基于直方图的Snake视频对象跟踪算法

提出了一种基于直方图的Snake视频跟踪算法。该算法是基于相邻帧中对象在直方图信息上的一致性前提条件下，采用Level Set曲线演化算法来实现的。由于它在Snake能量函数中引入了全局统计特性——直方图信息，从而克服了过去采用均值、方差或运动矢量等局部特征的Snake跟踪算法中的局限性。通过此算法与基于局部特性的Snake跟踪算法的对比实验可以看出，该算法在实际跟踪效果方面有很好的改善。     

结合SIFT校正的视频对象鲁棒水印

提出一种结合尺度不变特征变换(SIFT)特征点校正和时空域视频对象分割的视频对象水印算法。该算法采用时域和空域结合的方法分割出视频对象,将水印嵌入在视频对象的离散余弦变换域中。在嵌入前提取并注册视频对象的SIFT特征点,在水印检测时,通过与注册机构中特征点集的匹配和计算对视频对象进行几何校正,提取出水印信息。实验结果表明,该算法能够较好地保护视频对象,对几何攻击和常见信号处理攻击具有鲁棒性。     

光电跟踪中实时视频对象分割算法

光电跟踪系统研究中难点的问题是实时跟踪目标.针对光电跟踪系统所跟踪的空中目标在视频序列中的特性,将整个跟踪过程划分为远距离段、航前(后)段、航捷段.然后对远距离航段,采取一种弱小目标的动态规划检测算法,及时发现并跟踪目标;在航前(后)段,采取一种基于自适应双波门的视频对象分割算法分割出运动目标,计算出目标形心与跟踪物镜的角偏差,以偏差作为光电跟踪伺服系统的输入信号,驱动跟踪器跟踪目标;在航捷段,将每帧视频变换为一组分辨率从高到低类似金字塔式的分层框架,对目标采取从粗到细的方式进行分割,以实现视频对象占据大部分视窗时的目标快速、准确分割.通过实例验证了所提出的算法的有效性.     

基于视觉的增强现实运动跟踪算法

增强现实系统不仅具有虚拟现实的特点同时具有虚实结合的新特性，为实现虚拟物体与真实物体间的完善结合，必须实时地动态跟踪摄像与真实物体间的相对位置和方向，建立观测模,墼是而通过动态三维显示技术迅速地将虚拟物体添加到真实物体之上，然而目前大多数增强现实系统的注册对象均匀静物体，运动物体的注册跟踪尚很少有人涉足。该算法通过标志点的光流场估计真实环境中运动物体的运动参数，根据透视投影原理和刚体的运动特性确定摄像机与运动物体间的相对位置和方向，实现增强现实系统的运动目标跟踪注册。该算法构架简单、实时性强，易于实现，扩展了增强现实系统的应用范围。     

增强现实中的混合跟踪算法研究

单一的跟踪方法存在较大的局限性,为提高增强现实中跟踪环节的实时性和准确性,针对视觉跟踪和磁力跟踪的特点进行研究,提出了一种基于自适应粒子滤波的混合跟踪算法,用于对头部运动轨迹估计。该算法通过分析系统状态,自适应地融合多传感器数据,并建立相应的状态转移模型和系统量测模型;另外,该算法能在非线性非高斯的环境下动态地改变滤波器的粒子数和噪声方差,最终实现对头部运动轨迹的实时、正确估计。实验结果表明,该算法能有效地提高基于视觉和磁的混合跟踪的鲁棒性和运动估计的准确性。     

基于SURF的增强现实标识物跟踪注册

针对基于标识物的增强现实跟踪注册方法对复杂环境的适应能力和鲁棒性的不足,提出一种用SURF实现标识物跟踪注册的改进算法。用SURF对平面标识物的特征点进行检测与描述,采用K-means算法对检测出的标识物特征点集合进行聚类分析得到其聚类中心,结合对视频图像中标识物的阈值分割与连通域分析,以聚类中心构建标识物的SURF特征点坐标系,通过矩阵变换实现标识物的跟踪注册。实验结果表明,该算法的增强现实系统具备较好的鲁棒性、稳定性和实时性。     

增强现实中的跟踪技术

增强现实是一种正在发展的新技术,它将由计算机产生的虚拟场景或信息准确叠加到真实环境中,可以增强用户对真实世界的感知与交互能力;对用户视场及视点的跟踪是增强现实中实现虚、实场景配准的关键技术之一;通过对增强现实中跟踪技术性能要求的讨论,介绍了基于磁场、声学、惯性、光学传感等多种跟踪技术,分析了各种方法的跟踪性能与局限性,认为以基于视觉跟踪为主的混合跟踪技术将是增强现实系统的主流跟踪技术,重点论述了基于视觉的跟踪与基于视觉一惯性的混合跟踪技术及其有待解决的问题,并针对户外增强现实中的跟踪技术做了专门讨论。     

视频透视增强现实系统中的运动模糊研究

针对Radon变换对增强现实运动模糊中短模糊尺度无效的问题,提出一种将Radon变换和Canny边缘检测相结合,并基于视频透视的虚拟物体运动模糊模拟算法。采用Canny边缘检测和Radon变换方法,获得点扩散函数参数和基于GPU实现运动模糊的实时渲染。实验结果证明,该算法在视频透视增强现实系统中,对于长短模糊尺度都能较好地模拟运动模糊效果,从而实现虚实场景的无缝融合。     

基于SIFT的自动初始化VVS跟踪算法

用于解决传统摄像机位置自动初始化的SIFT特征匹配方法计算量较大,比较复杂.在基于虚拟视觉伺服(VVS)跟踪算法基础上,应用尺度不变特征变换(SIFT)方法提取SIFT特征向量,采用基于KD树的最近邻搜索实现特征匹配,最后用线性位置算法计算出摄相机初始位置,降低了算法的时间复杂度,提高了算法的效率.     

