复杂背景下基于自适应模板更新的目标跟踪算法

为了提高复杂背景下目标跟踪的稳定性,在模板匹配失败时引入目标分割过程,根据新目标区域与模板的相似度分析得出导致匹配失败的具体原因,提出了一种新的自适应模板更新算法.根据模板图像各像素到模板中心的距离构造加权函数,对传统归一化相关算法进行改进,使新算法具有一定的抗遮挡能力.实验结果表明,该算法与固定模板跟踪算法和逐帧模板更新算法相比,在目标尺寸变化和被物体局部遮挡时,跟踪的连续性和稳定性更好.     

一种基于Kalman滤波的环形模板匹配相关跟踪算法(英文)

为了解决在目标跟踪系统中,传统相关算法在目标发生目标局部遮挡或旋转等姿态变化较大的情况时容易跟踪丢失的问题,提出一种改进的基于卡尔曼预测器的环形模板匹配相关跟踪的算法.利用卡尔曼预测器来预测下一帧目标可能出现的区域,然后在较小的预测区域中进行环形相关匹配运算,找到最佳相关匹配点,使跟踪更具主动性。环形匹配还可以克服由于姿态变化而引起的横向匹配点丢失,从而可以跟踪各种姿态运动的机动目标.实验中,利用改进算法对出现局部遮挡情况的姿态变化大的运动目标进行跟踪,传统算法处理此类情况容易跑飞,而本文算法不受这两种跟踪局限性的干扰,始终稳定跟踪机动目标且耗时大幅减少.     

一种基于加权最多邻近点距离的相关跟踪方法

针对相关跟踪过程中障碍物遮挡,噪声和目标形变对跟踪稳定性的影响,提出了一种基于加权最多邻近点距离的相关跟踪方法。采用模板图像与实时图像的相似点个数并与距离进行加权的方式定义相似性度量,结合相似度对目标模板进行更新,采用Kalman算子预测目标位置并进行分层搜索,实现快速稳定跟踪目标。实验结果表明,该方法能较好地抑制噪声和目标遮挡的影响,目标遮挡重新捕获成功率高于80%,目标跟踪精度低于10个像素。     

原子钟噪声变化时改进的Kalman滤波时间尺度算法

Kalman滤波时间尺度算法是一种实时的原子钟状态估计方法,在时间保持工作中具有重要的实用价值.本文引入自适应因子改进Kalman滤波时间尺度算法,对Kalman滤波时间尺度算法中状态预测协方差矩阵引入自适应因子,利用统计量实时计算自适应因子的量值,控制状态预测协方差矩阵的增长,降低原子钟状态估计的扰动,从而提高时间尺度的准确度和稳定度.模拟数据和实测数据表明,原子钟噪声强度变化时或噪声强度估计存在误差时改进的Kalman滤波时间尺度算法有效地提高了时间尺度的准确度和长期稳定度.     

基于形变多样相似性的空间正则化相关滤波跟踪

提出了一个基于形变多样相似性的空间正则化相关滤波跟踪算法。在核相关滤波(KCF)跟踪算法基础上引入了空间正则化权重和子网格检测方法,利用形变多样相似性匹配算法构建了目标重检测模块,利用主成分分析(PCA)算法和k维树一致近似最近邻(TreeCANN)算法解决了匹配算法中的最近邻搜索问题;通过自适应模板更新策略,解决了遮挡情况下模板误更新问题。实验结果表明,所提算法的精确度得分为0.825,成功率得分为0.625,相比KCF算法分别提升了18.5%和31.0%。所提算法能较好地解决目标尺度变化、遮挡、快速运动、旋转和背景杂乱情况下的跟踪问题,具有广泛的应用前景。     

采用栅格特征及可视化技术感知跟踪中目标的遮挡状态

针对监控视频中运动目标跟踪问题,提出了一种栅格划分的梯度朝向直方图特征对目标进行描述,并通过可视化技术来实时观测目标局部区域特征量的变化,通过变化来感知目标在运动中可能发生的遮挡等异常情况.利用感知到的状态自适应调整参加融合计算的子模板的个数,指导跟踪过程,以防止异常情况对跟踪结果的影响,实现了对视频目标准确、稳健的跟踪.实验结果表明,提出的目标局部特征能够较准确地感知目标及周围环境发生的变化,对于提高跟踪算法的鲁棒性和准确性具有积极的作用.     

团块建模与粒子滤波相结合的行人目标视觉跟踪

针对粒子滤波算法在遮挡情况下导致视觉跟踪不稳定甚至丢失目标的问题,提出了一种基于团块建模与粒子滤波相结合的目标跟踪算法。首先通过图像分割的方法得到视频帧中的初始目标,并构建目标团块模型;然后基于多团块目标信息并结合粒子滤波算法进行分块跟踪;最后利用高斯加权的方式,得到最终的目标预测位置。实验结果表明,该算法具有较强的鲁棒性,尤其是在遮挡的情况下能够实现目标的稳定跟踪。     

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。     

自适应窗口选取的Mean-Shift目标跟踪

当目标尺度发生变化时,传统Mean-Shift跟踪算法因跟踪窗口尺寸不变容易导致跟踪目标丢失,为解决此问题,本文提出一种带宽自适应算法对目标尺度变化进行检测,从而实现模板更新.该算法分别将模板图像与当前帧目标图像分割成等间隔半径的若干同心圆,通过计算模板图像与当前帧图像不同环层之间相似性度量,根据相应环层之间相似性度量关系确定当前帧模板带宽更新参量,最后利用kalman滤波完成模板尺度更新,从而实现目标稳定跟踪.实验证明,当目标尺度发生变化时,目标模板自动更新,能够实现目标稳定跟踪;相对传统Mean-Shift跟踪算法,目标跟踪可靠性能得到了提高.     

