一种基于双核架构的视频跟踪与处理系统的实现

提出一种基于ADSP-BF561的视频跟踪与处理系统设计方法。系统利用ADSP-BF561的双核并行处理性能和丰富的视频编解码接口,采用一种相关跟踪算法对其进行优化,算法是一种以相关系数作为相似性度量准则的相关跟踪算法。对该系统进行测试,结果表明:针对PAL制目标视频图像序列,系统可以实现复杂背景下的实时目标跟踪,视频目标跟踪对每帧的处理时间为22 ms,解决了目标跟踪的实时性要求。     

基于LabVIEW的目标跟踪方法设计与实现

针对图像处理技术目标跟踪的特点及技术要求,根据LabVIEW的功能特点及其强大的函数库,提出以LabVIEW为开发环境,利用视觉开发模块,采用图形化、模块化设计思想,为了解决一些文本软件开发方式的可扩展性差、调试困难及可操作性弱的问题,设计实现了一种基于LabVIEW的MeanShift目标跟踪方法;实验结果表明,利用该软件实现的目标跟踪方法运行可靠,易于扩展,便于使用,而且跟踪效果良好,在目标发生旋转、缩放、移动或目标部分遮挡时能够实现很好的跟踪。     

高速电视下基于自适应阈值的实时图像跟踪

介绍了在高速电视下,自适应阈值的提取及其对自动目标跟踪的重要性;提出了三种基于自适应阈值的目标跟踪算法——形心跟踪法、相关跟踪法和综合跟踪法,实现了对复杂背景下形状、加速度易发生无规则变化的高速运动目标进行跟踪.实测结果表明：这几种跟踪方法具有稳定、有效、适应性强等优点,对高速目标跟踪系统的设计与实现有较高的参考价值.     

目标跟踪技术综述

本文回顾了视频目标跟踪方法中常用的目标表示方法,并对目标表示方法进行了系统地分类,对现有的目标跟踪方法进行了分类,并对每类中具有代表性的方法进行了详细描述,分析各类别的优缺点。讨论了目标跟踪的难点以及未来的发展趋势,为相关研究人员了解目标跟踪技术提供参考。     

基于多层深度卷积特征的抗遮挡实时跟踪算法

为提高复杂场景中目标跟踪算法的准确性与实时性,提出一种基于多层深度卷积特征的抗遮挡实时目标跟踪算法。针对目标跟踪任务,先对深度卷积网络VGG-Net-19进行微调,再提取目标区域的多层深度卷积特征。根据相关滤波框架构建位置相关滤波器,确定目标中心位置。设计尺度相关滤波器对目标区域进行不同尺度采样,确定目标尺度。目标遮挡时,采用阶段性评估策略进行模型更新与恢复,解决模型误差积累问题。选取目标跟踪评估数据集OTB-2015(100组视频序列)与UAV123(123组视频序列)进行测试。实验结果表明,本文算法具有更高的准确性,能够适应目标遮挡、外观变化及背景干扰等复杂情况,平均速度为29.6 frame/s,满足目标跟踪任务的实时性要求。     

无源声呐场景中使用辅助粒子滤波的邻近目标检测前跟踪方法

针对无源声呐多目标方位跟踪问题,研究了一种基于粒子滤波的检测前跟踪方法,关注于改善邻近目标和机动目标的跟踪性能。首先,提出了一种考虑了邻近目标影响的似然函数;其次,采用辅助变量利用量测信息优化粒子采样,当算法运动模型与目标实际运动状态失配时,这种策略具有很大优势。结合以上两点,提出了一种检测前跟踪算法,该算法将邻近目标划分为一组,使用邻近目标的预测状态计算目标的似然,计算效率较高。利用仿真生成的数据和海上采集的实际数据分别验证了该算法的性能,并与其他多目标粒子滤波检测前跟踪算法进行比较,证明了该算法具有良好的跟踪性能。在目标邻近和目标机动的情况下,该算法的优势更加明显。     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。     

