基于颜色纹理特征的均值漂移目标跟踪算法

针对经典均值漂移跟踪算法采用单一的颜色特征对目标进行跟踪检测存在的不足,提出一种将纹理特征与颜色特征相结合的改进均值漂移目标跟踪算法.该算法首次提出特征联合相似度的概念,通过均值漂移算法联合相似度的最大化计算,正确快速地获取新一帧图像跟踪目标的位置.实验结果表明,该算法具有更高的可靠性,同时满足一般目标跟踪任务的实时性要求.     

一种无人机航拍目标的长期跟踪算法

针对无人机在航拍目标跟踪的复杂场景过程中,运动目标可能会被遮挡或不确定跟踪,导致视觉模型出现逐渐损坏、漂移和不可逆转失败等问题,提出了一种无人机航拍目标的长期跟踪算法.首先,进行互补分类器多特征自适应融合设计,在贝叶斯分类器中采用颜色直方图特征,在相关滤波器中采用方向梯度直方图、灰度以及颜色名特征;结合多种特征的优点,...     

基于伪线性卡尔曼滤波的两站红外无源定位及跟踪技术

建立了目标的两站红外搜索与跟踪系统的伪线性观测模型，基于该模型提出了运动目标的伪线性卡尔曼滤波算法．该算法利用伪线性方程组获得滤波器的初值，从而提高了滤波器的跟踪精度和速度．分别采用伪线性卡尔曼滤波器与推广卡尔曼滤波器对目标进行定位及跟踪的仿真结果表明：在跟踪初始阶段，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波．在近距离范围，不论目标是匀速还是机动运动，两者的跟踪精度都非常高．在远距离范围，当目标机动时，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波；当目标匀速运动时，推广卡尔曼滤波的跟踪精度略优于伪线性卡尔曼滤波．从整个仿真过程可以看出，目标的运动形式对推广卡尔曼滤波性能的影响是非常明显的，而对伪线性卡尔曼滤波性能的影响则很小．     

动态场景下的基于SIFT和CBWH的目标跟踪

针对动态背景下的目标跟踪,提出了基于SIFT特征和CBWH特征的卡尔曼跟踪算法。算法利用卡尔曼滤波器预测目标的大概位置;在所在位置区域内提取SIFT特征,与第一帧和前一帧进行特征匹配,并投票获得候选目标位置;利用CBWH特征获得目标可能位置;将二者位置加权对卡尔曼滤波器预测值进行修正,得到目标位置。实验表明,所提算法取得了较好的实验结果。     

视频运动目标检测与跟踪算法研究及OpenCV实现

针对固定场景,给出了一种视频运动目标检测和跟踪算法.利用混合高斯建模的背景差分法,在复杂背景条件下提取出运动目标,并采用颜色直方图模型为特征的均值平移法,对目标进行跟踪.经OpenCV编程测试,算法可以准确地跟踪运动目标.     

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明：所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的...     

基于均值漂移的快速模板匹配算法

提出了一种基于均值漂移和模板匹配的目标跟踪算法。算法工作时分为预测、模板匹配与目标定位及模板更新3个阶段。在预测阶段,结合上一帧跟踪得到的目标位置,利用均值漂移方法对目标位置进行预测,并以预测位置为中心、以相应的大小为覆盖范围定义模板匹配的搜索波门;在模板匹配阶段,采用快速模板匹配算法,将目标模板与搜索波门进行由粗到精的快速匹配,并计算所得匹配结果与目标模板的匹配程度,如果该匹配度大于给定的阈值,则将快速模板匹配的结果作为当前帧图像的跟踪结果,否则,以均值漂移算法预测的目标位置作为当前帧图像的跟踪结果,最后由当前帧的跟踪结果控制模板更新过程以更新目标的模板,最终完成对目标的稳定跟踪。同时该算法结合颜色和边缘特征对旋转、变形不敏感的优点提高跟踪的鲁棒性。该方法运算速度快,准确度高,能够满足实时性要求。     

基于视频检测的卡尔曼滤波车辆跟踪算法及行为分析

采用基于目标检测的运动目标跟踪策略,首先用时间差分法进行运动目标检测,获得运动目标的初始位置;然后采用卡尔曼滤波器预测运动目标下一时刻所在的位置,再利用运动目标检测的结果评估和矫正预测结果,获得运动目标的准确位置,并依据跟踪结果进行车辆的行为分析.实验结果表明,本方法可有效地解决运动目标部分遮挡及短时间全遮挡下的可靠跟踪问题.     

