基于深度学习算法的航拍巡检图像的绝缘子识别

针对绝缘子检测目标在航拍图像中尺寸变化剧烈的问题,提出一种改进Faster R-CNN的绝缘子检测算法.首先将FPN特征金字塔结构网络与Faster R-CNN算法进行结合,将不同尺度下的特征进行融合;然后,改进最大池化层,提升检测框的坐标精度;针对遮挡现象,采用Soft-NMS算法规避不同目标检测框因重叠而被误删的情况.经过对绝缘子航拍数据集的检测验证,对比原Faster R-CNN网络,本改进网络结构提高了平均准确率(MAP),且可以更有效地识别图像中更小比例的绝缘子目标.     

基于字典学习改进的时空上下文算法

针对强遮挡导致的跟踪目标失效问题, 提出一种基于字典学习改进的时空上下文算法. 先在目标和上下文区域构建前景字典和上下文字典, 再利用稀疏解的特性, 给提取目标特征更高的权重, 并参与模板的更新, 构造新的条件概率. 实验结果表明, 在出现严重遮挡的数据集中, 时空上下文算法跟踪成功率为19.5%, 改进算法成功率达94.5%, 改进算法能在出现强遮挡情况下有效对抗遮挡问题, 稳定跟踪.     

基于Adaboost首帧检测的时空上下文人脸跟踪算法

针对时空上下文算法首帧需进行手动框选及选择偏差带来后续跟踪干扰的不足, 提出利用Adaboost算法进行首帧检测, 引入Kalman预测机制辅助时空上下文算法进行跟踪.当出现遮挡、 抖动等问题时, 保证跟踪稳定地进行, 提高算法鲁棒性. 在Shelter1等3组公共数据集上进行对比实验的结果表明, 该算法能实现首帧自动检测功能, 后续跟踪算法的鲁棒性及跟踪效果也得到明显提升.     

基于字典学习改进的时空上下文算法

针对强遮挡导致的跟踪目标失效问题, 提出一种基于字典学习改进的时空上下文算法. 先在目标和上下文区域构建前景字典和上下文字典, 再利用稀疏解的特性, 给提取目标特征更高的权重, 并参与模板的更新, 构造新的条件概率. 实验结果表明, 在出现严重遮挡的数据集中, 时空上下文算法跟踪成功率为19.5%, 改进算法成功率达94.5%, 改进算法能在出现强遮挡情况下有效对抗遮挡问题, 稳定跟踪.     

基于相关滤波的绝缘子跟踪与测距算法

针对旋翼无人机进行输电线路巡检的应用场景,通过基于相关滤波的跟踪算法,实现绝缘子的跟踪并适应尺度的变化。在滤波器的训练过程引入核函数,构建出更加鲁棒的滤波模板。通过gabor滤波器,在HSV颜色空间提取绝缘子的纹理特征。采用两个并行的相关滤波器,分别用于位置和尺度的定位。在此基础上,通过最大类间方差法,对图像中绝缘子进行分割,按照相机成像原理,计算绝缘子与无人机之间的相对距离。算法能够实现绝缘子的实时跟踪并适应尺度变化,以及计算无人机与绝缘子之间的相对距离,为无人机智能化巡线提供技术支持。     

基于时空上下文信息的混合交通视频检测算法

前景物体的边缘信息对混合交通视频检测的参数提取和表达具有非常重要的作用. 为克服孤立地利用当前图像无法准确提取边缘信息的问题,提出了基于时空上下文表达的混合交通边缘提取新算法. 在获取当前边缘信息基础上,结合运动目标的特征属性与时空上下文相关信息,通过检索文本的关联性,进行前景边缘提取. 实验表明,文中算法能够准确而充分利用上下文信息实现前景边缘的提取,前景边缘的有效提取率可达95%以上,为后续混合交通视频检测的分类识别和参数提取提供了有效的依据.      