Mean-shift跟踪算法及其在光电跟踪系统中的应用

针对光电跟踪系统中实时提取运动目标脱靶量的应用需求,设计了一种基于灰度直方图的Mean-shift 图像跟踪算法,对算法中目标模型与候选模型的建立进行了改进,抑制了背景像素对目标跟踪产生的影响。算法在系统上位机Visual C+ + 6.0平台上实现,当光电跟踪系统捕获到运动目标后,利用Mean-shift图像跟踪算法跟踪运动目标,并实时将运动目标脱靶量作为伺服控制系统的输入信号,驱动跟踪器跟踪目标。实验结果表明：设计的算法可以实时、准确、有效地跟踪运动目标,使稳定后的脱靶量换算得到的角偏差量控制在30"之内。     

高精度星载点目标轨迹跟踪系统设计

一种高精度星载点目标轨迹跟踪系统,利用拟合点目标轨迹曲线的方法将点目标位置数据简化成多项式系数的数据包,由地面测控系统发送至星上遥感器指向控制单元。指向控制单元与时间管理单元解析数据包中时间参数与系数参数,控制指向镜机构进行运动,对点目标轨迹进行自主跟踪。此方法提高了跟踪系统的跟踪精度,减轻了目标跟踪时总线通信压力。经过试验验证,系统的跟踪精度远优于传统的目标跟踪方法,可进行推广使用。     

基于注意力和角度间隔损失的高光谱目标跟踪北大核心CSCD

随着计算机技术的发展,基于深度学习的目标跟踪方法已成为计算机视觉领域中重要的研究方向;但跟踪环境的复杂多变使得跟踪算法在背景干扰、颜色相近等问题上仍面临巨大挑战。相比于传统彩色图像,高光谱图像包含丰富的辐射、空间和光谱信息,能够有效提升目标跟踪的准确率。提出了将注意力机制(attention mechanism)和加性角度间隔损失(additive angular margin loss, AAML)相结合的方法来进行针对高光谱图像的目标跟踪。通过融合多域神经网络对不同波段组合进行特征提取,同时设计了融合的注意力机制模型,使得来自不同波段组合之间的相似特征进行整合和强化,在目标背景颜色相近的情况下,网络会更多地注意目标物体,使得跟踪结果更为准确。在此基础上为了使目标和背景的区分更具有判别性,网络使用加性角度间隔损失作为损失函数,在训练过程中可以有效减小同类样本的类内距离,增大正负类样本的类间距离,从而提高网络的准确性和稳定性。实验结果表明,本文方法可使两种跟踪精度评价指标精确率和成功率分别提升1.3%和0.3%,相较于其他方法更具优势。     

成像目标跟踪目标建模技术综述

由目标跟踪的数学模型得出,影响目标跟踪性能的三个主要因素为目标状态转移模型、滤波算法和目标建模技术.对目标建模技术进行了综述和分析,分别从特征选择、特征的统计建模和相似性度量三个方面进行了阐述.以畸变不变性、目标/背景分辨能力作为性能评价手段定性地比较了国内外文献中提出的多种目标表征模型.指出了目标跟踪中目标表征模型自...     

分布式网络信息数据防篡改方法研究

为在足球视频中有效的检测与跟踪运动目标,需要对足球比赛视频中目标检测与跟踪算法进行研究。当前采用的算法,在动态场景中,存在运动目标检测与跟踪效果不佳的问题。为此,提出一种基于OpenCV的足球比赛视频中目标检测与跟踪算法。该算法结合平均背景算法将足球比赛视频中目标图像分割为前景区与背景区,计算足球比赛视频每一帧目标图像和背景图像之间差值的绝对差值,同时计算每一个目标图像中像素点的平均值与标准值来建立目标图像背景统计模型,利用TMHI算法对足球比赛视频中目标初始图像进行阈值分割,得到初始分割图像,对分割图像进行中值滤波和闭运算,再使用卡尔曼滤波对分割后的目标图像进行处理,得到镜头中目标的质心位置和目标外界矩形框,然后对足球比赛视频中目标进行跟踪。实验证明,该算法有效的检测与跟踪足球视频中运动目标。     

基于概率假设密度滤波的中段弹道目标群红外多传感器组跟踪方法

分析低轨光学星座对中段弹道目标群进行组跟踪的必要性,提出了一种红外多传感器对中段弹道目标群的组跟踪新方法.该方法以概率假设密度滤波对目标群进行像平面跟踪,剔除杂波、估计目标状态和个数;以图像配准方法调整帧间目标状态估计,提高像平面目标跟踪稳定性;最后依据像平面目标跟踪结果提取目标群在像平面的质心量测,运用不敏卡尔曼滤波...     