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算 法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声 的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表 明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。     

基于卡尔曼预测的视频目标实时跟踪

在视频目标跟踪中,搜索区间大小直接影响着跟踪的速度和效率.现采用图象坐标系下的卡尔曼滤波预测来指导跟踪,设计了卡尔曼滤波器,对被跟踪目标的运动参数(位置,速度,加速度)进行滤波预测.缩小了搜索区间(减至为匹配模型的大小),提高了系统的实时性和跟踪精度.实验结果表明:在对大运动和大运动大机动两种视频目标的跟踪中,耗时仅为全局搜索的1/4,精度可达3像素以内.     

基于改进边缘化粒子滤波器的机动目标跟踪

为解决边缘化粒子滤波器(MPF)无法估计线性状态的难题,提出了一种改进的MPF目标跟踪算法,采用状态的预测值作为卡尔曼滤波器的量测更新,用卡尔曼滤波器估计目标的速度和加速度;用粒子滤波器(PF)估计目标的位置信息.仿真结果表明改进的MPF在保证目标状态估计精度的同时,降低了PF算法的计算复杂度,克服了PF的退化现象,较好地解决了闪烁噪声下的机动目标跟踪难题.     

运动目标追踪的人工鱼群优化粒子滤波算法

为了进一步提高视频图像序列中的运动目标追踪精度,在扩展卡尔曼粒子滤波中引入人工鱼群算法,利用人工鱼群算法优化采样过程,使粒子不断朝高似然区域移动来寻找最优位置;然后对重采样过程优化,提高样本多样性,克服粒子样本贫化问题,提高对系统状态的预估精度;最后以颜色直方图特征描述运动目标,结合目标的运动特征建立游走模式的二阶自回归模型,以提高运动估计精度.对比标准粒子滤波(PF)、扩展卡尔曼粒子滤波(EKPF),人工鱼群优化扩展卡尔曼粒子滤波算法(AFSA-EKPF)能够将滤波结果均方误差的均值和方差分别降低至0.113 86和0.003 09,同时在追踪运动目标实验中,能够有效地消除目标遮挡所带来的影响.     

无人机编队视频序列中的多目标精确跟踪

针对无人机编队视频序列中的多目标精确跟踪的要求,使用STK三维建模软件模拟无人机编队飞行视频,通过双差分图像操作、多分辨率连通分支标记算法确定图像中的运动区域.提出了一种改进的贪婪算法,利用已确定的矩形运动区域作为初始轮廓,实现对无人机目标的精确轮廓提取.以运动区域的中心位置为输入,建立在线卡尔曼滤波器组对多目标进行跟踪,并由此提出了如何对多目标中的遮挡问题进行判定、分割的方法.仿真实验验证了文中提出的方法.     

一种基于机器人听觉的多声源跟踪策略

针对多运动声源跟踪问题,提出了一种将波束形成算法和卡尔曼滤波相结合的多运动声源跟踪策略.采用波束形成算法对空间声能量进行搜索计算目标可能的方位,通过不同窗长的并行卡尔曼滤波器预测目标各自在下一时刻的方位,从而获得目标的同一性.仿真与在室内环境下的实际运行结果验证了该方法的有效性.     

