基于SIFT特征匹配算法的目标跟踪及视频采集与传输研究

为了有效解决复杂背景情况下运动物体的跟踪问题,提出了一种基于SIFT特征匹配算法的目标跟踪方法。通过构建Do G尺度空间、FIFT特征点检测、特殊点描述子算法、特征点匹配将参考图像和待匹配图形进行SIFT特征点匹配,实现目标跟踪;并通过视频采集模块和无线传输模块将采集的目标图像进行无线传输。实验结果表明:SIFT特征匹配算法可对复杂环境中的目标信息进行有效跟踪。     

采用形态学算子的运动目标检测跟踪方法研究及实现

针对背景动态变化的场景,提出了一种基于全方位视觉的运动目标检测跟踪方法.采用统计方法建立背景模型,并实现背景模型的实时更新;利用减背景法和改进的二值图像连通域算法实现运动区域提取、分割;引入形态学算子计算目标区域体态比和紧密度,过滤背景干扰物;采用卡尔曼滤波与匹配矩阵相结合实现多个运动目标的跟踪;通过目标在HSV颜色空间中的H值、目标间的欧氏距离和目标相交面积等特征融合,提高目标跟踪的鲁棒性.实验表明,所设计的方法能实现实时准确的运动目标检测与跟踪.     

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换（SIFT）算法的精度和稳定性都不够,而加速鲁棒特性（SURF）算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFF算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。     

基于多摄像机的矿井危险区域目标匹配算法

为了解决多摄像机下矿井危险区域目标行为检测失效的问题,提出基于目标区域的配准算法.采用Lucas-Kanade光流法和基于块的背景运动补偿分别实现静态和复杂背景下的目标区域分割;用DOG对目标区域做尺度空间极值检测获得特征点对,并用主成分分析和尺度不变特征变换(PCA-SIFT)描述子作特征区域描述,在定义的目标区域匹配准则下,通过目标区域匹配度量比较实现匹配并通过基本矩阵约束消除误配区域.结果表明:该算法能够快速有效的实现矿井危险区域(低照度、目标类型复杂)下多摄像机运动目标匹配;与全图做PCA-SIFT匹配算法比较,计算复杂度降低71%～72%.     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.     

成像目标跟踪算法分析

对基于分割的质心跟踪算法、基于提边的差分跟踪算法及特征匹配跟踪算法等主流算法进行了比较分析,引入目标运动的速度、方向、区域面积和长宽等5个特征值,根据它们的相对连续性,分析跟踪算法计算出来的位移视差的可靠性．通过对这些特征值的相应处理,可以加入抗短时遮挡功能,从而大大提高正确跟踪目标的概率．     

一种基于深度信息的人头检测方法

针对目前人头检测方法对光线变化敏感和易受阴影干扰的问题,提出了一种基于深度图像的人头检测方法.首先通过运动目标检测,得到运动人员所在区域;然后对该区域使用改进的立体匹配算法,该匹配算法对传统的WTA匹配算法进行改进,只对强纹理点进行匹配,对弱纹理点只进行视差验证,并根据三角投影原理计算出深度图.由于深度图中人员与周围场景的深度分布不同,根据深度分布将人头区域提取出来,得到候选区域,最后将候选区域经过形态学运算并根据区域轮廓的特征来判断是否为人头.实验结果表明:该方法在不同光线环境条件下的检测正确率为94%以上,误检测率仅为5.77%,检测精度高,对光线和阴影的抗干扰性良好,能够很好地适应复杂环境.     

基于SOPC的实时运动目标检测与跟踪系统

设计了一种以FPGA为核心处理器件的实时运动目标检测与跟踪系统,采用基于累积差分更新的背景减除法检测运动目标,卡尔曼滤波和直方图匹配算法对目标进行跟踪。实验结果表明,该系统能对静态背景视频序列中的运动目标实时有效地进行检测和跟踪。     

变电站场景下运动目标的检测和跟踪方法

在遮挡物较多的变电站场景下, 传统的目标跟踪算法容易出现人员跟丢、身份变换、目标被遮挡无法识别等情况, 无法做到对目标的准确实时跟踪。针对此问题, 提出了融合度量学习与卡尔曼滤波的变电站运动目标跟踪方法。首先, 采用融合多尺度特征的YOLOv3算法检测目标, 利用带权值的匈牙利算法匹配目标的历史运动轨迹; 然后, 通过卡尔曼滤波进行轨迹预测, 并应用度量学习匹配预测轨迹与历史运动轨迹, 结合目标外观特征信息, 以实现变电站内运动目标的跟踪; 最后, 以变电站场景下的人员为例进行实验, 结果表明, 人员跟踪准确率高, 且能满足变电站应用场景下的鲁棒性和实时性要求。     

