尺度方向自适应Mean Shift跟踪算法

在分析尺度空间理论和Mean Shift 跟踪算法的基础上,提出了一种尺度方向自适应Mean Shift跟踪算法.根据起始帧图像中目标和背景的差异,分割出目标覆盖区域,并根据尺度空间理论对目标建立最佳描述椭圆.对于后续帧,以上一帧目标的最佳椭圆描述为初始值,根据Mean Shift迭代原理依次更新椭圆参数.实验结果表明,新算法可以有效、稳健地适应目标旋转缩放等复杂运动.     

采用改进Mean Shift算法的移动机器人行人跟踪

为了提高移动机器人目标跟踪系统在复杂环境中的跟踪性能,提出在双层定位机制下采用基于自适应核函数的Mean Shift算法实现目标跟踪.利用射频识别器件(RFID)检测携带标签的目标,实现外层粗定位并确定感兴趣区域(ROI);在内层则根据对视差图的ROI的处理结果确定初始搜索窗口,然后应用基于自适应核函数的Mean Shift算法在从立体相机获得的左图中应用基于自适应核函数的Mean Shift算法实现对目标的精确定位.自适应核函数由目标的区域特征与Epanechnikov函数相融合构成,克服了目标边缘处背景像素对目标颜色概率分布的影响.与传统的Mean Shift算法相比,所提方法在同色背景干扰下仍能准确跟踪目标.另外,RFID限定了图像搜索范围,节省了运算开支,图像处理的平均时间为62.11 ms/frame,满足实时跟踪的要求.实验结果表明,该方法可实现移动机器人在同色背景干扰、遮挡、目标快速移动等情况下的目标跟踪.     

MSMC跟踪算法在目标跟踪中的应用

针对序贯蒙特卡罗（Sequential Monte Carlo,MC）算法存在的计算量大的缺点,提出了一种新的MSMC（Mean Shift Monte Carlo）目标跟踪算法。算法在传统的MC算法中采取Mean Shift这种梯度最优下降法来寻找局部最大样本值,这样,就可以用较少的样本来保持对目标运动状态预测的多样性,有效地克服了MC算法收敛速度较慢的弱点,大大减少了算法的计算量,实现稳定且实时的目标跟踪,并使算法应用于实际工程中成为可能。     

改进狼群算法的SCARA机械臂自适应迭代学习控制

针对减小机器人重复运动的位置、速度跟踪误差的问题,给出一种基于狼群算法优化的机械臂自适应迭代学习控制策略。根据SCARA(Selective compliance assembly robot arm)机械臂驱动方程,设计动力学系统的迭代学习控制律。引入自适应步长的狼群算法,使狼群能够根据猎物气味浓度动态调整移动步长,提高了算法的收敛速度和精度。该策略对机械臂控制器参数KP、KD进行寻优时,得到了良好的控制效果,实现了对期望轨迹的有效跟踪。实验结果表明,该算法灵活性好,对系统期望轨迹具有较高的跟踪精度,有效降低了双关节机械臂的位置、速度跟踪误差,具有较强的可行性与有效性。     

基于均值漂移和粒子滤波相结合的水下运动目标跟踪

泳池是一个变化较大的动态场景,会受到气泡、光照强度和水波等因素的干扰,针对泳池环境的复杂性特点,本文提出一种基于均值漂移和粒子滤波相结合的水下运动目标跟踪算法。首先,结合Mean Shift算法中的核函数原理和目标模型,以RGB颜色直方图为核心建立水下运动目标模型,然后在粒子滤波跟踪水下目标的过程中,利用Mean Shift算法对粒子进行收敛,使粒子的分布更加接近目标的真实位置。仿真试验结果表明,本文提出的算法能够克服水波、阴影、气泡、遮挡等因素的干扰,实现了水下复杂背景下的实时稳定的目标跟踪。     

跟踪窗口自适应的Mean Shift跟踪算法

目的：针对传统Mean Shift跟踪算法中当目标发生形变时因跟踪窗不能动态改变导致跟偏甚至跟丢的缺陷,提出了一种新的跟踪窗口大小和方向自适应的改进算法。方法：首先采用跟踪窗口内协方差矩阵的主分量分析方法来计算跟踪目标的方向和尺寸大小;然后联合相似性度量和卡尔曼滤波器来更新跟踪窗口。结果：实验证明,本算法针对不断旋转和缩放的运动目标仍能对其进行准确实时的跟踪。结论：改进算法能够满足非刚体目标跟踪系统的要求。     

