为协处理器,并辅以采集、输出功能的系统.给出了系统中各部分的原理框图,分析了各部分的工作原理及信号流向.提出了一种基于阈值分割的目标跟踪方法,并应用于该系统当中.实验表明,该系统能够很好的对海上目标进行跟踪,并且实时性好、工作稳定可靠.     

基于动态图像处理技术的动目标检测与跟踪

针对摄像机与目标同时运动情况下运动目标的检测与跟踪问题,提出了背景匹配法.通过相关匹配算法使背景对齐,结合帧间差分技术有效地将运动目标提取出来;然后通过预测未来路线,运用光流学与对应物的对应方法进行运动目标跟踪.     

基于粒子滤波的TLD目标跟踪算法

在复杂背景下运动目标速度快速变化、目标丢失、或大面积遮挡时,TLD算法跟踪的稳定性明显下降,跟踪效果差。针对这一问题,在TLD算法的跟踪模块中引入粒子滤波,使其在长期稳定跟踪的基础上,更好地完成复杂背景下快速运动目标的跟踪。实验以OpenCV和VS2010为测试环境,结果表明,改进后的TLD算法较原始TLD算法能够更好地跟踪快速运动的目标,增强了跟踪的稳定性和鲁棒性。     

红外图像中快速运动目标的检测与跟踪方法

红外热成像图像具有分辨率较低,细节模糊,对于快速运动目标适应性较差的特点.本文提出了一种结合目标检测算法,目标跟踪算法的红外图像中快速运动目标的检测与跟踪方法.该方法根据红外图像特点,使用ViBE算法检测运动目标,检测出图像中显著运动目标后,触发跟踪器,使用fDSST目标跟踪算法对显著运动目标进行跟踪.测试结果表明,该方法对于快速运动的红外图像目标能够高效检测、快速跟踪.检测与跟踪效果相对传统方法具有检测率更高、鲁棒性更好、实时性更强的优势,对于红外图像中目标检测与跟踪具有很强应用价值.     

基于图像处理技术的目标跟踪研究

基于视频的交通信息采集目前已成为计算机视觉领域新兴的研究方向,准确的运动目标跟踪是其关键技术并为智能交通系统奠定基础。详细介绍了几种常用的目标跟踪算法,并对目前算法相对成熟、匹配效果较好的Hausdorff算法深入研究,随后针对其计算量大的问题,采取了一种新策略,即Hausdorff算法与Kalman滤波器对目标运动进行预测估计相结合的方法进行运动目标的跟踪。     

目标被动式跟踪评述

首先介绍了目标被动跟踪的发展状况，然后按照不同的量测源分别对现有的被动跟踪方法进行讨论，并给出了各种方法的适用范围和各自的优缺点。最后试探性地给出目标被动跟踪的发展趋势，及其需要解决的重点、难点问题。     

机动目标跟踪算法仿真

针对目前应用最广的几种目标跟踪算法进行了介绍,目的是研究其在不同的跟踪条件下这些方法的性能差异,从而在此基础上发展出更加鲁棒的模型.确立了跟踪算法性能评价的相对均方根误差均值准则,通过Monte-Carlo方法,利用大量的仿真结果分析,得到了一些有益的结论.