基于图像伺服控制的TLD算法

针对TLD(Tracking-Learning-Detection)算法在目标跟踪过程中容易出现跟踪失败的问题,在TLD算法的基础上引入了基于图像视觉伺服IBVS(Image Based Visual Servo)的理念,将图像视觉伺服控制应用到TLD算法中去,以此提高目标跟踪的鲁棒性,实现对目标的长时间跟踪,并且能够解决目标遮挡后的再次跟踪问题。实验表明,基于图像的视觉伺服能够有效控制目标跟踪的误差,将误差实时反馈给TLD算法,能够保证TLD算法跟踪的实时性与鲁棒性。     

基于改进TLD的自动目标跟踪方法

视觉跟踪一直是机器视觉研究热点,TLD（tracking-learning-detection）算法是近年来出现的一种高效的视觉跟踪算法,针对TLD算法中Lucas-Kanade（LK）光流法无法有效跟踪物体快速移动和尺度变化的问题,采用金字塔光流法对TLD算法进行改进。并将所跟踪物体形心作为图像定位参考点,提取物体定位信息,通过定位信息运用比例-积分-微分（proportion-integral-derivative,PID）控制算法控制摄像头舵机云台转向,使摄像头快速、灵活、精确地自动跟踪指定物体。通过系统测试,与传统TLD算法对比,采用金字塔光流法改进的TLD目标跟踪算法在跟踪目标发生光照变化、尺度变化等情况时,具有更加优良的跟踪性能,准确将跟踪目标形心位置提供给控制部分,控制算法高效灵活,在获取信息后精确、快速地控制摄像头方位,使其正对跟踪目标。该系统对目标跟踪技术、安防技术、自动瞄准系统具有重大意义。     

基于改进的随机森林TLD目标跟踪方法

针对TLD算法中采用的随机森林分类器的决策树阈值固定,不能根据目标特征随时调整,影响分类精度和时间开销的问题,引入极端随机森林的思想,提出了基于改进的随机森林TLD目标跟踪方法。该方法用Gini系数度量样本集合的混乱程度,通过比较Gini系数是否超过了给定阈值,判断叶节点何时转变成决策节点进行分裂;再结合TLD算法中的P-N学习框架和在线模型训练更新样本;最终基于改进的TLD算法完成目标跟踪。将本文方法应用于多个视频集进行目标跟踪实验,验证了算法的有效性和稳定性。     

基于机器视觉的目标跟随六足机器人

针对智能机器人控制领域的机器视觉中的目标跟踪问题与机器人运动控制方法研究,设计实现了一款基于机器视觉的目标跟随六足机器人,该系统的机器视觉目标跟踪算法为TLD(tracking-learning-detection)算法,采用stm32嵌入式处理器驱动32路舵机控制板控制机器人运动,并设计实现了一种小型自动火控装置用于锁定目标后的定位打击.该系统融合了六足机器人运动学和机器视觉目标跟踪技术,对六足机器人步态进行研究,根据目标视觉导航,精确锁定目标,对目标进行瞄准打击做出了详细的设计实现工作.     

非连续学习自适应TLD算法

TLD算法是一种在线学习的目标追踪算法.在跟踪模块过程中,本文通过引入对跟踪目标一段时间内变化程度的评估,并利用该评估结果作为是否运行学习模块的标准,以此实现非连续学习自适应TLD算法.通过实验对比可知,此方法大大提高了TLD算法的效率.     

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.     

智能小车目标识别跟踪系统的实现

对目标识别与跟踪技术进行了分析,在此基础上结合智能小车目标跟踪系统的开发,详细讨论了特定目标跟踪系统的具体实现方法、数字图像处理在目标识别中的应用以及小车智能控制的软、硬件设计.该系统通过配置在智能小车上的摄像头,采用数字图像处理技术对特定目标进行识别,在目标运动过程中,通过单片机接收计算机发出的命令控制智能小车跟踪目标,在没有人为干预的情况下,能够自主运行,稳定地跟踪目标.该设计为生长机器智能系统提供了一个研究平台.     

基于视觉的电动轮椅自动跟随控制系统

为解放轮椅用户和陪护人员的双手,设计了一种控制电动轮椅跟随目标人物移动的系统.首先,基于深度彩色相机的视觉跟踪系统,利用tracking-learning-detection(TLD)视觉跟踪算法跟踪彩色图像中的目标人物区域,结合深度图像计算得到目标人物在相机坐标系下的三维位置;然后,跟随控制器根据该空间位置控制电动轮椅的线速度与角速度,使轮椅与目标人物保持设定的距离和相对方位.试验结果表明:该系统能够有效控制电动轮椅跟随目标人物移动,用户使用测试初步证实了系统的实用性.     

