基于OpenCV的运动目标定位跟踪系统软件设计

目标定位跟踪技术一直是计算机视觉领域的一个研究热点。为了更好地改进目标跟踪算法的跟踪特性,设计一种基于OpenCV的目标定位跟踪软件系统。通过对Camshift跟踪算法的研究和改进,以实际的跟踪环境为背景,利用VS2008软件平台和OpenCV库函数,设计一种可以控制云台并实时定位跟踪运动目标的软件系统。实验证明,本系统定位跟踪精确,为运动目标的定位跟踪的研究和应用提供了方便,具有一定的实际意义。     

基于块的Mean-shift跟踪算法

针对传统Mean-shift跟踪算法在目标发生遮挡和形态变化时跟踪性能下降的缺点,提出了一种基于块的Mean-shift跟踪算法,该算法主要特点有：(1)将跟踪目标平均分块,每小块独立进行传统Mean-shift跟踪,利用小块跟踪未被遮挡的目标部分;(2)跟踪检测器检测目标小块跟踪的有效性,筛选出无效跟踪的目标小块,解决了目标分块造成跟踪性能下降的问题;(3)归一化互相关检测器和邻域一致检测增加了对目标空间信息的检测,弥补了Mean-shift算法的局限性,增加了跟踪的鲁棒性。实验表明,该算法在目标发生遮挡和形态变化时仍然可以有效的实现跟踪。     

一种背景特征空间相关的跟踪算法研究

针对天空背景红外图像弱小、目标可利用信息特征少,采用通常的几何、纹理等目标特征的时域相关性跟踪算法难以实现连续平稳跟踪的情况,提出了一种基于后处理的弱小目标检测跟踪算法,即利用背景特征的空间相关性实现弱小目标检测,结合前后图像帧中目标灰度特征和运动特征的时域相关性实现了弱小目标的连续跟踪。实验结果证明,该算法对天空背景红外图像弱小目标跟踪稳定可靠,实时性好。     

视觉跟踪技术发展和难点问题的分析

本文介绍了计算机视觉领域里的一种新兴技术即视觉跟踪技术.其中,主要介绍了视觉跟踪技术的产生、发展,同时也提到了跟踪技术中难点问题和解决思路.     

基于Mean shift和SIFT特征的运动目标跟踪方法

针对传统Mean shift跟踪算法对出现遮挡的运动目标定位不准确的问题,提出一种基于Mean shift和SIFT特征的运动目标跟踪方法。首先,用Mean shift跟踪运动目标;其次,采用SIFT特征算法提取Mean shift跟踪区域的SIFT特征和上一帧目标的SIFT特征进行匹配,得到SIFT跟踪结果;最后,对融合Mean shift跟踪结果和SIFT跟踪结果。实验结果表明：提出的算法能有效跟踪遮挡的运动目标。     

拟合修正Kalman滤波在弱小目标跟踪中的应用

文章在目标精确跟踪阶段，引入曲线拟合的方法进行跟踪，根据实际情况提出了拟合权系数的定义和计算公式，可以很好地预测运动方向和抑制抖动。引入Kalman滤波系统思想，提出了适合图像跟踪的目标机动性参数，应用在拟合跟踪中，实现了自适应的跟踪算法。将改进的拟合跟踪和Kalman跟踪做了比较，在分析各自优缺点基础上，把改进的拟合跟踪中和Kalman跟踪结合起来，提出了Kalman修正的拟合跟踪算法，可以较好的解决多目标跟踪中记忆跟踪、交叉跟踪、成像抖动的问题。     

面向多目标的无人机跟踪系统设计与实现

四旋翼无人机因其较高的机动性和灵活性,常用于多目标搜索和跟踪任务。针对目标尺度变化、复杂背景干扰等因素导致的无人机多目标跟踪失效等问题,设计一种基于YOLOv5+DeepSort融合算法的无人机多目标检测与跟踪系统。首先,分析四旋翼无人机动态目标搜索跟踪系统框架结构及工作原理;其次,对系统的硬件组成及软件算法流程进行分析和设计;最后,利用所建立的系统进行数据测试训练。研究结果表明,所设计的无人机多目标跟踪系统能够有效检测并跟踪设定目标,准确度高、抗干扰能力强,跟踪系统可靠、有效。     

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...     

基于分类的视频目标跟踪算法研究

针对视频目标跟踪中的速度和准确度问题,介绍了视频目标跟踪的表观模型和跟踪模型,重点对当前基于分类的视频目标跟踪算法进行了研究。对4种最具有代表性的基于分类的跟踪算法,分别从光照变化、尺度变化、遮挡和复杂背景4个方面进行速度和准确度的定量实验评估,根据实验结果分析各算法的优缺点,为新算法的提出提供参考。     

融合检测技术的孪生网络跟踪算法综述

近年来,基于孪生网络的方法在视觉目标跟踪中取得了巨大的进步,但是这类方法在处理跟踪中的目标状态估计以及复杂场景干扰中仍存在较大的提升空间。随着深度学习在目标检测领域取得的成功,越来越多的研究将其成果用于指导目标跟踪技术的发展。对融合检测技术的孪生目标跟踪算法进行了综述。首先介绍检测和跟踪的联系与区别,同时分析检测技术对改进基于孪生网络的跟踪算法的可行性;然后阐述在不同检测框架指导下的孪生目标跟踪算法,以及使用OTB100、VOT2018、GOT-10k和LaSOT公开数据集对各类算法进行对比和分析;最后对全文进行总结,并对目标跟踪的未来发展方向进行展望。     