基于Kalman预测器的多特征Camshift运动目标跟踪算法

基于色度特征的Camshift算法在运动目标颜色特征与背景颜色特征差别不大或目标附近有与目标色度相近的物体时,往往会失去跟踪目标或者跟踪目标不准确.据此,提出一种基于Kalman预测器的多特征融合的Camshift运动目标跟踪算法,将色度特征和梯度方向特征结合起来,利用综合直方图实现目标跟踪,并针对运动目标突然加速导致目标跟丢的情况,采用Kalman预测器预测运动目标在下一帧中可能出现的位置,再用Camshift算法搜索目标中心,提高搜索的实时性.实验表明,该改进算法有效地解决了原有算法存在的问题,提高了目标跟踪的速度与精度,满足了实时性要求.     

基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

融合运动信息和跟踪评价的高效卷积算子

针对基于方向梯度直方图与颜色命名的高效卷积算子(ECO-HC)算法缺少跟踪质量评价和滤波模板更新监督机制的问题,提出融合运动信息和跟踪评价的高效卷积算子. 将卡尔曼滤波器加入ECO-HC跟踪定位框架对目标执行联合跟踪,设计高置信度判别指标评价ECO-HC对每帧图像的跟踪效果,使用原始跟踪结果和卡尔曼滤波预测值的加权融合值,修正不满足判别指标的跟踪结果. 在滤波模板隔帧更新策略的基础上,加入当前帧跟踪结果质量评价信息,当2个条件同时满足时执行模板更新. 依托公开数据集OTB-2015评估算法性能,结果显示改进算法整体跟踪精确度、成功率和跟踪速率均优于原算法,在运动模糊、低分辨率、离开视野场景中的精确度分别提高3.0%、3.5%和2.8%,成功率分别提高3.8%、2.1%和4.0%. 改进算法在保证实时性的同时,有效提升了复杂场景下的跟踪效果.     

基于多高斯相关滤波的实时跟踪算法

针对分层卷积特征目标跟踪算法实时性不足和单分类器对目标表观变化适应能力差的问题,提出多高斯相关滤波器融合的实时目标跟踪算法. 为了加快跟踪算法,提取VGG-19网络的Pool4和Conv5-3层的多通道卷积特征,通过稀疏采样减少卷积特征通道数;为了防止特征减少造成精确度下降,利用不同高斯分布样本训练多个相关滤波器,并对所有分类器预测的目标位置进行自适应加权融合,提高算法对目标姿态变化的鲁棒性;采用稀疏模型更新策略,进一步提高算法速度,使算法具有实时性. 在OTB100标准数据集上对算法进行测试,结果表明,该算法的平均距离精度为86.6%,比原分层卷积特征目标跟踪算法提高了3.5%,在目标发生遮挡、形变、相似背景干扰等复杂情况时具有较好的鲁棒性;平均跟踪速度为43.7帧/s,实时性更好.     

基于锁角环路的空间多目标跟踪算法

为了解决传统的移动多目标跟踪计算量大、实时性差的问题,针对阵列天线提出一种基于锁角环路的多目标跟踪算法.该算法利用正交波束空间矩阵,对多个目标的分布范围进行初始定位,并以此作为锁角环路的初始状态;在得到方位的粗估计后,采用基于空间相关器的锁角环路,对快速移动目标源进行自适应的实时跟踪,该算法既保证了环路在任意初始状态下都能进入锁定状态,又提高了环路的跟踪性能.仿真表明：该算法在跟踪多个空间目标时不但具有较高的精度,而且有很好的实时性.同基于PASTd的跟踪算法相比,在性能相近的条件下,有效地降低了计算复杂度.     

自适应上下文感知的目标追踪方法

针对相关滤波方法容易受到背景干扰导致跟踪漂移的问题,提出自适应上下文感知图像跟踪方法. 为了减少背景干扰,选取离目标位置远的高响应区域为自适应上下文区域,赋予该区域自适应的低响应值. 根据上下文区域与目标区域响应的相对差值,给上下文区域自适应的惩罚因子,使得该算法具有更好的鲁棒性. 该算法在OTB2013、OTB2015及Temple-Color128标准数据集上都展现了优秀的跟踪性能,OTB2015的重叠率精度达到61.53%,超过大部分已有的优秀算法,特别是在背景混叠及部分遮挡的情况下有着更卓越的表现. 该算法的平均跟踪速度为24.5帧/s,实时性较好.     