增强现实跟踪预测方法研究

为提高增强现实系统中标记跟踪注册的实时性,本文基于视频帧图像块匹配运动估计方法,通过连续帧间运动相关性预测标记运动方向,在预测方向区域检测标记,降低了全帧检测标记的时间复杂性。基于 ARToolKit,验证了本方法可显著提高标记跟踪的时间性能。     

融合目标检测和空间投影的增强现实方法

实现对固定目标物的注册跟踪方法中, 目前最常使用预制标识物的方法, 或者需要使用集成深度摄像头等配件的专业AR设备, 成本较高. 针对现有方法的缺陷, 提出一种融合目标检测和空间投影算法的简单协作式混合跟踪注册技术, 先通过深度学习算法进行目标检测得到目标物类型, 再利用传感器位姿信息通过空间投影算法确定目标物ID, 从而提高了虚拟信息叠加在真实场景中的匹配度和准确性. 基于此算法实现了智慧物联基础设施维护的增强现实应用, 并对灯杆、垃圾桶等目标物进行了实验. 实验结果表明, 本方法可以在普通智能手机及AR眼镜上运行, 取得了预期效果, 也避免了预制标识物, 降低了对硬件资源的要求.     

基于模板跟踪的实时无标志点注册算法

为了解决不依赖于标志点的增强现实系统的环境注册问题,提出了一种基于选定模板跟踪的无标志点注册算法。该算法使用已标定的单目摄像机进行场景捕捉,通过对运动目标上的选定模板进行实时跟踪,获得每帧场景图像中的对应特征,利用透射投影变换计算运动区域的单应性约束后,再结合摄像机内参数,完成对目标的3维姿态估计,从而得到场景的3维环境注册信息。实现了一种基于该算法的无标志点的增强现实系统。介绍了系统结构和工作流程,试验结果验证了理论的正确性和系统的鲁棒性。     

一种视频目标轮廓跟踪的新算法

对双前沿活动轮廓模型进行了改进，提出一种鲁棒的视频目标轮廓跟踪新方法。通过限制支撑区域的大小，提高了演化速度。拟气球力的引入，既解决了因支撑区域限制导致的均匀区域内演化停滞的问题，又使参数调整更加容易，跟踪更加灵活。能较好地跟踪运动速度变化较大和形变较严重的目标，处理速度较快、并能自动适应目标拓扑的变化，适用于动态背景的视频。实验结果证明了该算法的高效性和鲁棒性。     

面向视频目标的快速稀疏编码跟踪算法

关于稀疏编码的研究在最近几年成为许多研究领域的焦点,已有学者将其引入视频目标跟踪问题中。在贝叶斯推理框架下,基于l1-跟踪子能较好地处理目标物在视频场景中的各种复杂变化,达到较为鲁棒的跟踪效果,但算法复杂度高,很难进行实时跟踪。对原始l1-跟踪子在稀疏编码的过完备基构造,对目标物出现各种复杂变化的处理方式以及目标物模板的更新这三个方面进行了改进,设计了无需更新目标模板的高速跟踪方法;并通过大量比较实验,验证了该方法的跟踪精度与原始l1-跟踪子相似,但跟踪效率远高于l1-跟踪子,达到了实时跟踪的效果。     

适用于户外增强现实系统的混合跟踪定位算法

单一传感器无法解决户外增强现实系统中的跟踪定位问题.为了提高视觉跟踪定位算法的精度和鲁棒性,提出一种基于惯性跟踪器与视觉测量相结合的混合跟踪定位算法.该算法在扩展卡尔曼滤波框架下,通过融合来自视觉与惯性传感器的信息进行摄像机运动轨迹估计,并利用视觉测量信息对惯性传感器的零点偏差进行实时校正;同时采用SCAAT方法解决惯性传感器与视觉测量间的时间采样不同步问题.实验结果表明,该算法能够有效地提高运动估计的精度和稳定性.     

基于SIFT特征的抗遮挡目标跟踪算法

针对多目标跟踪过程中目标易丢失的问题,提出一种基于尺度不变特征变换(SIFT)特征的多目标跟踪算法。利用SIFT特征集,通过设置目标特征留存优先级,实时更新特征集,保存目标近几帧的稳定特征。对于半遮挡导致的物体丢失现象,提出一种根据匹配特征位置关系进行目标分离的方法,可有效标定遮挡发生时的各个目标。该算法无需目标的先验信息,通过留存优先级即可较稳定地跟踪多个目标。实验结果证明其对目标遮挡、尺度变化及形变具有较好的容错性和跟踪鲁棒性。     

基于增强现实的头部跟踪系统的设计与实现

该文以提出一种对设备要求较低、较易实现、更符合"以人为中心"理念的交互方式为出发点,以普通摄像头作为输入设备,基于计算机视觉技术,设计了简单的头部跟踪系统,实现上以增强现实技术为核心,结合了ARToolKit和Coin3D两个开源库的优点,大大降低了开发成本.实验中本系统在Vega构建的视景仿真环境中得到了良好的应用,...     

一种有效的体育视频目标跟踪算法

论文研究了面向体育视频的运动目标跟踪技术,提出了一种最优化的混合跟踪方法。首先,采用粒子滤波算法来预测运动目标的初略位置,通过比较预测位置上的目标同目标模型之间的相似度,当相似度小于一定的阀值时,认为目标运动模型发生了根本变化,需要启用新的运动模型;当相似度大于一定的阀值时则认为目标运动模型没有发生大的变化,不需要启用新的运动模型,通过这种方式找到目标的最优化运动模型。最后将最优化的运动模型用于基于核的均值转移算法中,从而获得运动目标的精确位置。