一种面向高斯差分图的压缩感知目标跟踪算法

传统的压缩感知目标跟踪在目标纹理改变、比例缩放、光照变化剧烈时鲁棒性不足,本文提出一种面向高斯差分图的压缩感知目标跟踪算法。首先,构建原始图像的多尺度空间及其对应的图像高斯差分图,实现高斯差分图的特征提取并获取压缩感知的输入信号;然后,通过压缩降维,目标邻域遍历,参数更新等过程,计算出面向高斯差分图的后续帧的目标最优跟踪窗;最后,将跟踪窗投影到对应的原始图像上,完成面向视频流的目标跟踪。实验证明,高斯差分图像是单通道灰度图,相比较原始视频流的三通道彩色图,具有灰度取值范围小,数值低,结构简单,维数少等特点,增强了特征对纹理改变、比例缩放和光照变化的稳健性,且继承了原始算法的实时性。因此,与传统的压缩感知算法相比,本文算法能快速准确地实现复杂环境下的移动目标跟踪任务,具有更强的鲁棒性。     

基于灰度投影变换的改进Mean-shift算法

针对传统的均值漂移算法中核窗宽无法实时适应运动目标大小变化的问题,提出一种改进的Mean-shift跟踪算法。该算法通过对数坐标变换后的目标图像以及候选图像进行灰度投影计算,得到两幅图像的相对位移量,从而计算出窗口缩放因子,以便对核窗宽进行调整。实验证明,该算法可以有效地提高Mean-shift算法跟踪的准确性。     

遮挡情况下多尺度压缩感知跟踪

针对现有在线学习跟踪算法中目标在线模型更新错误导致跟踪漂移的问题,提出一种在线模型自适应更新的目标跟踪算法:首先利用压缩感知技术的高效性,对多尺度图像特征进行降维,并提取多尺度样本来实现目标尺度自适应更新,再由提取的正负样本低维图像特征训练朴素贝叶斯分类器,利用分类器输出置信度最大处目标样本完成目标跟踪,并依据当前目标置信度来自适应在线模型更新速率,减少了遮挡带来的目标错误更新。实验表明:该方法在尺度变化、局部和全局遮挡、光照变化等情况下均能完成鲁棒跟踪,平均跟踪成功率较原始压缩感知跟踪算法提高了20.3%。     

基于Kalman预测器的CT多特征加权目标跟踪算法

针对CT的目标跟踪算法,在外界环境光照改变、目标姿态变化及目标发生遮挡时出现跟踪飘移或丢失目标等问题,提出一种基于Kalman预测器的CT多特征加权目标跟踪算法。首先根据跟踪目标特征的稀疏特性,利用随机采样在线更新获取特征的离散样本,引入Online-boosting的多特征加权权值,优化置信图估计,并利用Kalman预测器预测修正跟踪目标区域位置。对三组不同场景图像序列测试结果表明提出的算法能够快速准确地实现复杂环境下的运动目标跟踪任务,有效地增强了目标特征对纹理改变、光照变化和目标遮挡的稳健性,且继承了传统算法的实时性。     

红外图像差分盒维分形算法的FPGA实现

差分盒维分形算法作为一种红外图像分形维数提取算法广泛应用于红外图像目标检测跟踪算法中.针对其计算量大,单DSP无法单帧实时实现的缺陷,利用FPGA并行流水特点,采用模块化设计思想设计并实现了差分盒维分形算法,算法主要由四点极值计算模块和使能控制模块及对数计算模块组成.四点极值计算模块计算图像分割网格像素灰度极值,使能控制模块控制网格内像素灰度极值的计算开始时刻,而对数计算模块计算每一尺度下的分形维.仿真结果表明:采用FPGA实现差分盒维分形算法处理延时短,最高系统主频可达126 MHz,满足实时处理的要求.     

天基非合作卫星高精度跟踪算法研究

空间非合作目标跟踪技术可以在多方面发挥重要作用,目前效果较好的图像跟踪算法多是基于视频流处理,但是由于面对的工况与航天应用面对工况不同,在跟踪精度、运算速度、预警率和虚警率等要求上不满足空间目标跟踪需求与任务要求,并且运算复杂难以在航天器中实现,不适合天基卫星跟踪。为解决这一问题,一种面向空间应用的卫星目标高精度跟踪算法被提出,该算法以图像相关、曲线拟合、卡尔曼滤波、SURF算法为基础,并将预测、跟踪和矫正过程相融合,最终获得在天基平台中具有可行性的高速稳定跟踪算法。相关实验表明,这种算法可以对平面内自由旋转、0.4~2.1倍尺度内缩放、有光照变化的图像进行连续跟踪,仿真试验平均跟踪误差小于0.9像素且大多数工况下计算速度高于200帧/s,并且算法对图像模糊、高斯噪声以及椒盐噪声都有较好兼容能力,对于实际模型目标跟踪仍有稳定跟踪能力。     