光纤陀螺随机噪声滤波分析

高精度光电稳定跟踪平台基准轴抖动或者缓慢漂移通常使得光纤陀螺(FOG)的输出信号中含有随机噪声。针对这一特点,通过对工程中实际采用的光纤陀螺实测数据进行时间序列分析,运用递推最小二乘法建立了噪声模型,并对其进行自适应卡尔曼(Kalman)滤波处理。通过Allan方差法分析结果表明,使用只对观测噪声协方差R阵进行自适应的Kalman算法滤波效果明显优于普通Kalman算法,且加入的计算量小,实时性能优于Saga-Huga自适应Kalman算法,对提高光电稳定跟踪平台性能有一定的实用价值。     

改进的KSMS手势跟踪算法研究

Mean-Shift算法是一种基于颜色信息的有效跟踪算法,当背景中存在相似颜色信息干扰时会导致目标跟踪丢失。针对手势识别中的肤色干扰问题,提出了一种改进的基于肤色约束的Kalman滤波和Mean-Shift融合KSMS(Kalman Skin Mean-Shift)跟踪算法。利用Kalman滤波的预测功能,对搜索窗口提前进行预测,从而提高跟踪的准确性。实验结果表明,算法准确可靠,在大面积肤色信息干扰时具有良好的鲁棒性。     

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。     

一种改进的红外图像归一化互相关匹配算法

分析了传统归一化互相关算法在红外空中目标匹配定位时失效的原因,提出一种改进的红外图像归一化互相关匹配算法.该方法将模板和匹配区域之间的纹理相关计算看作一个最优化问题,寻求使图像纹理相关匹配鲁棒性最好的相关基准值,用图像的相关基准函数替代传统方法中的区域均值部分,构造了一种适用于的红外目标匹配的归一化相关算法.实验结果表明,该相关匹配算法对模板中背景部分的变化和非均匀性亮度变化有良好的抗干扰能力,较好地解决了恶劣环境下红外对空目标跟踪中匹配定位出错的问题.     

基于模型更新与快速重检测的长时目标跟踪

在目标遮挡、光线变化等复杂的跟踪环境下,现有相关滤波跟踪算法无法对目标进行长时间实时稳定跟踪。提出一种基于模型更新与快速重检测的长时跟踪算法。首先,在现有的目标定位与尺度变化的相关滤波跟踪算法基础上搭建长时目标跟踪的框架,提出加入模型监测更新机制,根据最大响应和平均峰响应相关能量值判别进入更新或重检测环节;然后,基于提取描述子特征的重检测方法,将提取特征的比特维数统一降到512进行优化,加快重检测速率。所提算法选取OTB-100中20个有代表性的序列进行测试,成功率评估均值为0.706,精确度评估均值为0.805,平均速度为48.5 frame/s;在自采集的数据集上平均准确率能达到87.65%,能够在尺度变化、遮挡等复杂情况下满足长时跟踪的准确性和实时性要求。     

改进的自适应Kalman滤波及其在水声机动目标跟踪中的应用

针对在水声机动目标定位跟踪领域广泛应用的传统Kalman滤波往往难以实现机动目标运动方向突变情况下的有效跟踪问题,本文通过分析传统Kalman滤波性能下降时机动目标的运动轨迹,并由此根据机动目标运动方向变化量来产生自适应因子以调整Kalman增益.数值仿真和实际海试数据验证表明,本文所提改进的自适应Kalman滤波在机动目标跟踪中不仅能够快速响应机动目标的运动方向突变,而且目标位置跟踪误差较传统方法显著减小,具有稳定、快速的跟踪性能.     

多模跟踪技术在轮式侦察车图像处理器的应用

为解决目标旋转形变、遮挡、光照变化等目标跟踪的难题,对粒子滤波和尺度不变特征变换(SIFT)算法进行了改进,结合两种算法提出了决策主导模式的多模跟踪技术。该技术采用粒子滤波预测目标位置进行粗定位,SIFT特征匹配进行精定位的方法,在解决上述难题上有很好的鲁棒性。将该技术应用于轮式侦察车图像处理器,并进行了各种实验验证,结果证明了提出算法的有效性。     

多模跟踪技术在轮式侦察车图像处理器的应用

为解决目标旋转形变、遮挡、光照变化等目标跟踪的难题,对粒子滤波和尺度不变特征变换（SIFT）算法进行了改进,结合两种算法提出了决策主导模式的多模跟踪技术。该技术采用粒子滤波预测目标位置进行粗定位,SIFT特征匹配进行精定位的方法,在解决上述难题上有很好的鲁棒性。将该技术应用于轮式侦察车图像处理器,并进行了各种实验验证,结果证明了提出算法的有效性。     

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。     

一种基于融合反馈的改进粒子滤波行人跟踪算法

针对一般粒子滤波算法容易受到相似背景干扰和遮挡影响的问题,提出一种新的融合反馈的改进粒子滤波跟踪算法。该算法将最近的观测信息融入建议分布函数,便于粒子搜索目标最可能的位置,根据相对位移的变化自适应调整跟踪窗口尺度的变化,降低了计算的复杂度,一定程度上保持了粒子的多样性。实验结果表明:该算法有效地解决了遮挡、相似背景混乱以及目标尺寸变化问题,整体跟踪性能优于粒子滤波算法。     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。