尺度自适应的分块核相关滤波目标跟踪算法

针对目标跟踪过程中由于遮挡导致的算法性能下降的问题,在分析和研究核相关滤波算法的基础上提出了一种尺度自适应的分块跟踪策略.首先从目标中心划分子块,使用融合梯度特征和颜色特征的局部核相关滤波器单独跟踪每个目标子块,并结合目标子块与整体间的位置约束关系得到目标中心位置的粗略估计,然后由全局滤波器用作初始估计以确定目标中心的...     

基于改进归一化积相关算法的目标跟踪方法研究

针对归一化积相关算法（Normalizad Product Correlation,NProd）对光照敏感且计算复杂度高的特点,提出一种基于改进归一化积相关的实时目标跟踪方法.通过对NProd算法进行去均值改进,去除图像直流分量,抑制了图像灰度变化对相关峰的影响,提高了算法对光照变化的鲁棒性;通过应用先粗后精的分层搜索算法提高了算法实时性能;最后通过自适应模板更新改善了跟踪算法的稳定性.运动目标跟踪实验表明,该方法保留了NProd算法的高匹配精度,在亮度变化达到25%时可以保证跟踪稳定,且满足实时性要求.     

一种地面目标的相关跟踪方法

提出了一种用多子模板对目标进行相关跟踪的方法，该方法建立了综合多子模板相关结果，目标跟踪判断及自适应刷新模板等准则，较好地解决了相关如何判断目标锁定，部分遮挡，相似目标出现及模板的刷新等问题。     

融合位置估计的自适应尺度相关滤波跟踪

针对相关滤波跟踪算法中不能适应目标多尺度变化的问题,提出了一种融合位置估计和尺度估计的自适应尺度相关滤波器.通过提取当前图像中不同尺度大小的目标模板,作为先验信息加到滤波器中学习,训练滤波器.对多尺度模板训练赋予新的权重定义,重新定义了多尺度模板对应的标签.提高了滤波器对目标尺度变化的敏感度.通过在CVPR 2015数...     

基于仿射变换与模板更新策略的目标跟踪方法

提出了一种自适应跟踪算法,其主要思想是用六个仿射变换参数来表征图像中目标区域的运动,由当前位置图像与模板图像的差分图像可以求取这些参数,并进一步用这些参数来预测目标的运动和跟踪目标。在实际跟踪过程中,又采取一种有效的相似性度量方法,用它来决定是否修改模板,以及如何修改。     

显著性增强的模型自适应目标跟踪

目的 针对跟踪过程中目标易受遮挡、移出视野、背景杂乱等因素影响的问题,提出一种显著性增强的模型自适应目标跟踪方法。方法 将显著性特征与颜色直方图是梯度方向直方图(Histogram of Oriented Gradient, HOG)特征结合,建立目标外观模型,提高目标外观表示的多样性。通过引入一种目标遮挡检测方法和一种模型自适应更新策略,以自适应方式调整模型学习率,应对目标遮挡问题。结果与结论将本文方法与9种经典跟踪器在公开目标跟踪基准数据集OTB-2015上进行对比。仿真实验与分析表明,所提方法在跟踪精度和成功率上均取得较好的结果。     

一种抗遮挡尺度自适应核相关滤波器跟踪算法

针对传统的核相关滤波器(KCF)算法无法很好地解决目标跟踪过程中的尺度不变性和模型漂移问题,提出了一种改进的抗遮挡尺度自适应核相关滤波器算法。使用平均峰值相关能量(APCE)和相关滤波响应峰值作为跟踪置信度指标判断目标是否受到遮挡,在未遮挡的情况下,对目标进行尺度缩放,通过滤波器之后计算相应的响应值,比较不同尺度响应值的大小,最大值即为最佳的目标尺度值。采用OTB-2013评估标准,与传统KCF对比,新算法在目标受到遮挡时,跟踪成功率与精确度有明显提高,同时适应目标尺度变化,具有较强的鲁棒性。     