一种基于卡尔曼滤波器的彩色目标跟踪方法

提出了一种基于卡尔曼滤波器的彩色目标跟踪方法。该方法首先在YCbCr颜色空间使用高斯模型构建目标颜色模型,根据该颜色模型在图像中进行目标检测,获取目标中心,然后利用卡尔曼滤波预测目标中心在下一帧图像中可能出现的位置,以该位置为中心建立搜索区域,在搜索区域内进行目标检测,计算目标中心位置,同时以该位置作为观测值,进行下一帧预测。实验结果表明,该方法具有较好的实时性和鲁棒性。     

基于运动矢量空间编码的视频监控动态目标检测方法

针对当前视频监控动态目标检测过程中因忽略了目标位置的预估计而导致检测耗时较长、检测误差较大的问题,提出了基于运动矢量空间编码的视频监控动态目标检测方法。通过运动矢量空间编码方法进行背景建模,采用基于卡尔曼滤波器的CamShift目标跟踪算法检测目标,并对下一时刻目标的搜索范围和出现位置进行估计,通过CamShift结合估计结果搜索目标的真实位置,并对目标搜索范围、加速度和速度进行修正,完成视频监控动态目标的检测。实验结果表明,本文方法的视频监控动态目标检测效率高、检测结果准确率高,验证了本文方法具有较强应用性。     

基于强跟踪卡尔曼滤波的陀螺信号处理

针对陀螺传感器测量精度低,严重影响航空光电稳定平台视轴稳定精度的问题,设计了强跟踪卡尔曼滤波器。根据时间序列分析法的基本原理,对经过预处理的陀螺原始量测数据进行AR模型建模,根据该AR模型采用状态空间法设计卡尔曼滤波器,同时为了增强系统的鲁棒性,引入强跟踪算法对卡尔曼滤波中的状态预测方差进行实时调整,构造了强跟踪卡尔曼滤波器。阐述了该算法的理论、原理,并且在某型航空光电稳定平台上进行试验验证。试验结果表明:强跟踪卡尔曼滤波器输出信号的方差减少了44.1%,分散程度降低,同时,相较于巴特沃斯滤波器,最大超调量减少13%,上升时间缩短了3ms,调整时间缩短了37.5ms,使平台具有良好的动态性能。研究表明,强跟踪卡尔曼滤波器可以提高航空光电稳定平台的精度,有较高的实用价值。     

无人机编队视频序列中的多目标精确跟踪

针对无人机编队视频序列中的多目标精确跟踪的要求,使用STK（satellitetoolkit）三雏建模软件模拟无人机UAV（unmanned aerial vehicle）编队飞行视频,通过双差分图像操作和多分辨率连通分支标记算法确定图像中的运动区域．提出了一种改进的贪婪算法,利用已确定的矩形运动区域作为初始轮廓,实现对无人机目标的精确轮廓提取．以运动区域的中心位置为输入,建立在线卡尔曼滤波器组对多目标进行跟踪,并由此提出了如何对多目标中的遮挡问题进行判定、分割的方法．仿真实验验证了文中所提的方法.     

基于分层粒子滤波的地标检测与跟踪

针对直升机运动平台获得的地标图像序列高噪声且帧间位移大等难点,提出一种改进的局部二值模式向量,利用集成学习算法训练分类器区分地标模式和背景模式.采用分层粒子滤波算法有效地结合纹理和颜色2种特征,将地标检测与跟踪有机地融为一体.该算法首先选择似然值均值作为观测值,并利用均值漂移算法将粒子移到高似然值区域,然后选择颜色直方图作为观测,逐步将粒子移向高权重区域,最后通过聚类算法估计地标数目与位置.实验验证了该算法的有效性和鲁棒性.     

基于Unscented信息滤波器的分布式目标融合跟踪

针对无线传感器网络下的非线性运动目标跟踪问题,提出一种基于Unscented信息滤波器的分布式融合跟踪算法。该算法在信息滤波器框架下将Unscented变换与扩展信息滤波器相结合,有效地解决了运动目标和量测的非线性。在网络拓扑结构和通讯带宽的约束下,利用卡尔曼一致性滤波算法对所有传感器节点估计值进行分布式信息融合。仿真结果表明了该算法的有效性和优越性。