基于音视频信息融合的目标检测与跟踪算法

针对单一视觉跟踪算法易受遮挡影响的缺陷,提出一种基于音视频信息融合的目标检测与跟踪算法。整个算法框架包括视频检测与跟踪、声源定位、音视频信息融合跟踪3个模块。视频检测与跟踪模块采用YOLOv5m算法作为视觉检测的框架,使用无迹卡尔曼滤波和匈牙利算法实现多目标的跟踪与匹配;声源定位模块采用十字型麦克风阵列获取音频信息,结合各麦克风接收信号的时延计算声源方位;音视频信息融合跟踪模块构建音视频似然函数和音视频重要性采样函数,采用重要性粒子滤波作为音视频融合跟踪的算法,实现对目标的跟踪。在室内复杂环境下对算法性能进行测试,结果表明该算法跟踪准确率达到90.68%,相较于单一模态算法具有更好的性能。     

光学扩展群目标多模检测与跟踪的算法研究

为解决空间复杂光学多目标群检测与跟踪难题,提出了光学扩展群目标的概念及其多模检测与跟踪方法.分析了扩展群目标构成复杂、个体目标数量多、变化快、检测与跟踪难的特点及检测与跟踪需求,综合采用小目标检测算法、扩展目标检测算法、高对比度检测算法和多帧差分检测算法等完成全视场目标群的完整检测;然后在判断目标实际位置与预测位置的航迹重合性基础上实现目标的多特征航迹联合关联,结合以对比度跟踪为主、相关跟踪为辅的主辅式多模跟踪技术实现对群目标的跟踪.应用结果表明,扩展群目标多模检测与跟踪方法对复杂多目标群的检测效率、跟踪准确度均有较大幅度的提高,满足光学复杂目标群的完整检测和精确稳定跟踪要求.     

方位角预测目标跟踪系统的研究

为了实现目标被遮挡条件下的自动预测跟踪,研究了跟踪机动目标过程中的自适应卡尔曼预测算法,建立了目标遮挡预测跟踪测试系统;首先,根据算法推导了导引头方位角位置预测方法,接着,测试对比了自适应预测算法采样周期对预测精度的影响,最后,设计多种不同的目标运动形式,并通过转台实现,测试自适应算法在典型测试条件下的有效性和准确程度;实验结果表明:目标被遮挡时,预测角增量指令相比图像角增量跟踪指令降低67%;仅需要导引头框架的角位置数据,无须脱靶量数据和弹目距离,满足遮挡条件下目标预测跟踪的功能要求。     

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。     

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...     

基于多处理器的视频跟踪系统研究

传统视频跟踪系统的目标检测环节常采用手动指定或使用单处理器运算来确定跟踪目标,这种方法耗费人力且检测速度慢。针对此问题提出了一种改进的图像分割方法,该方法采用多处理器系统构架,并行处理分割区域,增加了检测目标的速度,并且在后续目标跟踪环节中,各处理器根据任务划分,协同处理跟踪任务。实验结果表明基于多处理器系统构架的视频跟踪系统能够实现快速自动检测与跟踪目标,系统加速比为2．066,处理器效率为51．65％。     

复杂背景灰度图像下的多特征融合运动目标跟踪

为解决低对比度、低信噪比、目标旋转、缩放等非理想状态给跟踪算法的研究带来的诸多困难,本文提出灰度图像多特征融合目标跟踪算法,保证在满足工程实践需要的条件下,能够对目标进行稳定的跟踪。算法首先对灰度图像利用Sobel算子求出梯度特征,将X、Y双方向的梯度特征与灰度特征相融合得到新特征,新特征在核密度函数下对低对比度,目标轮廓形状变化较大的情况有较高的适应性和稳定性,再利用背景建模的方法对提取的运动目标区域进行加权,降低非跟踪目标的权值,最后对融合后的加权特征目标利用改进MeanShift算法进行跟踪。通过大量的实验表明,该算法适应目标和背景的复杂变化,并且具有较强的鲁棒性,基本满足在复杂背景灰度图像下目标跟踪的工程实际需求。