基于MMPHDF的多机动目标联合检测、跟踪与分类算法

针对场景中存在新目标出现、旧目标消失(即目标数目变化)和密集杂波的复杂情形,利用多模型概率假设密度滤波器(MMPHDF)在多机动目标联合检测与跟踪上的优势,加入类别辅助信息,提出了一种多机动目标联合检测、跟踪与分类算法.该算法的基本思想是在MMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,从而改善了目标数目及状态的估计精度;在更新目标状态后,对目标属性信息进行更新,更为精确的目标数目及状态估计又保证了目标分类性能.本文给出了该算法的粒子实现方法.仿真结果验证了上述结论.     

自适应均值漂移算法目标跟踪检测仿真研究

研究运动物体目标跟踪精确度问题,由于存在遮挡和多光源的噪声影响检测精度,而且运动目标的跟踪是在连续的图像帧间创建位置、速度、形状等存在匹配问题。传统的目标跟踪算法由于目标的动态移动速度大,而容易导致跟踪丢失目标。为了解决上述问题,提出了一种改进的基于自适应均值移动(Cam Shift)目标跟踪新算法。主要难点技术问题是提取了多运动目标视频图像,进行了背景分离。算法是一种颜色跟踪算法,根据多次迭代的计算结果,自适应调整图像,实现对运动目标的实时跟踪。仿真结果表明,提出的改进目标跟踪算法的跟踪精度和滤波效果有了较大提高,同时具有较强的鲁棒性能。     

一种基于动态规划的雷达小目标检测方法

在PD雷达检测中,雷达接收到的回波信号的能量相当弱时,用传统的雷达积累与检测方法不能可靠地检测目标.检测前跟踪技术(TBD)是一种多帧信号积累技术,其基本思想是对多帧信号进行处理,先进行目标预测,在此基础上对检测出的目标进行目标跟踪,利用目标的运动特征沿各种可能轨迹积累能量.然后对各个能量积累值进行检测判断,从而检测出真实目标,同时提取出目标的轨迹.研究了一种动态规划应用于雷达小目标检测的方法.     

二维时空域连续小波变换在目标跟踪中的应用

连续小波变换在图像处理尤其是目标跟踪领域中的应用很广,目前在跟踪上运用较多的小波有Gabor小波、时空域Morlet小波等。本文重点说明二维连续小波变换目标跟踪的原理及实现过程,并将二维连续小波变换运用到微小目标以及红外目标跟踪中,取得很好的跟踪效果。     

目标检测与目标跟踪方法研究

目标检测与目标跟踪是数字图像处理领域重要的组成部分,研究从目标跟踪的作用谈起,具体介绍了目标检测与目标跟踪的相关知识。生成式跟踪方法在当前帧对目标区域建模,判别式跟踪方法应用机器学习训练分类器。介绍了基于前景和基于背景的目标检测使用的方法,简述了目标跟踪领域的有关算法,如CSK算法、CN算法、STC算法,分析各算法的特征及其优缺点。最后总结了目标检测与跟踪领域发展的必要性与现今的障碍。     

基于多视角航拍配准的运动小目标检测与跟踪

针对存在3D场景遮挡的航拍视频运动小目标跟踪问题,提出一种基于多视角航拍配准的运动小目标检测和跟踪算法。该算法首先对图像序列间隔采样,利用Harris检测器提取全局特征点,通过Delaunay三角网对待配准图像实现初始匹配,然后利用整合变换模型计算差分图像,并利用累积能量检测出目标,最后通过卡尔曼运动滤波消除运动目标跟踪的抖动。实验结果表明,该算法对城市和郊区场景的航拍视频可以检测出最小30个像素的缓慢运动目标。     

红外小目标检测方法的研究

文章主要介绍了纹理模型驱动的、基于背景分析的小目标检测,基于小波变换的检测以及基于动态规划的红外小目标检测方法,对今后的研究方向作了尽可能全面详细的展望。     

基于动态规划的红外弱小运动目标的实时检测方法研究

文章针对低信噪比下红外弱小运动目标的特点,提出了一种正向动态规划算法。分析了算法的检测性能,并对算法实现中的一些关键问题进行了讨论。实验表明,该算法适应性强,能有效地完成对低信噪比下弱小运动目标的实时检测、识别与跟踪。     

基于UPF的小目标检测前跟踪算法

为提高对复杂环境下小目标的联合检测和跟踪性能,提出了一种基于粒子滤波的小目标先跟踪后检测(TBD)算法.通过粒子滤波对小目标的运动状态和出现状态进行联合采样,并采用Unscented粒子滤波(UPF)方法对TBD算法进行了具体实现.新算法真正将跟踪思想引入到目标检测中去,对小目标的联合检测与跟踪具有灵敏度高,捕获概率和跟踪性能高,对采样粒子数要求低等优点,能有效增强红外搜索与跟踪系统的"边检测边跟踪"能力.     

