多物体遮挡情况下的视觉跟踪算法研究

针对视频监控中多运动物体间的遮挡问题,提出了一种新的结合全局特征和局部特征匹配的目标跟踪算法。该算法采用直方图的方法和基于分块的方法共同表达目标的灰度特征。遮挡发生前实时进行遮挡预判,遮挡时,利用基于块分类的方法跟踪目标,遮挡结束后,通过直方图匹配重新定位目标。实验结果证明了该方法的有效性和优越性。     

基于骨架和统计直方图的形状匹配算法

目标的柔性变化和局部遮挡是形状匹配的主要困难,传统的形状匹配算法对这类问题常不能奏效。针对该问题,提出了一种新的接合骨架和统计直方图匹配柔性变化和局部遮挡目标的方法。算法首先提取骨架接合点,根据骨架接合点将目标形状分块;基于每个骨架接合点构造各个子块的不变特征并将其直方图化;再构建了一种新的相似性度量函数;通过对骨架接合点的匹配实现目标形状的匹配。由于算法是提取骨架接合点,较骨架端点提取更稳定,从而能提高匹配精度;此外算法采用分块描述匹配的思想,所以能有效处理局部遮挡和柔性变化。理论分析和实验结果均表明算法是有效的。     

基于OpenCV的室内环境下多目标跟踪

室内环境下多运动目标跟踪的核心问题是目标的快速识别和准确匹配,目标的快速识别关键在于目标对象的特征提取,寻找不变的特征值.针对以上两个问题,采用基于颜色直方图的特征提取方法并用欧氏距离匹配法实现特征值的相似度匹配.提出的区域相应和特征匹配相结合的多运动目标跟踪算法解决了因为快速运动和长时间遮挡而引起的目标跟踪丢失问题.     

基于局部特征匹配的多目标跟踪算法

为解决多目标跟踪过程中因遮挡导致跟踪失败的问题,提出一种基于局部特征匹配的跟踪算法。在卡尔曼滤波跟踪框架下,根据目标数据关联的结果判断目标的状态并进行针对性处理。当目标处于相互遮挡的状态时,利用目标的局部模板在当前帧进行匹配获取目标候选区域,利用改进的距离加权彩色直方图计算候选区域与局部模板的相似度,结合直方图的相似度和卡尔曼预测确定目标的位置。实验结果表明,在满足实时性的要求下,该方法能够有效地处理目标的遮挡问题。     

适用于遮挡车辆检测的子块带权模板匹配方法

针对多车辆跟踪过程中的遮挡问题,提出一种基于梯度方向直方图的子块带权模板匹配方法。该方法先对目标分块,并提取每块的梯度方向直方图,然后利用核函数为各块赋予不同权值,并采用子块带权特征匹配度度量方法计算目标模型与搜索窗的匹配度,进而获取最佳匹配。最后将该方法应用于多车辆跟踪过程中的遮挡车辆跟踪与检测。实验表明,该方法具有良好的精确度和鲁棒性。     

一种改进的Camshift/Kalman运动目标跟踪算法

针对目标跟踪中的目标遮挡、丢失等情况,提出了一种改进的基于空间边缘方向直方图的Camshfit/Kalman跟踪算法.首先,利用空间边缘梯度方向作为匹配信息,同时自适应修正每帧中的匹配模板,再使用Kalman滤波器对运动目标的位置进行预测更新,以克服目标遮挡情况及噪声的干扰.实验表明,该算法能够较好处理目标遮挡情况,实现运动目标的高精度跟踪.     

遮挡情况下基于特征相关匹配的目标跟踪算法

特征相关匹配是重要的运动目标跟踪方法.目标特征有灰度特征和边缘特征两大类,在遮挡情况下,采用哪种特征进行匹配,要根据目标本身属性来确定.本文先对目标灰度性质做出判断,然后根据灰度单一或是丰富来合理选择边缘相关匹配或者是基于多子块的灰度相关匹配来解决遮挡情况下的刚性目标跟踪问题.其中边缘匹配算法是通过当前边缘与实时更新模板的最优匹配来确定目标的运动位移量.基于多子块的灰度相关匹配算法通过目标的各个具有较明显特征的子块准确判定遮挡区域,利用剩余的未被遮挡的子块参与灰度相关匹配继续跟踪目标.实验结果表明,这种算法是十分有效的.     