基于随机森林的长期目标跟踪方法

结合正负样本相互作用思想和随机森林算法构建检测器,融合基于LK光流法的跟踪器,提出一种基于TLD(Tracking Learning Detecting)的随机森林长期目标跟踪方法。将该方法与Mean-Shift算法、TLD算法进行对比,结果表明该算法能很好应对目标丢失、遮挡情况,准确率在93%以上。在多种情况下对该方法进行实验验证,可实现刚性物体和非刚性物体在复杂背景下的长时间精确跟踪。     

利用Camshift与TLD框架的多目标视频跟踪算法

由于跟踪器采用的是基于金字塔Lucaks-Kanade光流法,需要在相邻帧之间对目标的运动进行跟踪,运算量较大,因此提出了采用轻量级跟踪算法Camshift作为TLD算法框架中的跟踪器模块,来提高跟踪模块运行效率。而TLD框架的检测器在跟踪器追踪失败时需要检测大量数目的子窗口,因此利用背景差分方法进行前景检测,可以减小检测范围和数目。TLD算法本身是对单目标的长时间跟踪,提出基于多线程机制TLD算法,针对每一个跟踪目标建立相应的线程对其跟踪。经过实验验证,与原算法相比,优化算法使得对多目标实时跟踪性能得到一定提升。     

基于HOG-SVM的改进跟踪-学习-检测算法目标跟踪方法

对于经典TLD(跟踪-学习-检测)跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化等问题时,会导致算法的跟踪精度和速度降低,计算的复杂度较高,实时性差。针对以上问题,本文提出了一种改进的TLD目标跟踪算法。首先针对检测模块中计算复杂度高的问题,将HOG-SVM结合替换原TLD算法中的2bitBP特征和集成分类器;再针对原算法中跟踪精度低的问题,将KCF跟踪算法替换中值光流法;在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进,解决原算法中实时性差的问题。实验表明,改进后的跟踪算法,在背景环境变化的情况下,跟踪精度和速度都有提高,实时性加强。     

一种基于TLD改进的视觉跟踪算法

视觉跟踪是当前计算机视觉的热点问题之一。TLD(Tracking Learning Detecting)算法是一种可以在线学习的新颖视觉跟踪算法。针对算法中跟踪器采用的LK光流法无法捕捉大幅度运动目标的问题,引入图像金字塔模型,提出一种采用金字塔光流法的TLD的改进算法,解决了长时间跟踪中出现运动尺度过大时产生孔径的问题。实验结果表明,算法在复杂场景和大运动条件下,可以长时间准确、快速地实现视觉跟踪,具有较强的适应性和有效性。     

基于AM5708的智能多目标跟踪监控系统设计

监控系统的视频序列往往受到环境噪声、运动目标繁多和目标遮挡的影响,针对传统视频监控无法对人员实施有效检测、跟踪和计数的问题,设计一种基于ARM的智能多目标跟踪监控系统.从整体性角度阐述系统硬件设计方案和软件环境搭建.在算法实现方面,基于改进的自适应高斯混合模型和卡尔曼滤波实现了目标检测和跟踪,引入匈牙利算法进行数据关联来解决多目标跟踪的任务指派问题,同时利用检测目标和预测目标之间的欧式距离以及卡尔曼滤波解决了遮挡问题.实验结果表明,系统在场地和摄像头视角有限的情况下可以有效跟踪到6个运动目标,其平均处理能力保持在18帧/s.     

基于GPS导航的智能测绘船控制策略

介绍了一种新型的水底地貌智能测绘船的硬件系统组成,将改进的PID算法应用在基于GPS导航的智能测绘船控制系统中.采用位置式PD-PID双模控制算法控制测绘船的航向,同时对船速采用PID和Bang-Bang控制算法相结合的控制策略,通过工程整定法确定PID参数及阈值,利用航向控制和速度控制的配合,使测绘船自动完成预定的测量工作.试验结果证明了控制策略的可行性.     

基于MHT模型的毫米波雷达车辆检测方法

为了在智能车辆系统中检测前方车辆,该文提出了一种基于多假设跟踪(Multiplehypothesis tracking,MHT)模型的车辆检测方法。首先在多假设跟踪模型下,定义毫米波雷达量测集合与目标集合的对应关系,采用广义概率数据关联算法提取量测集合中的有效目标,从而得到有效目标集合。利用概率树模型估算目标的出现概率来维护检测的目标集合,保留稳定的检测结果。实验结果表明:该方法对于远近距离下和较差环境下黑夜灯光的前方车辆达到了准确的检测效果,克服了基于视觉的车辆检测方法对目标距离和环境光线敏感的缺点,同时在目标的保持维护上也取得了良好的效果。     

结合特征点匹配的在线目标跟踪算法

提出一种结合特征点匹配的目标跟踪算法.首先,通过显著区域跟踪方法,解决算法对初始化目标框大小敏感的问题,提高样本选取质量,并降低背景杂波对跟踪器的影响.其次,采用中值流法跟踪和特征点匹配相结合的方法估计目标的尺度变化,并通过层级聚类方法剔除干扰点,解决跟踪器漂移及目标平面旋转跟踪失败等问题.最后,提出一种简单的检测器自适应尺度快速搜索目标方法加快检测速度.结果表明:所提方法有效地提高了TLD目标跟踪算法的跟踪鲁棒性,并在标准数据集上得到了很好的效果.