基于改进YOLOv3模型的交通视频目标检测算法研究

针对现有的基于YOLOv3的目标检测算法在多尺度目标检测上存在速度与精度难以平衡的问题,在已有算法的基础上改进形成新的YOLOv3多尺度目标检测算法. 该算法首先通过k-means++聚类为各个尺度选择候选锚框的数量和长宽比维数,有效降低原始算法在初始聚类点所造成的聚类偏差; 其次将YOLOv3的检测尺度从3扩展到4,以提高对不同尺度下目标检测的精度; 最后为避免梯度衰落,将检测层前的6个卷积层转换为2个残差单元. 在UA-DETRAC数据集上的实验结果表明,该方法比原始YOLOv3的准确率和召回率分别提高了7.91%和4.57%,同时此算法的处理速度可实现对交通视频的实时处理.     

恶劣环境下多目标实时跟踪算法研究

提出一种在恶劣环境下能实时进行多目标跟踪的方法,相比于目前的监控系统,该方法能够更加精确地跟踪场景中的入侵目标,并且算法效率有了较大提升。首先,在动态背景建模codebook作为背景建模算法的基础上,对背景更新方法进行改进,使前景检测准确率相对于原算法有了很大提升,并且在主要性能上优于其他的主流背景建模算法。其次,本研究选用粒子滤波算法作为多目标跟踪方法,对重采样方法进行了较大改进,使之能在实时环境下保持粒子的有效性和多样性。实验证明该系统构建有较好效果,能在实际恶劣场景下进行多目标跟踪,并保持较好的检测和跟踪效果。     

相关跟踪算法在水下高速运动体识别中的研究

针对水下高速运动体试验图像背景灰度分布不均、信噪比低、对比度下降明显以及图像效果差等缺点,采用一种基于特征相关系数作为相似性度量准则的相关跟踪方法,克服了传统算法易受图像中噪声、局部遮挡等因素影响的缺点,该算法相对于传统算法计算量降低,提高了系统的运算速度.帧间图像像素变化率快,因此仅仅用某种固定的模板进行相关跟踪容易导致失配甚至失去目标,进而又提出一种行之有效的模板更新方法,使得跟踪算法对环境的适应能力和稳定性得到较大提高.实验结果表明,该算法跟踪精度高、速度快、稳定性好,满足实时性系统的要求.     

AUV平面直线航迹跟踪控制算法

针对自主水下航行器（AUV）在平面直线航迹跟踪过程中的航迹超调问题,设计基于航向航速双闭环运动控制的航迹跟踪控制算法. 跟踪算法以视线导引法（LOS）为基础,设计时变前视距离提高AUV的机动性,并以一阶惯性滤波抑制因航向切换产生期望航向角的阶跃变化. 控制算法采用抗积分饱和PID控制及参数自适应,以增加算法的鲁棒性,并将航向航速控制设计成双闭环,使得 AUV航行时期望航迹段终点的距离偏差实时调整期望航速. 结果表明,此航迹跟踪控制算法根据距离偏差调节实时航速,可使AUV提前减速以低速转向,抗积分饱和可避免航速超调,参数自适应以适应多种航行工况. AUV能准确跟踪期望航迹,最大航迹偏差小于1.0 m,并且大角度转向时可有效减小航迹超调.     

基于通道可靠性和异常抑制的目标跟踪算法

针对时空正则目标跟踪算法无法有效利用特征,为了缓解边界效应扩大搜索区域导致的滤波器倾向于从背景中学习的问题,提出基于通道可靠性和异常抑制的目标跟踪算法. 构造通道正则项,在训练阶段求解不同特征通道对应的权重,实现对不同特征通道的加权,降低通道冗余并提高定位精度.在目标函数中加入异常抑制正则项,约束当前帧的响应图,实现滤波器模型的平滑约束. 利用交替方向乘子法将求解目标问题转化为求滤波器、辅助因子以及通道权重的最优解. 将所提算法在OTB2015、TempleColor128以及UAV20L公开数据集测试并与其他跟踪算法进行对比. 实验结果表明,所提算法在快速运动、光照变化场景中的跟踪效果稳定,基本满足实时性要求.