基于融合策略自适应的多线索跟踪方法

基于多线索融合的跟踪是跟踪领域近年来的研究热点之一,该文结合两种常用的线索融合方式：乘性融合及加权和融合,提出一种融合策略自适应的鲁棒跟踪方法。该方法使用粒子滤波技术,统计样本的二阶中心矩并求Frobenius范数以表征线索的受噪声污染程度,最后适时切换两种融合策略。实践证明,新的融合策略比传统单一的融合方式更鲁棒。     

基于信息融合的目标图像跟踪

本文通过将图像相关算法和卡尔曼滤波器之间的信息进行融合，得到一种新的目标图像跟踪算法，并对该算法的估值性能进行了深入分析，理论计算和仿真结果表明，该算法较常规相关算法具有更好的鲁棒性和跟踪性能。     

基于多传感器异步数据融合的目标跟踪方法

在具有伪测量次优滤波器的基础上，提出多传感器异步融合的目标跟踪算法。通过蒙特卡罗模拟结果证明了该算法的有效性。     

简评基于图像融合的目标识别和跟踪算法

传统的目标识别和跟踪算法都是基于单传感器图像的.随着多传感器图像融合技术的深入发展,其在目标识别和跟踪领域的应用也越来越广泛.评述了基于图像融合的目标识别与跟踪算法,包括融合预处理、融合识别和融合跟踪,说明了图像融合思想在目标识别与跟踪领域的优越性.     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

基于多特征信息融合粒子滤波的红外目标跟踪

多特征信息有较好的检测性能和适应性,而粒子滤波则是一种处理目标跟踪模型的非线性和非高斯特点的有效方法,将两者优点结合并针对红外图像特点,提出一种基于多特征信息融合的跟踪算法,该方法按一定的权值系数利用目标颜色和纹理特征构建模型,并融合于粒子滤波框架中。实验表明该跟踪方法能准确地跟踪海上红外运动目标。     

多传感器机动目标跟踪

本文提出了一种用于跟踪机动目标的被动多传感器航迹融合方法，它与点迹融合相比性能虽略有下降，但却大大降低了融合中心的计算负但及网间通信需求，在高密度杂波环境中尤其如此。这种航迹融合的方法考虑到不同传感器间共同的系统扰动所造成的估计误差的相关，从而得到最优的融合算法。     

基于粒子滤波与多特征融合的视频目标跟踪

提出了一种基于粒子滤波和多特征融合的视频目标跟踪方法.以粒子滤波为跟踪框架,根据颜色跟踪中存在的问题提出将颜色与目标运动信息融合,利用融合后的信息确定粒子的权值.利用重采样策略缓解退化现象对粒子滤波的影响.针对2段不同的视频进行了不同算法的仿真与性能的比较,实验结果表明,本文方法在计算量增加不多的情况下大大改善了跟踪的性能与鲁棒性,尤其当目标与背景颜色相近时仍然能够准确地对目标进行跟踪.     

基于分块的多特征融合变尺度目标跟踪算法

为了增强彩色视频中目标外观描述能力和解决跟踪过程中目标尺度变化的问题,提出一种基于分块的多特征融合变尺度目标跟踪算法.设计了一个能处理不同挑战因素下对目标的精确跟踪算法,首先提取HSV分块的颜色直方图特征和PCA-HOG特征并采用多通道线性核函数对两种特征进行融合构建训练样本,然后求解线性岭回归函数获得位置核相关滤波器模型,并以线性核函数来计算候选区域在7个尺度空间上与跟踪目标的响应值,最后利用尺度自适应模板更新模型参数.实验结果表明,提出的算法在彩色视频中不仅能较好地自适应目标尺度的变化,在复杂场景下也具有较强的鲁棒性.     

基于自适应多特征融合的均值迁移红外目标跟踪

针对采用单一特征跟踪鲁棒性不高的问题,该文提出一种自适应多特征融合均值迁移红外目标跟踪算法。为了增强对目标的表征能力,对局部均值对比度算法进行改进,利用局部均值对比度和灰度特征表征目标。在特征融合中引入特征不确定度量方法,自适应调整不同特征对跟踪结果的贡献,有效地提高均值迁移算法的鲁棒性。为了进一步提高对尺度变化目标的跟踪性能,采取尺度算子更新跟踪窗的大小。实验结果表明,该算法提取的目标特征具有较强的鲁棒性,能实现复杂场景下的目标跟踪。     