应用Mean Shift和分块的抗遮挡跟踪

针对传统Mean Shift跟踪算法在目标发生遮挡时容易跟偏甚至跟丢的缺陷,提出了一种新的抗遮挡跟踪算法。首先,对跟踪窗口内的目标进行分块;然后,对外围子块分别实施Mean Shift跟踪算法并检测遮挡的发生,当遮挡发生后即对所有子块实施Mean Shift跟踪算法;最后,引入一种子块置信度机制并仅用置信度最高的子块来确定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。对不同的视频序列测试的结果显示,本算法能对发生遮挡的目标进行准确跟踪。当遮挡目标尺寸为70pixel×100pixel时,平均处理时间为38.6ms/frame。结果表明,改进算法能够满足目标跟踪系统稳定性和实时性的要求。     

基于KF和MS算法的神经丝蛋白质自动跟踪性能比较

跟踪研究神经丝在生物医学神经退行疾病领域有重要意义,针对人工标记效率低的现状,提出用计算机自动跟踪神经丝。本文采用Kalman滤波算法和Mean Shift算法对荧光显微下神经丝蛋白质运动视频进行目标跟踪,跟踪结果表明,基于运动模型和估计测量值的Kalman滤波算法在跟踪效果上明显优于基于颜色空间特征的Mean Shift算法。     

基于DM6437的运动目标跟踪系统研究

基于DM6437开发板和Mean Shift算法设计出一个目标跟踪系统.DM6437是TI公司推出的一款高性能适于图像处理的DSP芯片.Mean Shift算法采用核函数直方图建模,对目标遮挡、变形以及背景的变化都不敏感,而且它的算法实时性好,有利于在DSP上的实现.该系统对PC机上的选定目标实现了较好的跟踪效果.     

一种基于改进NSGA-Ⅱ的多目标绿色柔性作业车间调度方法

针对多目标绿色柔性作业车间调度问题,建立了以最小化最大完工时间、总负荷和总能耗为优化目标的多目标优化模型,提出了一种带有自适应交叉变异算子和学习机制的改进NSGA-Ⅱ多目标优化算法。该算法通过机器和工序的两级编码机制,使用基于全局、局部和随机选择的非支配排序选择策略得到初始种群;采用具有自适应算子的混合交叉变异策略进行迭代,提高算法的全局搜索能力;引入分布函数来改进精英保留策略提高种群的多样性;通过学习机制进行邻域搜索提高算法的局部搜索能力。最后,采用基准测试算例Brandimarte以及Kacem数据集对算法进行测试,结果表明采用改进的NSGA-Ⅱ算法求解多目标绿色柔性作业车间调度问题具有求解精度高、收敛速度快以及解集多样性好的优点。     

尺度方向自适应Mean Shift跟踪方法

经典核窗口宽度固定的mean shift跟踪算法不能很好地对尺寸逐渐增大的目标进行有效地跟踪。一些改进的mean shift算法虽然在一定程度上解决目标缩放这个问题,但是对于目标旋转仍然无能为力。在分析尺度空间理论和mean shift 跟踪算法的基础上,提出了一种尺度方向自适应mean shift跟踪算法。实验表明,对于初始帧,本文算法可以较为准确地获得目标最佳描述椭圆;对于后续帧图像,本文的新跟踪算法可以较好地适应目标旋转缩放等复杂运动。     

基于色度饱和度-角度梯度直方图特征的尺度自适应核相关滤波跟踪

针对核相关跟踪算法(KCF)对特征敏感及无法跟踪尺度的问题,本文从特征提取和尺度自适应两个方面对核相关滤波跟踪算法进行了研究。提出了一种基于色度饱和度-角度梯度直方图特征的自适应核相关跟踪算法来改善KCF算法的跟踪性能。首先,研究了HSI颜色空间的特点,基于颜色和梯度是互补的图像特征,提出了一种融合了梯度和颜色的HHS-OG特征来有效提高原始KCF算法对目标和背景的判别力。其次,针对KCF无法处理目标尺度变化的问题,在跟踪的检测阶段采用一组固定的尺度因子进行图像块采样,根据得到的滤波响应图估计目标的最优位置和尺度。将所提算法在大量视频序列上进行了跟踪实验,结果显示其平均跟踪速度为37.5frame/s,跟踪精度和成功率分别提升了5.4%和10.1%。实验表明HHS-OG特征具有良好的目标-背景判别能力,能够实现鲁棒跟踪,而尺度自适应策略能较大程度地提高跟踪精度。     

改进的均值移位红外目标跟踪

提出了一种改进的均值移位红外目标跟踪算法,该算法融合了基于均值移位的梯度匹配搜索策略与基于特征分类的跟踪算法。以目标与局部背景灰度特征的似然比作为目标区域核直方图的权值,建立了改进的目标表征模型。以Bhattacharyya系数作为相似性度量,在均值移位框架下推导了应用该目标模型下移位向量的表达形式。同时,提出了基于跟踪复杂度估计的目标遮挡情况下的模型更新判别准则。实验结果表明,该算法能够提高目标像素灰度的移位权重,抑制背景干扰,对于低对比度红外目标的跟踪具有稳健的性能,在正确跟踪情况下平均Bhattacharyya系数保持在0.97以上。     