基于快速尺度估计的核相关滤波 目标跟踪

为了解决传统基于核相关滤波器（KCF）的跟踪算法难以有效处理目标尺度变化的难题,本文提出了一种新的融合快速准确估计目标尺度变化的核相关滤波跟踪算法。该方法首先利用目标尺度变化的连续性对目标的尺寸变化进行粗略估计,得到目标尺度变化的粗略值;然后进一步对目标尺度的更多可能变化进行精确搜索,提升目标尺度估计的准确性。在公开的复杂场景视频进行测试,比较了本文方法和原始KCF算法的实验效果,并且将本文算法和经典跟踪算法进行了比较,实验结果表明本文提出的目标跟踪算法更准确鲁棒。     

一种地面目标的相关跟踪方法

提出了一种用多子模板对目标进行相关跟踪的方法，该方法建立了综合多子模板相关结果、目标跟踪判断及自适应刷新模板等准则，较好地解决了相关跟踪中如何判断目标锁定、部分遮挡、相似目标出现及模板的刷新等问题。     

融合运动状态信息的高速相关滤波跟踪算法

为解决相关滤波(Discriminative Correlation Filter,DCF)算法在快速运动、遮挡、尺度变化等复杂情景下的跟踪失败问题,提出一种融合运动状态信息的高速相关滤波目标跟踪算法.在传统DCF算法基础上做出以下改进:(1)在跟踪框架中融入卡尔曼(Kalman)滤波器,利用目标运动状态信息对预测运动轨迹进行修正,以解决目标复杂运动时易跟丢问题,提高跟踪精度;(2)训练一个独立的尺度相关滤波器进行目标尺度预测,并利用主成分分析法(Principal Component Analysis,PCA)进行特征降维处理,提高跟踪速度;(3)提出一种高置信度更新策略判断是否对位置滤波器进行模板更新,以及是否采用Kalman滤波器预测位置作为目标位置.最后在OTB-100数据集上进行算法测试,提出算法平均精度与成功率分别达到74.8%与69.8%,平均帧率为84.37帧/s.相较其他几种主流算法,本文算法有效提高跟踪性能,并保证了跟踪速度,满足实时性要求,在遮挡、背景模糊、运动模糊等复杂情况下能够保持良好的跟踪效果.     

迭代无味卡尔曼滤波的目标跟踪算法

针对目标跟踪迭代无味卡尔曼滤波(IUKF)算法中跟踪精度较差的问题,提出一种基于状态扩展技术的改进迭代无味卡尔曼滤波(IIUKF)算法.新算法首先将观测噪声扩展进状态,构造关于扩展状态的零噪声观测方程,然后在观测迭代过程中将最新的扩展状态后验估计代入更新公式,进行观测迭代更新.相比IUKF算法,IIUKF算法不仅形式上更为简洁,而且避免了IUKF算法中先验估计和观测噪声非统计正交的问题,滤波精度更高.数值仿真表明,IIUKF算法的跟踪误差比IUKF算法减小了20%以上.     

基于联邦滤波的抗欺骗干扰目标跟踪

基于联邦滤波思想将机载数据链、光电传感器和雷达的探测信息进行融合以解决跟踪过程中雷达易受欺骗干扰的问题。针对不同的欺骗干扰方式,对雷达受欺骗干扰时的量测特性进行了分析;提出了多传感器融合干扰检测算法;结合多模型交互、时间配准、信息等价转换、信息分配,提出了了机载多传感器联邦滤波抗欺骗干扰融合算法的具体实现方法。仿真结果表明本算法能够检测并应对雷达的欺骗干扰,确保对真实目标的有效跟踪。     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼（Kalman）滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

基于极大后验估计的STUKF算法跟踪再入弹道目标

针对弹道导弹再入阶段飞行受力情况复杂多变,状态噪声未知时变的非线性跟踪问题,提出基于极大后验估计的STUKF非线性滤波跟踪算法。该算法采用最小偏度单行采样策略,在保证跟踪精度的同时,提高实时性;引入带有多重次优渐消因子的强跟踪算法,在线调整状态一步预测均方误差阵,提高系统对突发机动跟踪的稳定性;采用指数加权的方法,利用次优无偏MAP时变噪声统计估计器,在线估计未知系统过程噪声的统计特性,提高系统应对噪声变化的能力。仿真结果表明:该算法具有比不敏卡尔曼滤波算法(UKF)和扩展卡尔曼滤波算法(EKF)更好的跟踪性能。     

