基于自适应背景的目标跟踪算法研究

随着现在的社会发展以及经济进步,我国的科学技术方面发展迅速,特别是在技术监控方面更是突飞猛进。为了更好的对目标遮挡影响进行降低,我国在这方面主要依据自适应的技术发展背景下提出目标跟踪计算法,用来完善我国的监督控制技术。这种计算方式第一是根据对观察目标的基本外观形态进行的鉴定与跟踪,将其自身的运动量进行平均计算;其次是根据时空的运行方向与特征进行跟踪目标的计算,建立比较完善整体的运行模型,再根据这个运动模型以及整体的状态对监督目标进行检测与控制,这期间就会形成一种遮挡掩膜。对于掩膜是一种将程序数据等绘制成光刻板,在程序使用期间非常可靠,并且制造成本比较低,使用方便;最后是在不同的使用情况下将不同参数进行收集,自动的适应运动模型的运行。针对这种计算方式的实验主要是利用两种在国际上经常使用的CAVIAR、York数据进行测试,并且根据这两种数据对测试的精准度与多重目标跟踪等进行评定,检测跟踪的整体性能。通过多方面的研究表明这种方式的跟踪的性能非常好,并且还能很好的将跟踪目标的鲁棒性进行遮挡。     

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。     

一种新的基于自适应模板的相关跟踪算法

提出了一种基于自适应模板的快速相关跟踪算法。该算法采用模板的自适应更新策略,运动估计,同时利用高效、并行的混合遗传算法进行模板匹配。实验结果表明该算法能够长时间稳定跟踪目标,跟踪精度高、实时性好。     

基于Kalman滤波和模板匹配的目标跟踪技术研究

针对模板匹配算法计算量大,难以解决目标形变、光照变化、遮挡等情况下的跟踪问题,提出了一种结合Kalman滤波的模板匹配跟踪算法。通过Kalman滤波预测下一帧图像中目标的位置,缩小目标搜索范围,以减少模板匹配计算量,满足目标跟踪的实时要求。采取自适应模板更新策略,根据目标的变化情况更新模板。在目标被短暂遮挡时,采用Kalman滤波预测目标的状态,继续稳定跟踪。实验结果表明,算法明显优于单独使用模板匹配算法,当目标被遮挡时仍可以稳定、实时跟踪,具有良好的鲁棒性。     

一种复杂海空背景下的红外小目标检测跟踪算法

复杂海空背景下红外小目标检测和跟踪算法决定了光电跟踪设备的探测性能。为了解决复杂海空背景下的红外小目标检测跟踪难题,提出了一种复杂海空背景下的红外小目标抗干扰检测跟踪算法。在检测阶段,为了抑制不同区域中各类杂波,该算法利用不同的分类器分别区分不同区域的杂波和小目标;在跟踪阶段,为了进一步剔除孤立噪声和杂波干扰,采用高斯混合概率假设密度滤波器进行目标航迹维持。在仿真视频上进行的目标检测跟踪实验表明,所提算法相比以往的跟踪算法,正确跟踪率提升了约10%,平均跟踪精度提升了约50%。该算法具有较好的工程可行性。     

自适应特征融合和模型更新的相关滤波跟踪

针对复杂场景下单个特征的稳健性差,以及目标存在背景干扰和目标遮挡时跟踪失败的问题,提出一种基于自适应特征融合和模型更新的相关滤波跟踪算法。该算法在核相关滤波的基础上,通过对不同特征的响应图采用平均峰值-相关能量的方法进行加权求和,实现了响应图层面的自适应特征融合。根据响应图的峰值特性计算自适应权重,以其作为置信度确定模型的更新率,进而设计自适应模型更新方法。实验结果表明,该算法能够很好地适应背景干扰、目标遮挡、旋转运动等复杂场景,与近年来优秀的相关滤波跟踪算法相比,所提算法的平均距离精度比其中最优的算法提高了2.64%,平均重叠精度提高了1.54%。     

复杂背景下实时运动目标的提取

提出了一种结合帧间减法与背景自适应更新的算法,结合高速图像处理平台,以满足实时运动目标的提取。着眼于算法的高速性并提出一种足够快的方法用于弹道测量系统。用高斯分布建立每个像素的灰度模型,这个分布用来区分前景和背景像素以便用来更新背景模型。实验表明该系统可以满足靶场弹道测量任务实时性的要求,传统大量占用系统资源的算法在该系统中得到改善,大大提高了系统的实时性。     

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%.     

海天复杂背景下红外目标的检测跟踪算法

在分析海天复杂背景下红外目标图像特征的基础上,提出适合该环境的红外目标检测算法.该算法采用行均值相减的方法抑制海平面非线性温度场的影响,并进行中值滤波处理.对于更加复杂的环境,选用数学形态滤波法抑制背景中的大面积云团或海浪,从而确定出目标区域来进行目标图像的分割及增强.同时,综合使用图像捕获区域指定、运动目标检测法、弱目标的增强提取、记忆外推功能、数据融合加权跟踪方法,来保证在海天复杂背景下红外目标的可靠跟踪.实验表明,该算法能较好地处理海天复杂背景下红外目标的检测,且算法易于硬件实现,提高目标检测的实时效率.     