基于二维压缩感知和分层特征的图像检索算法

为了保留图像分析时的像素点位置关系及降维处理,把一维压缩感知理论推广到二维,建立了二维可稀疏信号的压缩测量模型,研究了一种二维信号的自适应梯度下降重构AGDR(Adaptive Gradient Descent Recursion)算法,由此提出了一种图像分层特征提取与检索方法.首先对图像在RGB颜色空间上进行网格离散划分,通过分层算子对图像进行分层映射,定义一种基于颜色网格空间的扩展灰度共生矩阵,采用二维测量模型获取图像的分层测量特征、纹理特征与分层颜色统计特征,图像分层测量特征综合反映出图像的颜色及像素点位置的关系,扩展灰度共生矩阵反映纹理特征.其次用AGDR算法计算检索图像之间的原始信号差量及其稀疏值.最后结合两类分层特征差量、稀疏值和颜色统计特征,融合计算图像间整体相似度度量指标.仿真实验表明,应用分层二维压缩感知测量与AGDR算法的图像检索方法在检索时间、查全率和查准率等指标上具有优越性能,为图像检索提供了新思路.     

基于SIFT的压缩跟踪算法

为了克服基于灰度特征信息的跟踪算法在复杂的环境下无法区分目标和背景的缺陷,提出基于SIFT的压缩跟踪算法。该算法采用改进的SIFT特征提取方式,结合压缩感知理论对特征进行有效的降维,以在线多实例学习算法训练分类器,实现在出现目标偏移、姿态变化和光暗变化等情况下对目标实时准确的跟踪。实验结果表明,该算法能够在复杂环境下实现目标的准确实时跟踪。     

基于多特征动态融合模型的海陆分割算法

海陆分割是遥感图像中进行海上目标检测、监视的关键技术.传统的基于灰度的海陆分割算法没有充分利用图像中的梯度、纹理等灰度变化及空间分布信息;而基于梯度或纹理的海陆分割算法又没有考虑到图像本身灰度特性.由此提出基于多特征动态融合模型的海陆分割算法,该算法通过动态融合模型提取多种图像特征,生成综合特征图,并对综合特征图进行分...     

基于时空运动信息的药液异物自适应分割算法

为了能够从药液视频序列图像中准确地提取出运动异物对象,提出一种基于帧差图时空运动信息的药液异物模糊自适应阈值分割算法。首先通过4帧序列图像的隔帧差分得到2幅差分图并分别划分为5×5的图像块;然后计算对应图像分块的4阶矩以实现异物的运动信息提取;最后采用自适应阈值依据帧差图对应图像块的4阶矩之差实现运动异物的分割,并经过形态学处理去除掉噪声和空洞。为使阈值能够跟随图像块灰度变化,阈值的调整采用模糊推理依据对应块灰度均值差和方差变化自适应实现。实验及实际测试结果表明,本文所提算法较好地满足了低对比度和局部光照变化的药液异物实时检测要求,是一种实用有效的图像分割方法。     

基于改进纹理特征的红外目标跟踪算法

针对红外图像背景复杂、杂波干扰严重、相似目标混淆导致的目标跟踪丢失问题,本文提出了一种改进的低维度纹理特征OCS-LBP(Oriented Center Symmetric Local Binary Patterns,即方向中心对称的局部二值模式)。首先,利用此特征可以高效地获取目标图像中每个像素块的梯度方向和幅值信息,提高了跟踪过程的鲁棒性;其次,利用核相关滤波算法结合提取的OCS-LBP特征对目标图像区域进行模型训练;最后,根据训练好的模型检测下一帧图像中目标的具体位置。本文在10组红外视频序列上进行了测试,实验结果表明,本文算法的精确度和成功率相比于第二名算法分别获得了2.9%和9.9%的提升,同时在实验设备上算法的平均跟踪速度相比于第二名算法提升了14.15 frame/s。从实验结果可以看出本文提出的算法在红外目标跟踪上表现出较好的鲁棒性、准确性和实时性,具有一定的研究和实用价值。     

一种基于图像纹理的模板匹配算法

为了提高实际工程应用中图像匹配算法计算的实时性,增强图像匹配算法对复杂场景跟踪的鲁棒性,提出了一种新的基于图像纹理的模板匹配算法(TTM)。依据邻域内像素灰度变化的趋势分别提取水平、垂直方向二值化的图像纹理矩阵,然后根据定义的一个相似性判别准则,分别度量水平、垂直两个方向二值化图像矩阵之间的相关置信度。最后,通过合成两个方向上的图像匹配置信度结果得到目标配准置信度。实验结果表明,该算法对图像光照变化、目标部分被遮挡等情况具有较好的适应性。     

