基于改进CamShift融合Kalman滤波的无人机目标跟踪研究

针对无人机目标跟踪过程中CamShift算法对目标颜色相似背景干扰和遮挡干扰鲁棒性差问题,对CamShift算法进行了改进。首先,针对CamShift算法模板信息单一,易受到颜色相似背景干扰的问题,提出基于H分量和LBP二维直方图模板的CamShift目标跟踪算法,改进算法提高了算法对相似目标干扰的鲁棒性,且有效帧率提高了约21%;针对目标跟踪过程中目标易受到障碍物遮挡的问题,在CamShift算法中引进了Kalman滤波预测机制,增强了跟踪算法在目标遮挡条件下的鲁棒性和跟踪效率,其中跟踪效率提高了约25%,每帧迭代所用时间下降了约36%。     

视频图像中的快速人体运动目标跟踪算法研究

为了有效提升视频图像中人体运动目标跟踪的速度和准确性,提出一种基于改进CamShift算法和Kalman滤波器的快速运动目标跟踪算法。首先采用YCbCr颜色模型对典型CamShift跟踪算法的预处理过程进行改进,有效提高了人体运动目标检测的鲁棒性。然后通过结合Kalman滤波器实现运动目标的位置预测。仿真实验结果显示,相比其他基于CamShift的跟踪算法,提出的算法能够有效抑制噪声和背景的干扰,在目标跟踪的效果和准确性上均有一定的提高。     

基于缺损目标的CamShift序列图像跟踪方法

在标准CamShift算法对缺损目标进行跟踪的过程中,由于算法不能根据目标的变化实时调整跟踪窗口形状,造成跟踪窗口内包含缺损区域的背景图像信息,降低了目标的匹配能力,导致CamShift算法不能适用于缺损目标的跟踪。针对此问题,文中提出一种新的缺损目标CamShift序列测量图像跟踪方法,将目标模型和候选模型之间的相似...     

地磁背景下基于传感器阵列的磁偶极子目标跟踪方法

针对地磁背景下磁偶极子目标跟踪过程中存在的地磁干扰与模型非线性的问题,该文提出一种基于差量磁异常的蒙特卡洛卡尔曼滤波(MCKF)跟踪方法。新的跟踪方法以传感器阵列测量磁场的差量作为观测信号,并利用蒙特卡洛卡尔曼滤波算法解决模型的非线性问题,实现磁偶极子目标的实时跟踪。通过仿真跟踪实验,结果表明该文算法较传统的扩展或无迹卡尔曼滤波算法在稳定跟踪过程中对目标特征参数的估计更精确;通过地磁背景跟踪实验,结果验证了该文算法较传统算法在低信噪比下的性能优势。     

正则化粒子滤波在水下目标跟踪中的应用

针对传统卡尔曼滤波(KF)及扩展卡尔曼滤波(EKF)在非线性目标跟踪模型中,跟踪精度较差的问题,本文给出了一种基于正则化粒子滤波(RPF)的水下目标跟踪算法。文中在一种模拟水下目标跟踪环境的非线性动态模型中对所提出的算法进行了仿真试验,并将其跟踪性能与扩展卡尔曼滤波和标准粒子滤波算法(PF)进行了比较。仿真结果表明,PF算法比EKF算法滤波精度更高,RPF的跟踪性能优于PF和RPF,而且随着粒子数的增加,PF和RPF的跟踪性能也不断提高。     

机载雷达红外传感器集中式融合与管理

提出一种机载多传感器集中式序贯融合与管理的方法.传统扩展卡尔曼滤波融合算法滤波精度不高,因此先利用雷达传感器的量测,采用修正扩展卡尔曼滤波算法对目标状态进行估计,再把估计值作为红外传感器的预测值进行序贯融合.在此基础上采用分辨力增益的方法对传感器进行管理.仿真结果表明该方法能够提高对目标的跟踪精度,增强跟踪系统对环境变化的适应能力.     