基于递推估计和上下文更新的鲁棒单目标跟踪方法

针对杂乱背景和光照变化等容易使目标跟踪产生漂移的问题,提出一种基于递推估计和上下文更新的鲁棒目标跟踪方法,该方法是颜色粒子滤波目标跟踪的有效扩展.通过建立颜色粒子滤波跟踪的通用框架,利用上下文信息分配目标外观变化的置信度,在重采样阶段,采用递推估计从其外观相似度分数计算的权重选择粒子,并初始化异常粒子.形变和光照变化的视频测试表明,该方法可以克服光照变化和背景的影响,递推估计可以处理偏离整体估计的异常粒子.相比于标准颜色粒子滤波、粒子随机搜索法等方法,该方法在跟踪框中心误差和平均重叠方面均优于其他方法,在鲁棒性和准确性方面具有明显优势.     

改进理解诊断跟踪系统的目标跟踪方法

针对目标跟踪过程中出现的遮挡、光照变化、背景复杂等问题,使用了理解诊断视觉跟踪系统,即把跟踪器分成5个组成部分的跟踪系统,这5个部分分别是运动模型、特征提取器、观察模型、模型更新器以及总体处理器。结合Haar矩形特征的原理,提出了3种Haar-Like特征,用在特征提取器模块。为了提高跟踪的精准性,引入一个简单且快速的鲁棒性算法来改进系统中的运动模型,该方法利用了视觉跟踪中的上下文关系,建立基于贝叶斯框架的目标以及其周围环境的时空关系,在检测方面使用了快速傅里叶变换方法,提高了算法的鲁棒性,使跟踪更加精准,并且在处理遮挡、光照变化、背景复杂等问题上有着较好的效果。     

基于多特征与评估模型的红外小目标跟踪算法

针对传统STC(时空上下文)算法的不足,在灰度特征的基础上,加入能表征局部区域灰度值变化程度的LWIE(局部加权灰度信息熵)特征,并利用红外目标与周围背景的局部对比度特征,对当前跟踪的每一个目标建立评估模型,以确定当前跟踪的目标准确有效.实验表明:该算法能准确地跟踪红外小目标,且具有良好的抗干扰性、实时性和鲁棒性.     

一种融合深度信息的视频目标压缩跟踪算法

针对复杂环境下单一特征在跟踪过程中易造成准确率下降和鲁棒性差的问题,提出一种融合深度信息的视频目标压缩跟踪算法。利用压缩感知理论分别提取目标灰度图像和对应深度图像的正负样本压缩特征,通过特征训练弱分类器,利用马氏距离赋予弱分类器权值,加权组合为强分类器,实现目标的多特征融合,视目标跟踪为一个二分类问题,确定目标跟踪结果。使用由粗到细的搜索策略减小计算复杂度。实验结果表明,该算法跟踪目标平均中心位置误差为9. 95像素,平均成功帧率可达96%,算法保持实时性的同时对视频目标运动遭遇的部分遮挡、姿态变化、光照变化以及相似物干扰等情况下的跟踪均具有较好的效果。     

尺度自适应的抗遮挡目标跟踪算法

针对目标跟踪过程中的尺度变化、易被遮挡及跟踪漂移等问题,提出一种跟踪检测一体化的算法,改进算法在最小输出均方误差和（MOSSE）的基础上增加尺度变化更新机制,通过相关计算推算目标的最新位置和最佳尺寸,并融合了判断遮挡、模板自适应更新机制.通过对Benchmark上51个测试视频集跟踪实验分析,结果表明本文算法在尺度自适应以及抗遮挡方面优于传统算法.      

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.     

自适应实时压缩感知跟踪算法

【目的】解决实时压缩感知跟踪算法分类器无法适应目标外观变化及过更新的问题。【方法】根据当前跟踪结果目标模型的哈希指纹与上一帧目标模型的哈希指纹之间的汉明距离(Hamming distance),在线实时调整分类器,以提高实时压缩感知目标跟踪算法的自适应能力。【结果】自适应实时压缩感知跟踪算法的跟踪成功率比实时压缩感知跟踪算法提高13%,在目标大小为40pixel×43pixel时,跟踪速率为37fps,满足实时性要求。【结论】本研究建立的方法在背景中存在与目标有一定相似性的物体,且目标姿态、纹理变化和光照变化较大等情况下,能快速获取跟踪目标,并且具有较强的鲁棒性和准确性。     