利用最佳伙伴相似性的改进空间正则化判别相关滤波目标跟踪

针对空间正则化判别相关滤波跟踪算法(SRDCF)在目标发生遮挡、尺度变化和形变情况下的跟踪失败问题,提出利用最佳伙伴相似性的改进SRDCF目标跟踪算法。首先,以SRDCF算法为基础,利用双层搜索策略解决目标跟踪中的目标定位问题和尺度估计问题;然后,利用一种新颖的鲁棒模板匹配技术,通过融合空间权重、相关滤波得分和最佳伙伴相似性得分来估计候选目标位置,解决遮挡情况下的目标重定位问题;最后,采用自适应模板更新策略解决遮挡情况下模板漂移问题。本文采用OTB-2013数据集评估本文算法的性能,同时与34种流行算法进行比较,结果表明本文算法的精确度得分和成功率得分分别为0.853和0.648,相比传统的SRDCF算法分别提高1.79%和3.51%。本文算法能很好地解决目标遮挡、尺度变化和形变情况下的目标跟踪问题,具有一定研究价值。     

Acceleration tracking control combining adaptive control and off-line compensators for six-degree-of-freedom electro-hydraulic shaking tables

An electro-hydraulic shaking table (EHST) is an essential experimental facility to simulate in real-time actual vibration situations. An adaptive controller combined with off-line compensators is proposed to improve the acceleration frequency bandwidth and tracking accuracy of a six-degree-of-freedom (6-DOF) EHST. A servo controller has been employed to implement acceleration closed-loop and coordinate control of the 6-DOF EHST. A recursive extended least-squares algorithm is employed to identify acceleration closed-loop transfer functions and a zero-phase-error tracking controller is used to design off-line inverse model compensators using the identified transfer functions. However, the off-line compensators cannot compensate in real-time varying dynamics of the 6-DOF EHST; so an online adaptive controller with a least-mean-squares (LMS) algorithm based on a delay compensator is employed. The proposed controller combines advantages of the off-line compensators and the online adaptive controller, which guarantees both a fast rate of convergence of the LMS algorithm and high-fidelity acceleration tracking accuracy of the 6-DOF EHST. Some experimental studies have been conducted on a 6-DOF EHST and experimental results show that acceleration tracking control performances, including the rate of convergence of the LMS algorithm and acceleration tracking accuracy, have been improved compared to a conventional three-variable controller and adaptive controllers.     

含精英策略的小生境遗传退火算法研究及其应用

针对传统遗传退火算法的缺陷,提出了小生境遗传退火算法,该算法引入小生境技术,避免了搜索初期有效基因的缺失,保证了解的多样性;引入了自适应双点交叉和互换变异策略,克服了算法交叉和变异概率固定不变导致的求解过程较长和易收敛于局部最小值的缺陷;引入精英保留策略,有效地避免了最优解的丢失,加快了进化速度;通过3个经典函数测试,并将其应用于Job Shop调度问题,仿真实验结果表明:新算法有效克服了停滞现象,增强了全局搜索能力,比遗传算法和传统遗传退火算法的寻优性能更佳。     

自主式水下机器人自适应区域跟踪控制

研究自主式水下机器人的区域跟踪控制问题,提出一种基于PD神经滑模的自适应区域跟踪控制方法。针对自主式水下机器人自适应控制器中仅在线调整网络权值的径向基函数神经网络存在收敛性能差的问题,给出同时对径向基函数神经网络权值、径向基函数中心与方差进行自适应调整的方法,使径向基函数神经网络无须离线选取径向基函数中心与方差,即可进行在线自适应学习。考虑到控制器中滑模控制项易引起系统抖振的问题,提出一种基于指数函数的滑模切换增益调节方法,使滑模切换增益能够依据跟踪误差实时调节以降低系统抖振。基于Lyapunov理论对所提自适应区域跟踪控制方法的稳定性进行分析。通过自主式水下机器人的仿真试验与水池试验验证所提方法的有效性。     

基于DM642的嵌入式实时车辆跟踪系统

提出了一种基于DM642的实时车载车辆跟踪系统,该系统采用实时的Mean Shift作为跟踪器.为了提高系统跟踪的准确性,利用车辆的颜色分布和外型特征同时作为跟踪器的输入特征;为了提高跟踪的鲁棒性,利用卡尔曼(Kalman)滤波器对Mean Shift的跟踪系统进行预测和滤波.实验显示,该实时车载车辆跟踪系统具有良好的鲁棒性和实时性.