通信受限时传感器管理方法研究

在通信受限的情况下,如何进行传感器的管理以满足多目标的跟踪需求,优化完成跟踪任务.针对这一问题,对通信受限这种情形进行了描述,提出了数据获取概率的概念;利用扩展卡尔曼滤波和序贯卡尔曼滤波推出了序贯扩展卡尔曼滤波算法;结合信息论传感器管理方法和协方差控制传感器管理方法的优缺点提出了一种新的传感器分配准则.对比仿真实验表明,这种新的传感器管理方法能对传感器进行良好的管理,减小通信受限所带来的干扰;相比传统的传感器管理方法,传感器分配更为合理.     

扩展卡尔曼滤波在目标跟踪中的应用研究

扩展卡尔曼滤波在非平稳矢量信号和噪声环境下具有广泛的应用,针对机动目标运动模型的特点,采用基于扩展卡尔曼滤波的算法对运动目标进行跟踪处理,该算法首先建立了运动目标的状态模型和观测模型,然后对观测数据进行滤波和误差估计处理,最后通过计算机的蒙特卡洛仿真得到了滤波轨迹和运动目标的距离和角度误差,仿真结果表明,扩展卡尔曼滤波算法具有很好的目标跟踪性能.     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

红外目标精跟踪方法的研究

本文提出了一种直接把红外前视传感器的输出作为测量值来跟踪红外目标的扩展型卡尔曼滤波跟踪算法。在滤波处理时,设置可变的测量矩阵,其目的在于提高运算速度和抑制噪声干扰。通过具体的实例,对所提跟踪算法的特点和有效性进行了细致的分析。     

二维联合特征模型的自适应均值漂移目标跟踪

为了提高自适应均值漂移(CamShift)跟踪方法的跟 踪性能,提出了一种利用色度-微分二维联合特征建立目标模型的 改进CamShift跟踪方法。对每个像素8邻域的色度进行差分计算,最大差分值作为该像素的 微分值,用以 描述像素的相对位置信息和图像的细节信息;根据目标模型的色度-微分二维特征联合直方 图,利用反向投 影获得跟踪图像的色度-微分二维特征联合概率分布图,以减少单独特征建立模型时所产生 的冗余信息的干 扰;利用均值平移方法在跟踪窗内实现目标的定位。对目标尺寸的过大更新加以限制,防止 过多背景信息 干扰目标识别的准确性。仿真实验结果表明,本文方法跟踪性能稳定,当目标与背景相似, 或者背景中出现 与目标相似的干扰区域时,都能实现目标的有效跟踪,提高了CamShift跟踪方法的适 用性,单帧图 像的处理时间小于30ms,满足跟踪系统实时性的设计要求。     

复杂背景下兼顾跟踪实时性和跟踪精度的目标跟踪技术研究

由于将CamShift算法在复杂背景和操作条件下应用于视频跟踪,跟踪失败和目标损失的现象将非常容易发生。为了提高复杂环境条件下目标跟踪的精度及实时性,本论文提出了一种能够在复杂环境条件下及时对目标对象进行追踪的技术。以颜色、纹理、目标动作信息的全面特性为基础对CamShift算法作出整改完善,通过组合Kalman过滤器预评估目标对象的动作情况,在目标对象受到制约的情况下,使用运转前的目标对象预先信息,对目标对象物体的动作轨迹执行最小平方运算以及外穿推进,同时基于对象物体的位移情况进行定位信息的预测评估,以助于恢复目标的定位信息直到制约情况结束。经多次实验,相关统计数据表明,这一算法能够用于复杂情形的环境条件下,且当目标对象处于短期闭塞情况下依然能达成目标的连续稳定追踪,在性能上具备出色的实时性。     

