团块与Mean-Shift结合的局部遮挡目标跟踪

传统的基于Mean-Shift的目标跟踪方法利用目标的全局特征进行跟踪,在局部遮挡情况下跟踪效果不佳。提出一种基于团块建模和Mean-Shift相结合的利用目标局部特征的运动目标跟踪方法,对目标进行团块建模,利用Mean-shift算法对各团块进行跟踪,在此基础上确定目标新位置。该方法能够在目标发生局部遮挡时,自动选取未被遮挡的团块的跟踪结果来确定目标的位置。为了提高方法对背景干扰的鲁棒性,采用背景加权的Mean-Shift算法。实验结果表明：该方法在局部遮挡的情况下可较好地进行目标跟踪,跟踪效果优于报导的基于Mean-Shift的方法。     

电视跟踪系统中运动目标的精确提取与快速跟踪

为了使电视跟踪系统在自动作业时能够抵抗外界干扰,提出了一种基于二级精度的运动目标精确提取和快速跟踪方法。该方法采用二次帧差法与四分图像的双波门法对视频图像进行处理,自动获取运动目标的初始模板,然后根据轨迹预测算子对目标进行自适应特征匹配实现有效跟踪。在某电视跟踪系统中应用该算法进行低空飞行目标跟踪实验,取得了良好的跟踪效果。实验结果表明,该方法不仅满足目标跟踪的实时性,而且能够有效提高目标识别的准确率。     

融合颜色特征的尺度自适应相关跟踪

对于彩色视频的目标跟踪,传统基于相关滤波的跟踪方法没有利用视频帧的颜色信息,针对该问题本文在相关跟踪框架下提出了一种融合颜色特征的尺度自适应目标跟踪方法。该方法首先将HSV三个通道归一化后作为目标的颜色特征,并与灰度特征以及HOG特征进行融合,然后利用核相关滤波定位目标的中心位置,最后再利用尺度金字塔模型对目标尺度进行估计。在公开的彩色视频数据集上对所提方法进行测试,并和多种跟踪方法进行对比。实验结果表明,该方法的平均跟踪性能优于其它方法,验证了方法的有效性。     

一种基于目标分割的实时跟踪方法

为减少颜色相似背景在目标跟踪过程中对跟踪结果的影响,提出一种基于目标分割的实时跟踪方法。利用背景差分的方法进行目标分割,使用目标位置、大小及颜色的特征完成目标状态的更新,对连续帧之间的目标实施匹配跟踪,当2个目标重合分离时采用目标大小、颜色特征实现匹配。实验结果表明,该方法匹配跟踪速度较快、跟踪效果较好。     

基于改进运动历史图像的多运动目标实时跟踪

提出了一种利用视频图像对运动目标进行实时检测与跟踪的新方法.该方法利用基于改进的时间片的运动历史图像(tMHI)的灰度阶梯轮廓方法对多个运动目标进行检测,通过卡尔曼滤波器对多目标进行跟踪,并得到了各个运动目标的轨迹曲线,进而实现了对视频图像中多目标的跟踪.同时,该方法对多个目标的遮挡问题获得了明显的改善效果.实验结果表明,该方法能够对复杂场景下的多个目标进行有效的识别和准确的跟踪,系统的实时性强,识别率高,而且该方法对于复杂视频监视系统场景中的光照变化、雨雾等干扰具有较强的稳健性.     

基于静态场景下的单目标徘徊检测及跟踪方法

提出了一种单目标徘徊检测及跟踪方法.该方法能够有效地对防区内有徘徊行为的对象进行跟踪报警,简单实现了监控方式由事后取证到提前预防的转变.目标的跟踪是通过背景差分方法检测出运动目标,然后利用矩形逼近目标轮廓,并把该矩形作为目标跟踪时的跟踪框,最后利用Camshift算法弥补背景差分方法的不足.实验结果表明,本方法能满足单目标徘徊跟踪的基本要求.     

