基于自适应最优聚类的目标匹配跟踪算法

提出了一种基于新的自适应最优聚类的模板匹配跟踪方法。利用模式分类准则计算最优聚类数,然后根据最优聚类数采用k-均值方法进行多次聚类。根据聚类结果计算熵矢量和距离矢量,组合得到特征矢量,利用特征矢量进行匹配跟踪。匹配采用简单的相似性准则,实时模板更新算法为多模更新。测试结果表明,该算法针对不同的目标能自适应地选择聚类参数,在目标发生几何变化时,能实现精确稳定的跟踪。     

基于自适应最优聚类的目标匹配跟踪算法

提出了一种基于新的自适应最优聚类的模板匹配跟踪方法。利用模式分类准则计算最优聚类数, 然后根据最优聚类数采用k-均值方法进行多次聚类。根据聚类结果计算熵矢量和距离矢量, 组合得到特征矢量, 利用特征矢量进行匹配跟踪。匹配采用简单的相似性准则, 实时模板更新算法为多模更新。测试结果表明, 该算法针对不同的目标能自适应地选择聚类参数, 在目标发生几何变化时, 能实现精确稳定的跟踪。     

基于SWAD算法的空间面目标高精度跟踪技术研究

针对空间面目标的高精度跟踪问题,提出一种面目标高精度跟踪方法,该方法利用SWAD模板匹配算法和亚像素拟合算法提取目标精确的位置信息,并在跟踪过程中对模板进行实时更新。对传统的无限冲击响应滤波模板更新方法进行了改进,提出一种变系数模板更新方法,该方法计算量小,不需要经过复杂的置信度判断,模板更新系数由当前模板图像和当前最佳匹配区域图像的灰度值决定;利用不同亮度的目标,以及对目标图像进行尺度变换模拟姿态变化的目标,比较了该模板更新算法和传统算法的匹配误差,结果表明:该算法能够更好地适应目标姿态的变化;最后通过平行光管和靶标板模拟远场非合作目标,搭建了室内演示试验,证明了利用模板匹配进行高精度目标跟踪的可行性。     

新的基于Kalman滤波的跟踪方法

模板更新策略是匹配跟踪算法成败的关键，为了提高基于模板匹配跟踪算法的性能，在分析多种模板更新算法的基础上，给出使用Kalman滤波器更新模板的方法。该方法不再将模板图像视为一个整体，而是使用Kalman滤波器对模板图像逐像素点进行更新，以得到自适应和最佳的目标模板图像，使匹配跟踪算法的性能得到很大提高，特别对于目标被遮挡、目标姿态变化以及环境照度变化有很强的适应性。对匹配算法的改进和遮挡的处理使该算法的性能得到进一步提高。实验结果表明该方法行之有效。     

基于关键区域特征匹配的视觉跟踪算法

针对视觉跟踪中目标表观的复杂变化问题,提出了一种基于关键区域特征匹配的鲁棒跟踪算法.首先对目标模板进行初始化并通过滤波预测得到目标候选;然后采用自适应标记分水岭算法对目标模板和目标候选进行分割以提取关键区域,并利用像素的空间和频率分布特性对关键区域进行多重特征描述;最后通过关键区域的特征匹配得到目标模板与目标候选的匹配关系,由此确定最终跟踪结果并进行模板更新.对目标发生尺度、遮挡、旋转、光照、姿态、复杂背景以及运动模糊等变化的视频序列进行了仿真测试.实验结果表明,所提算法能够有效处理目标表观的复杂变化问题,尤其对目标的部分遮挡、光照变化以及复杂背景等具有较强的鲁棒性.     

前视红外系统中复杂背景下典型地物目标跟踪

前视红外系统主要处理复杂地物背景下的典型地面目标, 如桥梁、机场跑道、大型建筑物等。跟踪地面背景较复杂的目标常用的是目标模板匹配的方法。而模板匹配相关跟踪的关键是对实时模板的更新及替换策略。针对前视目标跟踪问题, 采用模板相关匹配的方法搜索目标; 采用Kalman滤波的方法更新实时模板中的每个像素, 以达到更新实时模板的目的, 采用Kalman 滤波的方法校正跟踪结果坐标位置数据。为了减小运算量同时又不影响跟踪精度, 采取了隔若干帧更新一次模板及跟踪位置数据的策略。仿真实验证明, 跟踪效果较好。     

前视红外系统中复杂背景下典型地物目标跟踪

前视红外系统主要处理复杂地物背景下的典型地面目标，如桥梁、机场跑道、大型建筑物等。跟踪地面背景较复杂的目标常用的是目标模板匹配的方法。而模板匹配相关跟踪的关键是对实时模板的更新及替换策略。针对前视目标跟踪问题，采用模板相关匹配的方法搜索目标；采用Kalman滤波的方法更新实时模板中的每个像素．以迭到更新实时模板的目的．采用Kalman滤波的方法校正跟踪结果坐标位置数据。为了减小运算量同时又不影响跟踪精度．采取了隔若干帧更新一次模板及跟踪位置数据的策略。仿真实验证明，跟踪效果较好。     