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。     

一种基于算法融合的红外目标跟踪方法

视频目标跟踪的难点在于快速、准确地在帧与帧之间匹配目标.由于红外图像目标与背景的反差低,图像的边缘模糊并且灰度级动态范围小,使红外目标跟踪难度比可见光更大.本文提出一种针对红外日标跟踪的融合算法,该方法融合直方图和不变矩的特点.首先利用目标的直方图计算简单快速的特点,由均值平移算法快速找到局部最优解,但由于该局部最优解仪为直方图匹配的最优解,缺少目标形状特征,与实际目标位置存在一定的偏差;其次,利用边缘小变矩作为修正特征修正误差,避免跟踪误差逐渐累计而最终导致跟踪失败,以提高跟踪的稳定性和精度.实验结果表明,该算法能够消除跟踪过程中的漂移现象,提高跟踪精度.     

基于自适应粒子滤波的红外目标跟踪

为有效解决非线性环境中的红外目标跟踪问题,提出一种自适应粒子滤波目标跟踪算法.建立了目标加权概率模型.在滤波过程中,提出双过程粒子重抽样方法,形成对抽样粒子集的自适应调节,有效地解决了粒子退化问题.用实际红外图像序列做了实验.结果表明,在非线性环境下用该方法得到的红外目标跟踪结果优于用传统粒子滤波和扩展卡尔曼滤波算法获得的结果.     

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算法。该算法在SiamRPN的基础网络框架下,构造多尺度互相关(Multi-Scale Cross Correlation,MS-XCorr)模块,对原有的互相关操作进行多尺度的改进,从而增加学习特征尺度的多样性,提高了跟踪网络相似性学习的效率,最终使得算法跟踪性能有进一步提升。在实验部分,将改进后的算法与其基线进行了对比实验,该算法在成功率(Success Rate)、精度(Precision)及平均精度(Norm Precision)上均有提升,成功率提高了4.3%,精度提高了4.4%,平均精度提高了4.0%。实验表明,多尺度互相关模块相较于深度互相关模块具有更强的相似性学习能力,提出的多尺度相似性学习的目标跟踪算法在目标光照、形态变化、遮挡以及干扰等复杂场景下具有更...     

一种背景自适应调整的弱点目标探测算法

针对因复杂背景导致低信噪比的弱点目标探测率降低的问题,首先分析了从红外图像中探测弱点目标时,由于复杂和缓变背景下潜在目标探测率不同,而导致目标探测率降低的理论依据;并在该分析的基础上,提出了一种基于背景自适应调整的红外点目标探测算法。该方法利用鲁宾逊(Robinson)保护滤波器从经过预处理的图像中提取潜在目标;通过复杂背景模糊隶属度函数将图像映射到模糊特征平面,并由该特征平面计算背景调整因子,以对提取的潜在目标进行加权调整,从而降低了复杂背景的影响。实验结果表明,该算法可以显著提高复杂背景下红外点目标的检测概率,并且能够探测出信噪比为1的目标。     

基于动态粒子群优化的目标跟踪算法

目标跟踪问题的关键在于如何寻找与目标运动状态匹配的运动模型。交互式多模型算法的模型集是根据先验信息确定的,它不随时间变化而变化,并且要求在模型集中任意时刻都存在描述目标运动模型。在实际中需要大量模型来描述运动。将粒子群优化和变结构多模型算法相结合,不仅能充分利用系统的实时量测信息,还能根据其先验信息调节优化算法结构。仿真表明,运用动态自适应粒子群优化算法实现模型集自适应,可以提高目标跟踪的精度和实时性。     

基于形态学的复杂背景目标检测算法的研究

复杂背景下目标检测存在诸多困难,主要为背景对目标检测的干扰,大量噪声存在导致传统导数边缘检测方法的失效等。针对上述两点,提出了分割区域图像、利用形态学方法检测目标的新算法。首先利用目标与背景灰度差异性来确定目标的大致区域,将其分割出来,然后再结合多结构元素法进行目标的精确检测。通过与原图像分割、聚类算法分割实验比较,该算法具有较好的抗干扰性和抗噪性能。     

复杂背景下相关跟踪算法的研究

针对传统跟踪算法（如邻域法、传统的相关跟踪算法）只能跟踪海上或空中目标,不能跟踪复杂背景下目标的问题,提出了一种稳定快速跟踪复杂背景下目标的算法。该算法在传统相关跟踪算法的基础上进行改进,相关处理之前采用边缘检测、阈值分割等方法去除复杂背景,提取出具有特征的目标信息。在跟踪过程中,根据匹配的效果自动对模板进行刷新。给出了算法实现的硬件组成和程序流程图。实验证明对于传统算法无法稳定跟踪的目标,改进后的算法能够实现稳定跟踪。