基于模型互更新的多模图像融合跟踪算法

针对复杂环境下引起的目标失跟问题,提出了一种基于模型互更新的可见光与红外图像融合跟踪算法。基于把视觉跟踪问题视为“中心-周围”分类的思想,首先从可见光与红外图像中分别提取目标及周围像素点的特征,然后采用Boosting算法训练得到跟踪模型。基于分类结果计算像素点的置信度,采用决策级融合方法得到似然图像,通过均值漂移算法估计目标位置。最后在Co-Training框架下结合目标跟踪结果进行模型的互更新。实验结果表明,该算法提高了跟踪的鲁棒性,有效利用了多模图像的信息。     

一种基于特征融合的运动目标跟踪算法

联合目标的灰度特征空间和梯度特征空间,构造了由目标的灰度加权直方图和梯度加权直方图联合表示的目标模型,利用均值平移算法在当前帧中迭代搜索目标位置.实验表明,该方法对于目标和背景灰度相似以及目标被部分遮挡时的跟踪是有效和稳健的.     

基于粒子滤波图像帧的视觉跟踪算法研究

研究目标物体的图像准确跟踪定位问题.本文主要针对传统的目标跟踪算法中由于视频图像的复杂性,同时运动突变性的存在,使得运动间的关联性被大幅降低,跟踪结果出现较大偏差,难以准确跟踪视频图像,提出了一种粒子滤波优化图像帧视觉跟踪新技术.算法引入了随机分布的运动突变影响算子,在运动估计过程中作为惩罚因子出现,同时采用粒子滤波视觉目标采样视频图像,从而得到实时的跟踪.实验结果表明,提出的方法避免了传统跟踪算法的延时,能够精确实时定位目标物体.     

一种新的红外目标跟踪方法

提出了一种基于灰度加权和Kalman滤波预测的红外目标跟踪方法。利用带有空间位置信息的目标区域直方图描述红外目标,克服了灰度直方图对图像描述缺少空间位置信息的缺陷,增加了描述的鲁棒性。同时,对跟踪目标的实时位置数据利用卡尔曼滤波校正和预测,增强了跟踪的实时性。实验结果表明,该方法是有效和稳健的。     

基于复杂场景下特征融合与估计的目标跟踪算法

针对图像跟踪过程中的背景干扰、光照条件变化与目标特性漂移等问题,提出一种粒子滤波框架下灰度和纹理特征融合与估计的目标跟踪算法.首先建立基于灰度直方图和边缘梯度直方图的特征集合,以增加目标描述的信息量和稳定性;然后在跟踪过程中依据每个特征对目标与背景的区分度赋予其相应的权值,突出贡献较大的特征,并将该加权系数用于目标和候选目标的相似性度量;最后,为了克服复杂场景对单幅图像中特征可信度的影响,将跟踪的连续性引入权值的自适应调整过程,利用当前帧的特征区分度和前一帧的特征权值对当前帧的特征权值进行估计,从而实现特征权值的在线更新.实验结果表明,通过对特征的融合及其权值的在线估计,实现了复杂场景下的稳定目标跟踪.     

基于区域能量比的红外与可见光图像融合方法

目前大部分基于小波变换的图像融合算法只是考虑单个小波系数的独立性或者其邻域的相关性,这样影响了图像融合的结果.针对这一点,提出一种新的基于区域能量比的图像融合算法.实验结果表明该算法能够较好地保留光谱信息和细节信息.     

在线学习多重检测的可视对象跟踪方法

为了研究无约束环境下长时间可视跟踪问题,提出了一种在线学习多重检测的对象跟踪方法.该方法以随机蕨作为基础检测器结构,通过在线学习的方式,将目标对象的整体和局部表观,以及由场景学习中发掘的同步对象同时作为检测学习的基础数据,该检测器因而具备了对这多种对象的独立检测能力.由于其各个检测部分发挥了各自不同的作用,本文从测量的角度将检测器对这三种对象检测的结果进行融合,通过计算检测关于目标的配置概率进而确定目标位置,实现对象跟踪任务.基于真实视频序列的实验结果验证了本文方法的有效性和稳定性,以及较现有的跟踪方法在跟踪性能上的提高.     

一种基于Hausdorff距离目标跟踪的改进算法

针对复杂背景下运动目标跟踪问题,提出了一种基于Hausdorff距离的目标跟踪改进算法。作为模板与待匹配图像相似性的度量,传统的Hausdorff距离容易造成误匹配;现有的Hausdorff距离改进算法虽然可以从一定程度上克服上述缺点,但是计算复杂,难以满足实时性。为了能够很好的解决上述这些问题,达到稳定实时的跟踪,结合Hausdorff距离提出一种新的图像匹配策略。实验表明,该算法匹配精度高,适用性强,同时大大加快运算速度。