基于相关滤波器的长时舰船目标跟踪方法

在海上复杂环境下对目标进行跟踪时,会出现目标遮挡、尺度变化等问题。针对这些问题,引入长时间相关滤波算法,将跟踪任务分解为对目标平移和尺度的估计,其中目标平移通过时空上下文进行估计,而目标尺度通过搜寻外观金字塔进行估计。另外,使用在线随机蕨分类器对跟踪失败的目标再检测,从而实现长时间跟踪。将该算法首次应用于海上舰船跟踪中,通过与其他几种长时间跟踪算法进行仿真实验对比,结果表明:该算法跟踪精度和成功率均有较大提高。在目标发生遮挡和尺度变化等情况下,该方法均具有较高的精确度。     

交互式多模型算法的MT-R机器人视觉跟踪

针对机器人的视觉跟踪问题,提出了一种基于交互式多模型算法的视觉跟踪方法。该方法采用HSV颜色模型,通过交互式多模型算法进行滤波估计,获得目标的运动属性。利用交互式多模型算法对目标的位置进行一步或者N步预测,在获得下一帧的观测值后,在预测位置的区域进行目标搜索,可减少搜索区域,节省搜索时间,增加了跟踪的实时性。使用该方法对机器人足球比赛中的红色球进行搜索跟踪。实验结果表明,应用该方法可获得目标的运动属性,能快速搜索到运动目标,并能进行准确跟踪。     

辐射限制下有源无源协同跟踪技术

为了提高作战飞机的隐蔽性,提出了一种辐射限制下有源无源传感器目标跟踪与协同管理的方法,给出了基于辐射控制的机载多传感器系统协同跟踪方法.利用跟踪过程中目标残差范数与门限的比较结果,判断雷达开关机,用序贯和IMM(interacting multiple model)联合滤波算法对目标进行跟踪.对利用该方法的机载多传感器目标跟踪性能进行了仿真分析,仿真结果证明了该方法的合理性和有效性.     

基于改进时间窗的相控阵雷达跟踪任务调度方法

针对相控阵雷达目标跟踪过程中的任务调度问题,提出了一种基于改进时间窗的任务调度方法.该方法兼顾相控阵雷达对目标的正常跟踪和对任务的充分调度,根据目标跟踪滤波中的残差和雷达对目标的跟踪波门之间的约束关系,并结合目标的飞行方向,实现对目标跟踪任务的提前时间窗和延迟时间窗的区别计算.最后将该方法与传统的时间窗设计方法进行对比仿真,仿真结果表明,该方法既降低了目标失跟率,又保证了较高的任务调度成功率,有效提升了相控阵雷达整体调度性能,具有一定的优越性.     

基于模板匹配及区域信息融合提取的快速目标跟踪算法

提出了一种基于融合的快速目标跟踪算法。该方法将目标预测模型、目标模板匹配以及目标空间信息融合到统一框架内。该方法通过预测模型,预测下一帧中目标候选区域,从而降低模板匹配方法的搜索区域。然后在预测模型预测的搜索范围内进行目标的模板匹配,同时,提取目标的区域信息来辅助目标的模板跟踪方法。最终跟踪结果由目标模板跟踪以及目标的空间信息共同决定。本方法由于采用了目标的预测模型,从而能够减少目标的搜索范围,降低因目标的全图搜索造成的时间开销。并且由于减少了搜索区域,剔除了部分相似的匹配窗口,从而提高了跟踪时匹配的精度。本算法结合了目标模板跟踪和目标区域信息的优点,能够增强目标跟踪过程准确度。由于加入了目标的区域信息,对目标跟踪中出现的漂移现象更加鲁棒。实验结果表明,本方法在进行目标跟踪过程中对出现的漂移、遮挡等问题更加鲁棒、稳定。     

基于TMS320C6203的实时弱目标跟踪研究

介绍一种基于DSP实现弱目标跟踪的方法,该系统主要是以高速数字信号处理器TMS320C6203作为核心器件,并与FPGA和CPLD相结合跟踪弱目标。首先通过统计像素数的方法粗略计算目标位置,根据获得目标的位置和大小进行局部精确搜索,减少计算量,然后采用重心跟踪结合线性预测的方法对目标进行跟踪,通过串口通讯在显示器上我们可以看到跟踪结果。实验结果表明可以对目标进行准确定位,达到实时跟踪的目的。     

isMHI结合CAMSHIFT的多目标跟踪

为实现对视频监控场景中多目标的实时跟踪,提出一种基于isMHI与CamShift 的持续跟踪方法。当进入到视频场景中的目标处于运动状态时,该方法基于isMHI对其进行跟踪。当场景中的某些目标转为静止状态时,则基于CamShift 对其进行监视锁定,并确定了两种跟踪状态的承接算法。实验数据表明,该方法通过优点互补克服了基于MHI方法以及基于CamShift 方法各自的缺陷,能够在保持较小错误率基础上实现对视频场景中多个目标的动态或静态状态下的持续、稳定、实时的跟踪,可用于安全保卫应用或交通应用中感兴趣目标的跟踪监控。     

