基于目标特征提取的改进型压缩跟踪算法

本文在传统的尺度不变特征子(Scale Invariant Feature Transform,SIFT)算法的基础上,提出了一种新的基于改进的SIFT压缩感知跟踪算法.该方法一方面通过改进压缩跟踪算法中分类器的更新策略来提高算法的实时性;另一方面,通过改进SIFT向量邻域的选取方法来实现降低向量维度,从而减少计算复杂度.仿真实验表明,该方法不仅可以提高跟踪目标的实时性,而且能够在发生目标尺度变化、遮挡、漂移的情况下对运动目标进行准确跟踪.     

一种新的基于区域的高速公路多车辆跟踪方案

提出一种新的基于区域的高速公路多车辆跟踪方案,包括背景建模、目标识别、目标跟踪等过程。针对高速公路监控图像质量差和干扰信号强的特点,在常规的颜色混合高斯背景模型的基础上,提出一种新的基于扰动区域的高斯背景模型来消除强噪声和背景小幅度运动的影响,并在时间序列上通过Kalman滤波迭代加权算法实现背景模型的自适应性更新。该背景模型明显提高了背景分割的准确性和自适应性。提出了一种改进的非递归区域生长算法用以有效地实现多目标的识别,算法复杂度仅为O(n)。采用目标特征匹配和区域运动预测规则对多车辆进行实时跟踪和识别。实现了一个高速公路实时监控原型系统,运行结果表明,该跟踪方法不仅能准确跟踪和识别多目标,而且对道路环境和车辆运动方向具有很好的适应性和鲁棒性。     

基于几何特征点的扩展目标跟踪方法

提出了一种基于几何特征点的扩展目标跟踪方法,该方法借鉴模板匹配跟踪的思想,以目标的几何特征点作为模板进行目标跟踪.把多尺度Harris特征点检测与SIFT描述子相结合,用于几何特征点的提取和描述,接着引入加权相似性度量公式和更新策略以提高特征点的匹配精度,从而实现更加稳定的跟踪.试验表明,该算法可以稳定地跟踪姿态剧烈变化的扩展目标.     

一种动态模板匹配的卡尔曼滤波跟踪方法

在视频跟踪系统中,运动目标检测是实现跟踪的前提和难点.为了能够有效地检测出目标,提出了一种基于动态模板匹配和卡尔曼滤波的目标跟踪算法.首先将前两帧图像差分检测运动目标区域,提取特征点;然后利用卡尔曼滤波在搜索区域中找到与目标模型最匹配的候选目标位置并与当前帧目标模板进行匹配;最后将特征点流失率作为限定阈值,采用模板更新策略动态更新模板.跟踪实验表明,该算法具有很好的匹配精度与实时性,对目标姿态变化、大小变化、遮挡问题等有很好的鲁棒性.     

基于自适应特征融合的多尺度相关滤波跟踪

为了减小目标跟踪中目标变形、光照影响、运动模糊以及目标旋转对跟踪效果的影响,在相关滤波KCF基础上,提出了一种基于自适应特征融合的多尺度相关滤波跟踪算法。首先,提取VGG19网络中conv2-2、conv3-4、conv5-4层的特征以及CN特征,并在conv2-2层加入CN特征;然后,将这3个特征分别代替HOG特征进行滤波学习,得到3幅响应图;进而对3幅响应图进行加权融合预测目标位置。最后,在尺度方面引入多尺度相关滤波器进行尺度的确定。该算法比KCF跟踪算法精确度和成功率分别提高了13.6%和11.8%。与现有的其他优异跟踪算法相比,该算法在应对运动模糊、背景杂乱、目标变形、平面旋转方面更具有较好的跟踪效果。     

改进的Mean Shift算法在前视声呐运动目标跟踪中的应用

多波束前视声呐具有成像速度快、分辨率高的优点,是进行水下目标探测、跟踪和监控的重要设备。针对多波束前视声呐运动目标的跟踪问题,提出了一种改进的MeanShift算法。该算法利用经典的MeanShift算法实现目标的帧间定位,通过基于图像序列的背景消减法实现运动目标分割,根据分割后目标的位置和大小对Mean Shift跟踪框进行更新,并重新建立跟踪模型来迭代实现目标的准确定位和跟踪。实验结果表明,改进后的算法可实现目标跟踪框随目标大小和形状的更新,对目标的定位更加准确。因此,该算法具有应用于水下目标精确跟踪和定位的潜力。     

基于先验知识模板更新的头部跟踪算法

针对被跟踪头部目标特征状态随时间变化而与参考模板不匹配的问题,本文提出一种利用先验知识来指导Mean Shift算法中参考模板更新的策略.该方法根据被跟踪目标不同状态下所呈现出颜色的统计特征信息,采用辅助模板对候选模板中的不同颜色特征进行指导性更新,从而形成一个具有目标先验知识的参考模板,解决了模板更新时机选择的难题.实验结果表明,该算法有效解决了因头部旋转而导致模板不匹配的问题,实现了头部的连续跟踪,取得了很好的跟踪效果,并且提高了跟踪算法的自适应能力.     

基于视觉显著性的灰色粒子滤波跟踪方法

针对传统的粒子滤波算法在目标运动状态突然改变时(如突然加速、减速或者转弯等)容易发生目标丢失的问题,提出了一种基于视觉显著性的灰色粒子滤波跟踪算法。该算法根据灰度预测模型来预测产生建议分布,实现对粒子的繁殖和传播,同时根据调节因子的优化计算,对灰度预测模型的待定系数进行自适应调节,并通过局部显著性检测对低相似度粒子进行快速筛除提高跟踪精度和计算效率。实验结果表明,该跟踪算法能够有效提升粒子滤波的目标跟踪能力。     

集成轮廓跟踪

本文将跟踪看作是二分类问题,提出了一种基于Adaboost集成学习和快速水平集的轮廓跟踪算法.该方法首先在线地训练一个弱分类器的集合用以区分目标和背景,而通过Adaboost将集合中的各弱分类器组合成一个强分类器,并用于标定下一帧中的各像素的类别属性,从而确定快速水平集算法的速度函数,然后采用基于动态邻近区域快速水平集来演化目标边界曲线以实现目标的轮廓跟踪.为适应目标和背景的变化,在跟踪过程中在线训练新的弱分类器,而时间相关性则通过更新包含新弱分类器的集合来实现.实验结果表明,在摄像机运动、光照变化,部分遮挡或目标尺度变化等情况下,能实现刚体或非刚体目标的轮廓跟踪.     

基于粒子滤波的多枚声呐浮标联合跟踪定位算法

由于被动声呐浮标目标测量源的不确定性以及位置解算方程的非线性,声呐浮标联合跟踪定位面临着非线性非高斯问题,提出一种基于粒子滤波的多枚声呐浮标联合跟踪定位算法。该算法将最优贝叶斯滤波与蒙特卡洛随机采样方法相结合,在更广义的条件下实现了目标最优状态估计。算法仿真结果表明,可以较大程度的提高目标位置估计精度。