基于DPM和KCF的十字靶标检测与跟踪

为了实现对十字靶标的自动检测与跟踪,建立了十字靶标检测跟踪模型。针对目标检测中运算量大、实时性差、目标跟踪需要人工标定视频初始帧的问题,提出了一种基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法。首先,提取十字样本集的梯度方向直方图(HOG)特征,采用Latent SVM分类器训练特征集,生成十字靶标物体类的DPM模型。然后,通过滑动窗口搜索匹配方法遍历待检测图片。最后,将检测到的结果作为跟踪算法的起始跟踪帧,应用KCF算法快速跟踪目标。当跟踪目标丢失时,暂时停止跟踪,利用DPM模型重新检测定位目标再进行跟踪。实验结果表明:采用DPM模型检测的平均帧率为1 fps,结合DPM和KCF算法,实时检测跟踪的平均帧率为40 fps。采用基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法,实现了目标的自动检测与实时跟踪,且检测速度明显高于传统算法,并且在目标漂移或丢失后自动重新定位并继续跟踪,完成十字靶标的长时间跟踪。     

基于特征融合的粒子滤波目标跟踪新方法

针对传统粒子滤波(PF)算法采用单一颜色特征建模 跟踪目标性能差的缺陷,提出一种颜色特征与纹理特 征相融合的PF目标跟踪新算法。首先,采用一种具有抗噪声和保护纹理边缘的全局中值二值 模式 (GMBP)纹理算子,对模板图像进行局部差绝对值处理,得到幅 值序列模板,将幅值序列模板内的中值作为模板的阈值,与模板邻域比较获得新的纹理图像 ;然后,与 具有光照不变特性的局部二值模式(LBP)纹理算子结合,形成一种(GMLBP)新的纹理描述算子 。最后,分别计算GMLBP纹理特征粒子权值和HSV颜色特征粒子权 值,并依据权值大小确定融合系数,对纹理特征粒子权值和颜色特征粒子权值进行线 性融合,再对融合后粒子权值进行归一化处理,从而得到目标位置状态的最终估计值。对比 实验结果表明, 相对于单一颜色特征的目标跟踪算法,所提算法捕捉目标位置准确且具有更低的平均跟踪误 差,其平均误差降低了近2倍。     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。     

An efficient real-time target tracking algorithm using adaptive feature fusion

Visual-based target tracking is easily influenced by multiple factors, such as background clutter, targets’ fast-moving, illumination variation, object shape change, occlusion, etc. These factors influence the tracking accuracy of a target tracking task. To address this issue, an efficient real-time target tracking method based on a low-dimension adaptive feature fusion is proposed to allow us the simultaneous implementation of the high-accuracy and real-time target tracking. First, the adaptive fusion of a histogram of oriented gradient (HOG) feature and color feature is utilized to improve the tracking accuracy. Second, a convolution dimension reduction method applies to the fusion between the HOG feature and color feature to reduce the over-fitting caused by their high-dimension fusions. Third, an average correlation energy estimation method is used to extract the relative confidence adaptive coefficients to ensure tracking accuracy. We experimentally confirm the proposed method on an OTB100 data set. Compared with nine popular target tracking algorithms, the proposed algorithm gains the highest tracking accuracy and success tracking rate. Compared with the traditional Sum of Template and Pixel-wise LEarners (STAPLE) algorithm, the proposed algorithm can obtain a higher success rate and accuracy, improving by 2.3% and 1.9%, respectively. The experimental results also demonstrate that the proposed algorithm can reach the real-time target tracking with 50+fps. The proposed method paves a more promising way for real-time target tracking tasks under a complex environment, such as appearance deformation, illumination change, motion blur, background, similarity, scale change, and occlusion.     

各向异性核函数均值漂移目标跟踪算法研究

针对传统均值漂移算法利用固定核或对称核函数进行目标跟踪时出现目标跟踪丢失或跟踪失败的问题,提出了基于各向异性核函数的自适应带宽均值漂移目标跟踪算法,以提高目标跟踪的准确性、实时性.在符号距离核函数的基础上引入符号距离约束函数,构成各向异性核函数,满足目标外部的区域函数值为零,为目标跟踪提供准确的跟踪窗.依据基于各向异性核函数的均值漂移应用到目标跟踪中需满足跟踪窗内的样本点到中心点的向量权重之和为0的思想,计算各向异性核函数模板的均值漂移窗口中心.利用相似度阈值对前后两帧目标模板的变化情况进行限制,实现各向异性核函数模板的自适应更新及目标的准确实时跟踪.实验结果表明所提出算法的准确性和实时性较高.     

基于多表观特征子模型更新的鲁棒视觉跟踪

在视觉跟踪中,传统模型更新算法在遮挡、光照变化及自身旋转等情况下通常存在鲁棒性较差的问题.为改善该性能,提出一种对多表观特征相应子模型进行选择性更新的鲁棒视觉跟踪算法.该算法首先建立候选子模型库,然后通过三个互补特征融合的粒子滤波跟踪确定当前帧目标位置和信息,最后将当前帧三种特征直方图信息与候选库中各子模型分别计算加权相似度,更新候选库后与阈值比较,判断是否更新当前子模型.实验结果表明：本文算法能够对特征相应子模型进行有效的选择性更新,与对比算法比较,在多种复杂变化的跟踪条件下,总体上能够具有更好的跟踪鲁棒性.