动态背景下基于粒子滤波的运动目标跟踪方法

在智能视频监控系统中,实现对动态背景下的运动目标准确跟踪是一个难点问题。使用一种基于粒子滤波的方法来对动态背景下的运动目标进行跟踪。该方法基于贝叶斯估计,利用粒子集来表示概率,通过递推的贝叶斯滤波来近似逼近最优化的估计结果。实验结果证明,该方法可准确跟踪动态背景下的运动目标,是一种有效的目标跟踪方法。     

视频图像序列中人体目标的提取与跟踪

针对人体目标运动的非刚体性而难以跟踪问题,提出了一种基于视频图像的人体跟踪方法。首先获取人体目标,选取目标若干子区域作为跟踪模板,用Kalman滤波和最小差值法作为相似性测度的相关跟踪对各子区域进行精确定位,最后将各个子区域跟踪结果进行位置融合得到最终的人体目标位置。实验表明,该方法对人体目标细节性形变和大的形变均能进行有效跟踪。     

基于粒子滤波和背景减除的多目标检测与跟踪算法

大多数应用于视频监控领域的目标跟踪模式识别方法,都需要先对移动目标进行模式学习。但是,这些方法不适合同时跟踪多个不同的目标,因为每一个移动目标的模式都应该是预先确定好的。因此,提出了一种新的基于粒子滤波和背景减除的无监督多运动目标检测与跟踪方法来解决这个问题。该方法能够自动探测和跟踪许多移动目标,没有任何学习阶段,也没有任何关于大小、性质或初始位置的先验知识。对多个视频测试集进行了实验验证,测试结果表明,该方法可以成功地处理复杂情况下的目标跟踪。与其他方法进行比较,结果显示提出的方法检测以及跟踪目标性能更好。     

基于多线索的目标跟踪

通过对人眼跟踪机制的研究,提出了一种新的基于多线索的目标跟踪方法。该方法采用串行结构处理多个视觉线索,首先按近邻原则产生若干候选目标,然后使用不同线索按优先级顺序逐次对候选目标进行筛选,得到的唯一候选目标再经过校正以获得更为准确的跟踪结果。该方法最大的特点是跟踪系统对环境和场景的变化有很强的自组织和自适应能力,系统内多个线索在跟踪过程中的竞争与协同使得跟踪具有强大的适应力和生命力。实验结果表明,该方法显著地提高了跟踪的鲁棒性和准确性。     

基于蒙特卡罗方法的目标跟踪

为了更鲁棒和快速地进行目标跟踪,在基于粒子滤波的目标跟踪方法的启发下,提出了一种新的基于蒙特卡罗方法的目标跟踪方法。该方法首先运用蒙特卡罗技术对下一帧目标可能出现的位置和尺度进行抽样;然后计算各抽样与参考目标的相似度;最后通过估计目标状态来获得跟踪目标。实验表明,该方法无需目标运动信息,特别适用于目标灵活运动时的跟踪,与现有的算法相比,不仅算法实现简单,同时有较好的鲁棒性和通用性。     

一种优化的运动目标定位与跟踪算法研究

运动目标检测与跟踪技术可实现对运动目标的检测、定位和跟踪,具有重要的理论意义和实用价值,已经成为各国学者研究的热点方向之一;为了达到更准确和有效的运动目标定位与跟踪的目的,该算法针对目标检测与目标跟踪两个方面,创新点在于目标跟踪;目标检测采用帧间差分法和背景差分法对比择优的方法,目标跟踪采用重心跟踪与卡尔曼滤波跟踪相结合的方法;通过对该种算法进行试验,得出的结果为:该算法的实现效果超越了传统的目标定位与跟踪算法;试验结论:该跟踪算法超越了传统的矩心、重心和卡尔曼滤波跟踪算法的单独跟踪效果,而且运算较快,同时卡尔曼滤波算法的预测与检测性大大降低了错误率,有效地改进了传统目标定位与跟踪算法.     

基于视频的交通目标跟踪方法研究

交通目标的检测是智能交通系统(ITS)中的一项关键技术,基于视频跟踪方法的检测技术是目前研究的热点.介绍了近年来提出的一些主要的基于视频的运动目标跟踪方法,对各种方法进行了归类,并分析比较了这些方法的优缺点.在此基础上,着重介绍了一种快速运动目标跟踪方法--MeanShift算法.该算法主要利用图像的颜色统计直方图作为特征,利用Bhattacharyya距离作为目标匹配相似性测度,采用梯度优化方法完成对运动目标的快速跟踪.该方法非常适合对交通目标的跟踪.