基于在线学习的压缩模版的目标跟踪算法

利用压缩感知(CS)矩阵建立压缩特征模版,通过在 线学习,实现一种更高效的目标跟踪算法。首先利用符 合有限等距性质的随机感知矩阵,取得跟踪目标表面特征的压缩模板;然后利用模板匹配 确定目标区域, 同时在跟踪过程中在线学习目标外观变化,并以此更新目标模板。采用了局部模板更新策略 ,使目标模板 更为准确,更能体现目标的变化状况。采用了模板匹配的确定性跟踪方法,大大减少了大量 正负样本的采 样,降低了算法复杂度。实验结果表明,与压缩跟踪(CT)算法相比,本文的基于在线学习的 压缩模版跟踪算法在时间性能 上有了明显提升,采用Kalman滤波器加速跟踪可提高6倍以上的时间性能,在多个标准测 试序列中的跟踪成功率也有了明显提高,有效地防止了跟踪中的漂移现象。     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

一种基于卡尔曼滤波器的模板更新方法

在运动目标跟踪过程中,基于相似性度量的模板匹配法是常用的一种相关跟踪算法.但是,单纯利用模板与图像的匹配准则难以应对跟踪过程中常见的目标姿态变化问题,很难获得比较好的跟踪效果.针对上述问题,利用卡尔曼滤波器对模板像素进行逐像素更新,每个像素依据自身的性质进行修正的幅度都不一样,从而得到自适应和最优的模板图像,最终达到在序列图像中准确匹配的目标.实验证明,该方法在产定程度上解决了跟踪过程中目标的形态变化问题.     

一种基于特征点的快速跟踪算法

目标跟踪技术是视频检测技术中一个十分重要的组成部分,为此,提出一种基于特征点的快速跟踪算法。该方法避免了困难的目标分割过程。采用两次帧差共同确定角点选择区域,利用Moravec算法提取合适角点;采用一种特别设计的包含不平滑区域的结构化模板获取更好的匹配点;利用预测点缩小搜索范围,降低计算复杂度和时间复杂度。实验证明该算法能够快速实现目标的实时跟踪,跟踪准确度高,对不同的场景都具有良好的鲁棒性。     

基于相似度优化的混合式视觉跟踪方法

针对复杂环境下视频目标跟踪问题,提出一种基于相似度优化的混合式视觉跟踪方法。首先,采用局部余弦相似性度量目标和候选模板的相似性,有效抑制因遮挡、光照突变等情况引起的脉冲噪声,提升模板匹配精确度;其次,基于目标函数的二次规划方法推导了局部目标的判别权重,有效提升了算法对目标和背景的判别能力;最后,在系统更新过程中引入模板的判别式更新,有效改善了模型漂移问题。实验结果表明,本文方法较好地改善了复杂挑战性背景下的跟踪鲁棒性和精确度。     

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。     

针对间断纹理环境中的图像特征追踪和匹配算法研究

针对同时定位与地图构建(SLAM)中的特征匹配关键环节,提出一种融合特征点和特征区域的图像追踪与匹配算法,以解决交替出现纹理丰富和纹理缺失的间断纹理环境中图像特征易丢失、误匹配率较高的问题。首先,利用ORB算法和半稠密直接法分别对图像提取特征点和特征区域。其次,使用渐进一致采样法(PROSAC)剔除ORB算法的误匹配特征点,并计算特征点的正确匹配率。最后,针对纹理缺失环境中特征点丢失严重的问题,以特征点的正确匹配率作为判断依据,对低匹配率图像,则基于特征区域使用半稠密直接法实现图像的追踪,同时对追踪结果进行非线性优化,提高了特征区域追踪的准确性和稳定性。实验结果表明,该算法适用于间断纹理环境,在纹理丰富和纹理缺失条件下均可提高图像匹配的准确率。     

一种视觉跟踪中的模板更新策略

针对复杂场景中的目标外观和背景变化引起的模板 更新问题, 提出了一种新的视觉跟踪模板更新策略,用以提高目标模板正确性。算法利用特征信息在 时间和空间上的区别和变化,进行特征子量分类更新,避免了模型过更新,提高了目标模型 的容错能力,使更新带来的误差尽量小,以适应目标和背景信息的不断变化,在一定程度上 提高了跟踪算法的精准度和鲁棒性。实验结果表明,本文方法在视频跟踪系统中具有优越的 性 能,可以在目标运动、变化和遮挡情况下实现鲁棒跟踪。     

基于Mean Shift算法的运动平台下红外目标跟踪

运动平台下, 图像的运动包括目标、背景和平台的运动。复杂的运动关系，加上运动平台下成像质量差，增加了目标跟踪的难度。提出了一种有效的运动平台下前视红外(FLIR)成像目标跟踪算法。对于每一个被检测出的目标，计算灰度和局部标准差的分布，通过计算Mean Shift向量，最小化当前帧目标与模板的核密度分布，实现对目标的跟踪。采用自动更新模板的策略克服目标特征分布发生改变的问题，该策略同样取决于得到的模板与目标分布相似性度量。实验仿真证明，该算法能有效地、准确地跟踪红外成像序列中的运动目标，计算量小，可以满足实时性要求高的场合。