基于多特征融合的尺度自适应KCF目标跟踪算法

首先,对核相关滤波(KCF)目标跟踪算法进行了详细推导;然后,针对KCF算法提取单一特征,不能很好地表达目标的外观模型,提出将多种特征融合的方法,增加外观模型的可区分性.同时针对KCF算法不能自适应尺度变化的问题,引入一种尺度自适应变化方法.还对于KCF算法的固定更新率在目标被遮挡的情况下会学习到错误信息的问题,提出一种在线模型更新因子的方法;最后,通过实验对比结果表明,本文提出的算法跟踪精度更高,且对目标尺度发生较大变化和遮挡情况下的跟踪具有较强的鲁棒性.     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

采用图像感知哈希的TLD改进算法

为了提高长时间视觉目标跟踪的鲁棒性,提出了一种基于图像感知哈希的TLD改进算法。在改进算法中,跟踪模块使用尺度自适应的KCF跟踪器,检测模块对每个检测窗口提取感知哈希特征,并引入量子遗传算法作为搜索策略加快检测速度。对文中算法在OTB2013的50组视频序列上进行了测试,实验结果表明:其跟踪精度与成功率分别达到了0.784和0.568,较TLD算法分别提高了18.7%和14.2%。并且在处理光照变化、遮挡及目标分辨率低等问题时,文中算法在多数情况下取得了优于参考算法的跟踪性能,表现出良好的跟踪鲁棒性。     

融合运动状态信息的高速相关滤波跟踪算法

为解决相关滤波(Discriminative Correlation Filter,DCF)算法在快速运动、遮挡、尺度变化等复杂情景下的跟踪失败问题,提出一种融合运动状态信息的高速相关滤波目标跟踪算法.在传统DCF算法基础上做出以下改进:(1)在跟踪框架中融入卡尔曼(Kalman)滤波器,利用目标运动状态信息对预测运动轨迹进行修正,以解决目标复杂运动时易跟丢问题,提高跟踪精度;(2)训练一个独立的尺度相关滤波器进行目标尺度预测,并利用主成分分析法(Principal Component Analysis,PCA)进行特征降维处理,提高跟踪速度;(3)提出一种高置信度更新策略判断是否对位置滤波器进行模板更新,以及是否采用Kalman滤波器预测位置作为目标位置.最后在OTB-100数据集上进行算法测试,提出算法平均精度与成功率分别达到74.8%与69.8%,平均帧率为84.37帧/s.相较其他几种主流算法,本文算法有效提高跟踪性能,并保证了跟踪速度,满足实时性要求,在遮挡、背景模糊、运动模糊等复杂情况下能够保持良好的跟踪效果.     

基于增强多流形学习的监控视频追踪算法

提出了一种多流形局部线性嵌入的流形学习算法,为每个类的流形学习过程设计了一种监督的近邻点选择方法,将流形-流形距离作为度量指标,搜索最优的低维空间.在视频追踪算法中对外部数据库进行图像训练预处理,为人脸检测建立级联分类器,利用均值粒子滤波器结合跟踪校正策略对人脸图像实时跟踪,采用多流形训练的结果从视频流的人脸集中检测出追踪的目标人脸.仿真实验结果表明本算法对不同的数据集均获得了较高的检测率与较高的计算效率.     

基于快速尺度估计的核相关滤波 目标跟踪

为了解决传统基于核相关滤波器（KCF）的跟踪算法难以有效处理目标尺度变化的难题,本文提出了一种新的融合快速准确估计目标尺度变化的核相关滤波跟踪算法。该方法首先利用目标尺度变化的连续性对目标的尺寸变化进行粗略估计,得到目标尺度变化的粗略值;然后进一步对目标尺度的更多可能变化进行精确搜索,提升目标尺度估计的准确性。在公开的复杂场景视频进行测试,比较了本文方法和原始KCF算法的实验效果,并且将本文算法和经典跟踪算法进行了比较,实验结果表明本文提出的目标跟踪算法更准确鲁棒。