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。     

基于TLD算法的加油锥套跟踪

针对自主空中加油对接阶段锥套跟踪问题,提出了一种基于tracking learning detection (TLD)的锥套跟踪算法。该算法将加油锥套的跟踪任务分解成跟踪、学习、检测3个部分。跟踪模块在LK光流法的基础上添加跟踪失败自检测,筛选出好的跟踪点,跟踪加油锥套;检测模块构建级联分类器,对滑动窗遍历得到的图像块进行分类并返回含有目标的图像块,融合跟踪模块的跟踪框,给出最终跟踪结果;学习模块引入P N约束修正错误样本并学习更新检测模块。利用Creator/Vega Prime软件对空中加油进行视景仿真,在视景仿真视频上测试锥套跟踪算法。结果表明:TLD算法跟踪加油锥套成功率达95.5%,处理每帧平均耗时31.4 ms,能够满足加油锥套跟踪鲁棒性、准确率、实时性的要求。     

自适应特征融合的多尺度核相关滤波目标跟踪

为了提高复杂场景中目标跟踪的稳健性,解决由光照变化、目标形变、尺度变化和遮挡等导致的目标跟踪失败问题,提出一种自适应特征融合的多尺度核相关滤波目标跟踪算法。该算法首先通过2种不同的特征分别训练2个核相关滤波器,利用这2个滤波器响应的峰值旁瓣比和相邻两帧的响应一致性获得融合权重,同时采用自适应加权的融合策略将这2个滤波器的响应结果进行融合,完成目标的位置估计;然后以此为中心进行多尺度采样,构建尺度金字塔,并通过贝叶斯估计的方法确定目标的最优尺度;最后依据目标跟踪的置信度进行跟踪模型更新,以避免模型退化。选取51组视频序列进行测试,并与近年来性能优异的目标跟踪算法进行对比。实验结果表明,所提算法能有效降低光照变化、目标形变、尺度变化和遮挡等因素影响,对测试视频序列取得了较高的跟踪精度和成功率,整体性能优于对比算法。     

基于椭圆对数极坐标变换的尺度变化目标跟踪算法

针对传统对数极坐标变换局限于跟踪圆形或类圆形尺度变化目标这一问题,提出一种基于椭圆对数极坐标变换域下目标匹配的尺度变化目标跟踪算法。算法利用Mean Shift进行空间定位,确定目标的形心,通过椭圆对数极坐标变换域中目标和候选的最大相关匹配系数来确定目标的尺度参数。实验结果表明：该文算法在目标小形变和光照变化条件下,跟踪误差较小,尺度跟踪准确率更高,具有较好的鲁棒性。     

基于椭圆对数极坐标变换的尺度变化目标跟踪算法

针对传统对数极坐标变换局限于跟踪圆形或类圆形尺度变化目标这一问题,提出一种基于椭圆对数极坐标变换域下目标匹配的尺度变化目标跟踪算法。算法利用Mean Shift进行空间定位,确定目标的形心,通过椭圆对数极坐标变换域中目标和候选的最大相关匹配系数来确定目标的尺度参数。实验结果表明:该文算法在目标小形变和光照变化条件下,跟踪误差较小,尺度跟踪准确率更高,具有较好的鲁棒性。     

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.     

基于自适应多层卷积特征决策融合的目标跟踪

针对在复杂环境中目标尺度变化、形状变化以及场景光照变化、背景干扰等因素导致的目标跟踪稳定性下降问题,提出一种基于自适应多层卷积特征决策融合的目标跟踪算法。首先,通过卷积神经网络VGG-Net-19提取目标候选区域的多层卷积特征;其次,在相关滤波模型框架下,利用这些卷积特征构建多个弱跟踪器;接着,根据每个弱跟踪器的决策损失变化自适应地调节它们的决策权重,完成基于多层卷积特征的目标位置估计;然后,根据尺度相关滤波模型在目标中心区域进行多尺度采样,并利用相邻帧的尺度变化先验分布完成对目标尺度的预测。选取51组具有多种挑战因素的视频序列对所提算法的跟踪性能进行测试。实验结果表明,与当前主流的目标跟踪算法相比,所提算法取得了更高的跟踪精度和成功率,同时可以较好地适应目标的尺度变化,并且在目标发生形变、场景出现光照变化及背景干扰等复杂条件下仍具有较好的跟踪鲁棒性。     

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...     

带宽自适应的均值漂移红外目标跟踪算法

当目标尺度发生变化时,传统均值漂移跟踪因窗口尺寸不变导致跟踪目标丢失.为解决该问题,提出一种带宽自适应的均值漂移跟踪算法.该算法在均值漂移框架下提取目标的形状特征,根据目标形状变化自适应的修正核函数带宽,并更新目标模板.实验结果表明,改进算法能很好地适应尺寸变化的目标,能有效提高红外目标的跟踪准确度.     