基于分块的自适应多特征融合目标跟踪

基于RGB直方图的目标跟踪易受背景相似颜色的影响.针对该问题,提出一种分块的自适应多特征权值融合跟踪算法.采用K-S相似性度量准则对边缘方向直方图(EOH)和RGB直方图的特征权值进行融合,实现目标跟踪.实验结果表明,与单一的RGB或EOH特征跟踪算法相比,该算法的跟踪准确率较高,具有较强的抗遮挡能力.     

基于转折角点的车辆遮挡分离算法

本文提出了一种基于转折角点的车辆遮挡分离算法,该算法分为目标区域块的空洞填充、转折角点的提取和分类、基于转折角点的模板匹配三个步骤.在目标区域块的空洞填充步骤中,本文使用基于轮廓的空洞填充方法;在转折角点的提取和分类步骤中,本文通过圆盘移动方法提取目标区域块的转折角点并通过转折角点的倾斜角归一化直方图对转折角点进行分类;在基于转折角点的模板匹配步骤中,本文利用目标区域块和模板两者对应的循环链表进行比对,找出与目标区域块匹配的模板,根据模板提供的分离策略,实现遮挡分离.本文提出的算法适用于各类常见的遮挡情况,具有广泛的适用性.     

基于局部直方图的多区域目标跟踪算法

为克服光照变化和目标遮挡对运动目标跟踪的影响,提出了一种基于改进的局部敏感直方图的多区域目标跟踪算法。改进了局部敏感直方图并设计了快速算法;将改进的局部敏感直方图作为多区域跟踪算法中的目标建模方式,提高目标建模的准确性且降低提取目标特征的计算复杂度;针对多区域跟踪算法中融合各个区域块的特征相似值的需要,采用基于统计排序和最小二乘估计的参数估计方法计算整个目标块与模板的相似度。实验结果表明该算法能有效应对目标跟踪过程中光照变化、目标形变与遮挡的干扰,实现实时鲁棒的目标跟踪。     

基于特征匹配的集装箱识别与定位技术研究

集装箱识别与定位是实现港口自动化的关键技术之一。模板匹配是一种较常用的 图像识别方法,但传统的模板匹配算法仅基于像素的灰度信息进行对比匹配,当外部环境稍有 变化时,算法的鲁棒性会大幅下降,且存在匹配效率不高,适应性不强等问题。提出基于目标 颜色模板预定位与变步长图像块匹配分割相结合的算法,将具有形状不变性的特征向量作为集 装箱实时识别与定位的重要依据,实验结果显示该识别方法能有效提高图像分割效率,同时对 目标平移、旋转、尺度变化具有适应性。     

无人机对船舶目标的改进CamShift跟踪算法研究

针对由于CamShift算法跟踪特征单一引起的对颜色相似目标或背景的干扰和对目标遮挡情况较敏感的问题,提出了一种基于改进CamShift融合局部特征匹配的无人机目标跟踪算法.首先,采用基于 H分量和LBP二维模板的改进CamShift目标跟踪算法以提高对相似目标干扰的鲁棒性;其次,在能保证目标跟踪的实时性要求的前提下,融合局部特征匹配算法中的BRISK匹配算法,可有效改善CamShift对颜色相似目标或背景的干扰的敏感性,同时增强对目标遮挡鲁棒性.实验结果表明,该改进算法通过颜色特征和局部特征的共同定位目标,实现了目标的准确跟踪.     

一种运动目标多特征点的鲁棒跟踪方法研究

提出了一种基于特征光流分割和卡尔曼滤波估计的鲁棒性的运动目标跟踪方法。该方法具有很多特点：首先在特征光流的计算中采用由粗到细的层级匹配算法，因而能够计算大的运动速度和具有更好的匹配精度；其次采用了有效的遮挡判决算法，该算法综合利用了先验的信息，对噪声的干扰不敏感；最后建立了线性卡尔曼滤波模型，当特征点被遮挡或丢失时，能够预测它们的位置，这使得跟踪更具有主动性。实验表明，该方法具有高精度、快速跟踪和很好的鲁棒性。     

