基于激光跟踪定位的多视觉动画特征点匹配方法研究

多视觉动画特征点检测过程中受到视觉扰动影响导致特征匹配性能不好,为了提高多视觉动画特征点匹配能力,提出基于激光跟踪定位的多视觉动画特征点匹配方法。采用空域滤波和频域滤波相结合的方法进行多视觉动画图像滤波处理,采用激光点跟踪识别方法进行多视觉动画图像的帧点扫描,提取多视觉动画图像的边缘轮廓特征量,根据边缘轮廓分布的邻域特性进行多视觉动画信息增强处理,利用锚点邻域回归分析方法进行多视觉动画特征点检测,通过激光跟踪定位结果,实现多视觉动画特征点的自动匹配。仿真结果表明,采用该方法进行多视觉动画特征点匹配的配准率较高,激光跟踪定位精度较高,提高了多视觉动画的特征检测和识别能力。     

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。     

基于时间感知和自适应空间正则化的相关滤波跟踪算法

针对相关滤波器的空间正则化权重与目标内容无关和跟踪过程中模型退化等问题,提出一种基于时间感知和自适应空间正则化的相关滤波跟踪算法。首先,提取灰度特征、CN(color name)特征和方向梯度直方图(HOG)特征来提升算法模型对目标的表达能力;其次,通过图像显著性检测算法获得带有目标内容信息的空间正则化初始权重;然后,在目标函数中加入自适应空间正则化项来缓解边界效应对相关滤波器的影响;最后,加入时间感知项使相关滤波器学习到相邻帧之间的信息,降低算法模型在处理不准确样本时发生过拟合的风险。在OTB-2013和OTB-2015公开数据集上对所提算法进行性能评估实验,结果表明,所提算法在多种复杂场景下都有良好的稳健性,在跟踪成功率和距离精度上优于其他对比算法,且速度达到24.2 frame/s,能满足实时性要求。     

虚拟现实和激光传感技术的机器人轨迹跟踪

为了优化机器人轨迹跟踪的准确性,提出了虚拟现实和激光传感技术的机器人轨迹跟踪控制方法。采用虚拟现实技术建立机器人视觉映射关系模型,掌握机器人运行参数状态,把机器人视角设成论域,并把激光传感器所感知的障碍物信息转换至论域中,计算障碍物阻力与目的地引力,控制机器人避开障碍物,跟踪预设轨迹运行至目的地。结果表明,本方法的机器人跟踪精度超过95%,机器人运行轨迹跟踪误差均小于5%,而且机器人轨迹跟踪准确性优于对比方法。     

天顶附近三轴光电跟踪系统Z轴运动状态分析

针对三轴光电跟踪系统在地平式盲区内的跟踪策略所具有的多样性,对天顶附近三轴光电跟踪系统Z轴运动状态进行了分析.仿真结果表明：地平式盲区内Z轴做匀角速运动有利于     

免跟踪透射式太阳聚光器的设计

针对目前太阳聚光器中因为自动跟踪系统故障率高导致使用成本大幅度增加的主要制约因素,在多年来探讨有效提高太阳能密度的基础上,提出了免跟踪线性菲涅尔透射式太阳聚光器设计的新思路,并对其结构形式和工作原理进行了阐述.     

一种易于初始化的类卷积神经网络视觉跟踪算法

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,基于主成分分析(PCA)和卷积神经网络(CNN),提出一种易于初始化的类CNN提取深度特征的视觉跟踪算法。该算法首先利用仿射变换对原始图像进行处理,然后对归一化尺寸的图像进行分层PCA学习,将学习得到的PCA特征向量作为CNN结构中的各阶滤波器,完成特征提取网络的初始化,再利用特征提取网络获取目标的深层次表达。最后结合粒子滤波,利用一个简单的逻辑回归分类器通过分类估计实现目标跟踪。结果表明,利用这种易于初始化的CNN提取到的深度特征能够有效地区分目标和背景,具有很好的可区分性,提出的视觉跟踪算法对光照变化、尺度变化、遮挡、旋转和摄像机抖动等都具有良好的适应性,在许多视频序列上表现出了较好的鲁棒性和准确性。     

结合GLCM与三阶张量建模的在线目标跟踪

为提高目标跟踪算法对多种目标表观变化场景的自适应能力和跟踪精度,论文提出一种结合灰度共生(GLCM)与三阶张量建模的目标优化跟踪算法。该算法首先提取目标区域的灰度信息,通过GLCM的高区分度特征对目标进行二元超分描述,并结合三阶张量理论融合目标区域的多视图信息,建立起目标的三阶张量表观模型。然后利用线性空间理论对表观模型进行双线性展开,通过在线模型特征值描述与双线性空间的增量特征更新,明显降低模型更新时的运算量。跟踪环节,建立二级联合跟踪机制,结合当前时刻信息通过在线权重估计构建动态观测模型,以真实目标视图为基准建立静态观测模型对跟踪估计动态调整,以避免误差累积出现跟踪漂移,最终实现对目标的稳定跟踪。通过与典型算法进行多场景试验对比,表明该算法能够有效应对多种复杂场景下的运动目标跟踪,平均跟踪误差均小于9像素。     

基于随机投影和稀疏表示的跟踪算法

针对目标跟踪过程中存在的诸多技术问题,该文提出一种鲁棒的目标跟踪方法。首先,该文采用基于稀疏表示的全局模板描述目标的表观状态,通过构造正负模板以区分目标和背景;然后采用随机投影法对表示模板和候选目标进行降维,以降低算法的时间复杂度;采用粒子滤波法作为目标的运动模型,通过多项式重采样方法进行粒子重采样,以保持粒子的多样性;设计了正负模板更新策略,将正模板分为固定集和更新集,对这两部分在相似度计算和正模板更新时采取不同的处理方法,并且在其中加入目标遮挡的判决机制,从而可以有效避免遮挡的影响;实验结果表明,该算法能够准确跟踪受遮挡、运动模糊等多种复杂场景的目标,与现有跟踪方法相比,所提算法具有更好的准确性和稳定性。     

基于二阶伏特拉级数模型的心脏运动信号快速最小二乘估计

心脏手术辅助机器人动态地消除心脏表面手术点与手术工具之间的相对运动,帮助医生在心脏不停跳的情况下完成手术并且极大减小病人术后并发症的影响。由于心脏运动的高带宽、非平稳、非线性的特点,机器人很难快速准确跟踪心脏运动。针对这一问题,该文首先通过双谱分析了解到心脏信号具有明显的源于心跳与呼吸运动相互耦合的非线性特征。接着提出基于非线性二阶伏特拉(Volterra)级数模型心脏运动快速预测算法,为控制算法提供参考信号的超前预测值。采用非线性模型描述心脏运动更加精确地表达了心脏运动的物理本质,快速最小二乘算法保证了系统的实时性。对比实验结果表明,非线性预测算法在均方误差方面优于以往的线性预测算法,大大减小了预测误差,提高了手术机器人相对运动消除能力。