基于FPGA的运动目标实时检测跟踪算法及其实现技术

运动目标检测跟踪有关的算法及其基于PC平台的实现已经比较成熟,但实时性较差。将采集的彩色视频流分成灰度和彩色两个数据流,灰度视频用于目标检测,彩色视频流用于跟踪显示。以经典的帧间差分法和背景差分法为基础,根据现场可编程门阵列(FPGA)的特点及片外同步动态存储器的存取控制要求,对这两个算法用FPGA逻辑单元进行了设计和实现。对原始彩色视频流和转换后的灰度视频流的存取使用乒乓操作,在滤波和形态学处理时使用了并行的流水线操作,极大地提高了算法的实时处理能力。在FPGA开发板上构建了一个彩色视频图像中运动目标检测跟踪系统,对系统性能进行了测试。实验结果表明,系统可在多种分辨率和帧率下进行运动目标进行实时检测跟踪;固定背景差分法对目标运动速度无限制,但当使用帧差法对快速运动目标进行有效的检测时,应使目标的帧差间距大于3.2像素。     

一种改进的时变转移概率AIMM跟踪算法

针对矢量线阵跟踪目标低频线谱提取问题,提出了一种矢量线阵低频线谱提取方法,其中利用拉平后线谱的均方差乘一比例因子设为门限的方法,可以有效提取线谱成分;并且研究了利用互谱中高信噪比线谱测向剔除干扰线谱方法,准确提取出目标特征线谱,可较有效解决矢量线阵左右舷目标低频线谱特征相互干扰问题。上述矢量线阵低频线谱提取方法,得到了海试数据的初步验证。     

目标跟踪中目标模型更新问题的半监督学习算法研究

本文针对长期稳定的目标跟踪中的目标形变、尺度缩放、旋转等问题, 提出一种步步为营的反馈式学习方法, 该方法通过正、负约束实现对于目标模型和分类器的判别能力和容错能力提高的同时, 使更新带来的误差尽量小, 并证明了其收敛性. 通过实验表明, 对于同一种跟踪算法使用本文提出的目标更新方法进行更新学习的比不更新学习的跟踪效果要稳定得多, 对于目标的尺度变化、形变、旋转、视角变化、模糊等都有较好的适应性, 并通过与现有的较流行的方法进行比较, 本文方法鲁棒性较好, 有很高的研究和应用价值.     

颜色与纹理相融合的自适应粒子滤波跟踪算法

针对目标跟踪过程中存在的光线变化及目标遮挡等复杂情况所导致的跟踪目标的丢失或跟踪错位等问题,采用特征融合的策略,将其用于粒子滤波框架中进行跟踪。利用特征融合加权直方图的方法来描述目标的颜色和纹理特征,并对变化的目标自适应地更新参考目标模型,能有效地处理视频中由于旋转、遮挡、光线变化带来的影响。实验证明,提出的算法在保证跟踪精确性的情况下,具有较好的适应性及鲁棒性。     

粒子区别性稀疏表征的小弱运动目标跟踪算法

评估每个粒子的重要性是确保粒子滤波法跟踪目标准确性的重要因素。针对背景杂波和噪声干扰形成的大量虚警导致小弱目标跟踪识别的随机性和不确定性问题, 提出了一种基于粒子区别性稀疏表征的小弱目标跟踪方法。该方法根据红外图像信号自适应构建分类超完备字典, 即反映目标信号特征的目标字典和表示背景杂波的背景字典, 有利于突出目标粒子和背景粒子在联合分类字典的稀疏表征差异程度;建立基于目标粒子和背景粒子稀疏重构残差差异性的粒子滤波观测模型, 采用随机估计法对字典子空间进行在线更新, 实现对目标状态估计与跟踪。理论分析和试验结果表明, 该方法增强了随机粒子的状态估计能力, 提升了粒子稀疏表征对小弱运动目标的适应能力和跟踪识别准确度。     

基于扩展目标的不变矩跟踪算法

 提出基于边缘区域的不变矩计算方法，在此基础上，针对在运动中形状、尺寸和方位不断变化的扩展目标，提出一种以不变矩作为跟踪特征，粗、精阶段相结合的相关跟踪算法，并根据目标图像的相关性给出一种新的跟踪置信度。实验结果显示算法迅速、有效、匹配精度高，对于复杂背景，较强噪声和运动状态发生变化条件下的扩展目标跟踪稳定可靠。     

基于扩展目标的不变矩跟踪算法

提出基于边缘区域的不变矩计算方法,在此基础上,针对在运动中形状、尺寸和方位不断变化的扩展目标,提出一种以不变矩作为跟踪特征,粗、精阶段相结合的相关跟踪算法,并根据目标图像的相关性给出一种新的跟踪置信度。实验结果显示算法迅速、有效、匹配精度高,对于复杂背景,较强噪声和运动状态发生变化条件下的扩展目标跟踪稳定可靠。     

An infrared small target detection algorithm based on high-speed local contrast method

Small-target detection in infrared imagery with a complex background is always an important task in remote sensing fields. It is important to improve the detection capabilities such as detection rate, false alarm rate, and speed. However, current algorithms usually improve one or two of the detection capabilities while sacrificing the other. In this letter, an Infrared (IR) small target detection algorithm with two layers inspired by Human Visual System (HVS) is proposed to balance those detection capabilities. The first layer uses high speed simplified local contrast method to select significant information. And the second layer uses machine learning classifier to separate targets from background clutters. Experimental results show the proposed algorithm pursue good performance in detection rate, false alarm rate and speed simultaneously.     

Small moving infrared space target tracking algorithm based on probabilistic data association filter

Numerous false alarms for low signal-to-noise ratio (SNR) would seriously debase the performance for infrared low observable (LO) space target tracking. Due to the motion (i.e. azimuth, elevation and their derivative velocity), amplitude and size of infrared target are almost invariable and highly correlative, a multi-feature association approach based on probabilistic data association (PDA) is presented to track target in this paper. Firstly, the motion, amplitude and size of target are modeled as stationary random signal afforded Gaussian distribution. The probability of motion, amplitude and size of measurement originated as the target of interest is then estimated by Gaussian distribution, and that of false alarm is distributed uniformly. Subsequently, the combined probability of motion, amplitude and size is derived by PDA, and their weight coefficients are estimated adaptively according to their fluctuations. Finally, the relevant parameters including combination measurement are predicted and updated. Some experiments are included and the results show that the performance of target tracking by the proposed approach is significantly enhanced.