复杂环境中车辆检测与跟踪方法的研究

提出了一种在复杂环境中车辆检测与跟踪方法。该方法首先分析车辆的外形特点,确定采用从Blob块提取的几何形状参数作为车辆的特征并用于运动车辆的检测;然后结合Blob分析和CamShift算法提出了车辆跟踪方法。实验结果表明,本文采用的车辆特征参数能够准确地检测车辆,并能准确地区分车辆和行人群体,车辆检测与跟踪准确率分别达到了96.7%和86.7%,证明该方法适用于复杂环境下车辆的检测与跟踪应用要求。     

基于摄像机运动控制的实时对象检测与跟踪算法

提出了一种基于摄像机运动控制的实时运动对象检测与跟踪算法.该算法首先采用非参数核密度估计方法在复杂的动态背景条件下检测运动对象区域;然后由CamShift算法计算跟踪目标的位置,并采用Kalman滤波预测对象的运动信息来控制摄像机的运动,能够准确地跟踪对象并有效解决了背景中的部分遮挡问题.在SonyRZ25网络摄像机上完成了对象的实时检测与跟踪,对多个室内和室外场景的实验验证了所提出方法的实用性和有效性.     

基于卡尔曼和图像信息量的Mean Shift改进跟踪算法

Mean Shift算法在目标实时跟踪领域取得了广泛的应用,但是对于速度过快或尺度变化大的目标跟踪存在较大的缺陷.提出了一种基于Mean Shift和Kalman预测带宽的自适应跟踪算法.该算法提出以Kalman预测目标在下帧中的中心位置作为Mean Shift迭代初始位置;同时引入图像信息量度量方法以适应目标的尺度变化.实验结果表明,改进的跟踪算法能很好地跟踪尺度变化的目标,跟踪效果很好.     

基于粒子滤波的空-地目标跟踪算法

针对空-地目标跟踪中目标大幅度变速运动而引 起的跟踪失败问题,基于Kristan等人提出的双步(TS)动态模型框架,对空-地目标跟 踪中目标运动特点进行分析与建模,改进TS模型中 的保守模型以适应加速运动,提出适于描述大幅度变速运动的加速度双步(TSA)动态模型作 为粒子滤波(PF)跟踪算法的动态模 型,实现对粒子状态的精确预测,进而达到使用较少粒子即可对目标鲁棒跟踪的目的。对空 -地目标跟踪的测试视频进行测 试,结果表明,本文算法可对大幅度变速运动目标稳定跟踪,正确跟踪率为92%,对目标 尺寸约为25pixel×30pixel时的处理帧率为29frame/s。本文算法具有较好的鲁棒性与实时性。     

一种基于粒子滤波的自适应运动目标跟踪方法

该文提出了一种基于粒子滤波的自适应运动目标跟踪方法。均值漂移算法是一种最优梯度下降法,通过迭代来搜索目标,从而实现对运动目标的跟踪。而粒子滤波是一种在非线性和非高斯情形下进行跟踪的强有力方法。该文首先对图像的直方图进行改进,提出了一种基于统计直方图分布的目标模型,然后通过这个模型将这两种方法有效地结合起来。根据跟踪的过程,自适应地调整参数,能够较好地处理图像序列中由于光线变化或遮挡所带来的影响。实验证明,该文所提出的方法与均值漂移方法相比,即使在复杂的情形下,也能够准确地对目标进行跟踪。     

基于CamShift的压缩跟踪方法

针对压缩跟踪算法在目标旋转、尺度变化的情况下,容易出现跟踪漂移和跟踪失败的问题。本文采用改进的CamShift和压缩跟踪算法相结合的方法从不同角度对目标位置进行预测;然后,根据目标大小对跟踪窗口尺度进行自适应调整;最后,利用前后两帧图像的匹配程度自适应更新参数,提高算法的准确性。测试结果表明,本文算法不仅在目标外观变化的情况下具有较好的鲁棒性,而且在目标受到相似色干扰、遮挡和出现运动模糊时,仍能准确实时的跟踪目标。     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。