前景约束下的抗干扰匹配目标跟踪方法

传统模型匹配跟踪方法没有充分考虑目标与所处图像的关系,尤其在复杂背景下,发生遮挡时易丢失目标.针对上述问题,提出一种前景约束下的抗干扰匹配（Anti-interference matching under foreground constraint,AMFC）目标跟踪方法.该方法首先选取图像帧序列前m帧进行跟踪训练,将每帧图像基于颜色特征分割成若干超像素块,利用均值聚类组建簇集合,并通过该集合建立判别外观模型;然后,采用EM（Expectation maximization）模型建立约束性前景区域,通过基于LK（Lucas-Kanade）光流法框架下的模型匹配寻找最佳匹配块.为了避免前景区域中相似物体的干扰,提出一种抗干扰匹配的决策判定算法提高匹配的准确率;最后,为了对目标的描述更加准确,提出一种新的在线模型更新算法,当目标发生严重遮挡时,在特征集中加入适当特征补偿,使得更新的外观模型更为准确.实验结果表明,该算法克服了目标形变、目标旋转移动、光照变化、部分遮挡、复杂环境的影响,具有跟踪准确和适应性强的特点.     

基于镜像MeanShift的遮挡目标跟踪算法

针对当目标跟踪过程中目标被全遮挡时易导致目标跟踪不精确、甚至丢失目标的问题,提出一种基于镜像Mean Shift的遮挡目标跟踪算法.当前后帧Bhattacharyya系数匹配度大于等于80%时,表示目标没有被遮挡,采用颜色特征和轮廓特征定位目标,利用分块沙包窗核函数实现尺寸自适应;当前后帧Bhattacharyya系数匹配度小于80%时,表示目标进入遮挡区域,则利用先验训练分类器和镜像原理对遮挡区域目标的位置和尺寸大小进行预测;当前后帧Bhattacharyya系数匹配度再次大于等于80%时,表示目标离开遮挡区域,则转换为Mean Shift跟踪.实验结果表明:所提算法与子区域分类器的在线Boosting算法和多视角多目标协同追踪算法相比,在目标全遮挡的情况下能更好地跟踪目标,提高了跟踪精度和鲁棒性,且满足实时性要求.     

引入特征重检的抗遮挡目标跟踪方法研究

针对视觉目标跟踪的遮挡问题,在TLD算法的基础上,引入特征重检环节,解决发生遮挡时因目标外观相似、背景聚类造成错判,提出了一种基于特征重检的抗遮挡目标跟踪研究方法(TLD-D),采用跟踪、检测、学习、再检测的策略。跟踪与检测相结合,对锁定的目标进行学习,获取目标最新的外观特征;当发生遮挡时,则启用特征重检环节,提取遮挡过程的"开始发生遮挡"和"遮挡结束"两个关键帧,然后在特征重检环节选用SIFT特征进行双向匹配标定目标,确保重新标定的目标为原被遮挡的跟踪目标,即"再检测"。OTB基准集上实验结果表明,与TLD算法、同类TLD改进算法以及其他经典跟踪算法相比较,TLD-D算法抗遮挡能力更强,鲁棒性更强,能够对目标长时间稳定跟踪。     

一种基于分块匹配的SIFT算法

SIFT算法在图像处理领域具有独特的优势,但是经过不断发展,SIFT算法在特征匹配过程中仍然具有数据处理量大、计算速度慢的问题.基于这些问题,提出了一种基于分块匹配的新型SIFT匹配算法,它通过剔除非重叠区域来降低特征提取和匹配的时间损耗.对于图像的刚性变换,算法的核心在于图像块的切分和重叠区域的计算,首先选取少量的种子点来估算两幅图像的相关变换矩阵;然后将原始图像切分为几块,通过变换矩阵找出在匹配图中的相关块;再检测所有的匹配块上的特征点;最后结合RANSAC算法去除伪匹配点对,来提高匹配的准确率.实验结果表明:与标准SIFT算法相比,基于分块匹配的SIFT算法在实时性和鲁棒性方面得到了进一步的提升,在实际图像匹配中具有一定的应用价值.     

基于2DPCA的特征融合方法及其应用

通过对图像特征融合的一般规律的研究,提出了一种基于二维主成分分析（简称2DPCA）的图像特征融合算法。首先选取包括分形特征、多向多尺度梯度特征、局域灰度概率特征在内的目标图像的多种特征,组成特征向量,对该向量进行二维主成分分析,得到一个变换矩阵,再利用该变换矩阵和原特征向量的乘积得到新的综合特征。该综合特征即为经过融合后得到的特征。在对弱小目标匹配跟踪的仿真结果表明,该方法效果优于常规的灰度匹配和基于PCA的特征融合方法,且耗时与后者相差不大。