基于深度学习的无人机航拍目标检测与跟踪方法综述

基于视觉的目标检测与跟踪方法是当前最火热的研究方向之一。近年来,随着无人机技术的快速发展,利用无人机航拍技术进行目标检测与跟踪也成了研究的热点。对于无人机目标检测,首先探讨了无人机航拍目标检测与跟踪任务的复杂性和难点,并着重介绍了以深度学习为基础的目标检测算法;针对无人机目标跟踪技术,深入探讨了以相关滤波为基础和以深度学习为基础的两种判别式目标跟踪算法;最后,总结并展望了在无人机领域目标检测与跟踪技术的应用前景。     

简易交互式视频目标跟踪技术研究

针对视频目标跟踪中背景干扰和跟踪持续性差的问题,提出了一种简易交互式视频目标跟踪的方法。依据用户提供的初始跟踪窗口,对目标范围进行自动优化,有效地避免了背景信息对跟踪的干扰。针对跟踪偏离目标的情况,结合用户对目标区域的粗定位,利用特征匹配方法快速获取精确的目标位置及范围。实验结果表明,提出的算法有效地剔除了背景信息的干扰,提高了跟踪的准确性,结合简易人工交互信息,实现了跟踪的连贯性和时效性。     

运动目标跟踪技术研究

目标跟踪已经渗透到公安、军事等越来越多的领域,甚至是娱乐应用,开始逐渐进入到家庭中.本文主要介绍运动目标跟踪的概论、运动模板的原理、利用运动模板来捕捉边缘,从而跟踪目标的运动,并通过实验演示了跟踪效果.对运动目标跟踪技术研究具有十分重要的理论意义和应用价值.     

简评基于图像融合的目标识别和跟踪算法

传统的目标识别和跟踪算法都是基于单传感器图像的.随着多传感器图像融合技术的深入发展,其在目标识别和跟踪领域的应用也越来越广泛.评述了基于图像融合的目标识别与跟踪算法,包括融合预处理、融合识别和融合跟踪,说明了图像融合思想在目标识别与跟踪领域的优越性.     

一种改进的CAMShift目标跟踪算法

为了实现复杂背景下对运动目标的快速准确跟踪,在阐述CAMShift算法的原理和实现的基础上,提出一种改进的CAMShift目标跟踪算法。经实践验证,改进的算法可以实现复杂背景下对运动目标快速准确的跟踪,并且跟踪效果很好。     

机动目标跟踪的新算法

机动目标通常不是做恒定的运动,其运动状态会随时间的变化而变化.这就使描述系统运动的状态方程是非线性的,而且系统参数会不断变化.传统的推广卡尔曼滤波适用于定系统定参数的情况,如果运用到机动目标跟踪上会导致误差增大甚至滤波发散.基于此,将强跟踪滤波运用到机动目标跟踪上.强跟踪滤波在卡尔曼滤波的基础上引入了多重渐消因子,使强跟踪滤波具有极强的跟踪能力和较好地鲁棒性,因此可以很好地解决变系统变参数的问题.通过仿真,将强跟踪滤波与UT-BLUE滤波方法和EKF滤波方法进行比较,结果表明了该滤波方法的有效性和优越性.     

基于卡尔曼滤波的机动与非机动目标的定位跟踪

目标跟踪理论在国防、商用等领域都具有重要价值,并且是实现智能交通系统的基础。针对智能交通系统中需要对特定的运动目标进行跟踪和监测的要求,利用卡尔曼滤波算法对目标进行跟踪并对其下一时间的运动位置、运动方向、速度等信息进行预先估算以达到及时监测的目的。通过分别对机动目标和非机动目标的仿真试验,得出了卡尔曼滤波算法可以对运动的目标实现实时跟踪,且非机动目标的跟踪效果要优于机动目标的结论。     

面向地面时敏目标跟踪的多传感器智能切换技术

针对地面时敏目标跟踪问题,提出了一种多传感器组合的智能切换方案。首先结合可能的作战任务需求,对跟踪平台中多传感器集合进行初始配置。然后根据初始配置的传感器集合和不同传感器具有数据互补性的特点完成传感器分类组合。基于当前统计模型的机动目标跟踪算法,给出综合考虑目标跟踪精度和在线运算时间的多传感器组合智能切换目标函数,并计算每一传感器分类组合的目标函数值,同时根据目标函数值实现多传感器智能切换。最后,通过一个仿真实验验证了所提出的面向地面时敏目标跟踪的多传感器智能切换方法的有效性。     

基于多特征融合的粒子滤波目标跟踪研究

针对目标跟踪方法,本研究提出了一种基于运动特征和颜色特征多特征融合的粒子滤波跟踪方法,在颜色直方图描述颜色特征的基础上,融合了目标的运动特征,验证了通过增加对目标特征描述信息,可以提高跟踪健壮性以及可靠性。     

基于辅助粒子滤波的机动弱目标 TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波（ MMPF）相结合的检测前跟踪（ APF-MMPF）算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。