基于卡尔曼滤波和粒子滤波的目标跟踪性能对比

粒子滤波器是一种也称序列蒙特卡洛采样的近似贝叶斯滤波器,其具有不受目标系统是否线性,噪声系统是否高斯分布等限制的特性,能够对目标系统进行最小方差估计,广泛运用在目标跟踪、自动控制和参数估计等领域.而具有线性递推特性的卡尔曼滤波在线性系统中根据前一时刻的目标状态和当前时刻的观测量,来获得当前时刻状态的最优估计,具有无偏,稳定和最优的特点.本文通过建立在目标系统中的状态转移方程和目标观测方程,运用粒子滤波和卡尔曼滤波对在仿真环境下的汽车的行驶轨迹进行跟踪预测,并在MATLAB软件环境下建模并仿真验证:通过对比两种滤波器的估计误差,表明了卡尔曼滤波在线性高斯系统中的优势.粒子滤波估计误差整体较小但在粒子迭代,重要性采样函数,粒子退化,重采样等步骤上具有更高的算法复杂度.     

基于背景差分和粒子滤波的运动目标跟踪算法

针对粒子滤波算法在复杂环境下粒子数量显著增加导致跟踪实时性下降的问题,提出一种将背景差分引入到粒子滤波算法中的新算法.利用背景差分对图像处理后得到检测结果,将分布在已被检测为前景像素点上的粒子定义为重要性粒子,增大了其权值.实验结果表明,该算法能使用较少的粒子实现较好的跟踪,提高了跟踪的实时性.     

非高斯条件下基于粒子滤波的目标跟踪

介绍了粒子滤波的基本思想和具体算法实现步骤，在给出的闪烁噪声统计模型基础上，将粒子滤波算法应用在雷达目标跟踪中，解决了闪烁噪声情况下的雷达目标跟踪问题．仿真结果表明，在满足高斯噪声条件下，扩展卡尔曼算法和粒子滤波算法跟踪性能相近，但若考虑雷达的闪烁噪声，则随着闪烁影响增强，扩展卡尔曼算法跟踪性能严重下降，而粒子滤波算法能继续保持较好的跟踪精度．     

一种精确跟踪目标的非线性滤波算法

论文分析了当目标距离或雷达极角量测误差超过一定限度时,扩展卡尔曼滤波器跟踪精度迅速下降和原因,并在精确计算线性化误差及实际量测误差的基础上提出一种补偿线性化误差的跟踪滤波算法（PTLKF）。计算机仿真结果表明,论文提出的算法有效地减小了线性化误差的影响,滤波器跟踪精度得到较大提高。     

基于粒子群优化粒子滤波的目标跟踪方法

为了提高粒子滤波在视频跟踪中的稳定性,解决粒子多样性衰退的问题,提出了一种基于粒子群优化粒子滤波的视频目标跟踪方法 .该方法在粒子滤波跟踪过程中,首先使用均值漂移方法来确定全局最优位置.同时,设计了一种使用高斯随机数的优化速度,并通过有效粒子数阈值来作为停止优化的判决条件.通过优化过程,使粒子向具有更高似然度的区域收敛.对序列图像的跟踪实验结果表明:该算法提高了估计精度,能够有效地跟踪目标,具有较好的鲁棒性.     

遮挡情况下基于粒子滤波的视觉跟踪算法研究

针对遮挡情况下视觉跟踪的问题,提出了一种基于粒子滤波与KF预测判别的跟踪算法,很好地解决了目标跟踪丢失问题。实验结果表明:该跟踪算法在瞬时遮挡和长时间遮挡情况下,均能稳定地跟踪目标。