基于改进KCF的多目标人员检测与动态跟踪方法

针对煤矿巷道光照不足、目标尺度变化剧烈、目标容易被遮挡和矿灯干扰等因素,导致对于井下的目标检测和跟踪存在成功率和准确度低的问题,提出一种基于改进核相关滤波（KCF）算法的多目标人员检测与动态跟踪方法,为避免井下复杂环境中由于光照不均引起检测失败,在改进的KCF算法中引入SSD检测算法,以提升对多目标人员检测能力。(1)读取待跟踪视频序列,使用经过井下数据集训练后的SSD算法检测图像中的目标,若没有发现目标则继续读取下一帧。(2)将检测到的目标放入跟踪器中,对图像进行预处理,通过比较将所有的检测框按照设定的阈值进行打分,并根据分值从高到低依次排列,高分的检测结果直接输出,低分的检测结果用于滤除不良信息,以提升检测速度。(3)通过KCF跟踪预测目标M帧后清空跟踪器,再重新进行目标检测。通过检测算法和跟踪算法的叠加,保证对目标的持续跟踪能力。实验结果表明：(1)该方法最后的损失值稳定在1.675附近,检测结果较为稳定。(2)经过训练后的SSD算法识别精度较训练前的SSD算法识别精度提高了52.7%。(3)该方法对矿井人员检测成功率、跟踪准确率分别为87.9%,88.9%,均高于其他4种算法（...     

一种基于小波分析的弱小目标检测背景预测算法

背景预测是弱小目标检测的有效方法之一。根据弱小目标检测需求,针对现有算法的不足,在分析弱小目标图像特性及其小波分解特性的基础上,设计并实现了一种基于小波分析的弱小目标检测背景预测算法。给出了算法流程,对算法进行了描述,并对算法进行了试验验证,试验结果表明算法具有运算速度快和抑制噪声能力强等优点。     

雷达微弱目标检测的有效方法

针对低信噪比条件下微弱运动目标检测问题,提出了一种基于检测前跟踪的动态规划改进算法,根据雷达图像中包含的来袭目标运动参数信息,预测来袭目标的运动轨迹,并沿着预测运动轨迹积累能量.仿真结果表明,该算法能够较准确地估计目标航迹,计算量较小,在强杂波背景下能较好地检测出低信噪比运动目标,对于威胁预警区域较大的来袭目标能更好进行实时探测.     

基于时空显著性的双核KCF目标跟踪算法

传统的核相关滤波器跟踪算法(KCF)在模板更新上容易出现跟踪误差累计,从而导致目标跟踪过程中出现跟踪漂移问题。针对该问题,提出了一种时空显著性的双核KCF目标跟踪的方法。该算法引入了一种时空显著性方法来搜索目标区域的显著特征和姿态稳定的局部区域。利用该局部区域对跟踪过程中产生的累计误差有较低的敏感度特性,能够减少跟踪过程中的累计误差。然后再结合原目标和显著区域建立一个双核跟踪机制,在跟踪过程中不断对原目标跟踪结果进行微调,降低跟踪累计误差。此外,针对快速运动的目标相邻帧偏移量较大的问题,提出了一种锚点预测机制,使得跟踪锚点与目标位置更接近,能够更准确地跟踪到目标。在大型公共数据上测试的实验结果表明,提出的算法在光照、遮挡、变形、快速运动、旋转以及背景杂波等复杂情况下,均具有较强的适应性。     

基于DSP的序列图像弱小运动目标检测

针对强杂波背景中的弱小运动目标检测问题,在分析弱小目标的运动特性在时频变换中表现出显著差异的基础上,采用两级滤波方法检测运动目标,提出了一种基于DSP的序列图像弱小运动目标检测方法.该方法首先对序列图像进行预处理、设置门限过滤噪声,然后根据目标和杂波的时频特征差异识别出弱小运动目标.实验结果表明,该方法可以很好地抑制噪...     

基于机器学习的小目标检测与追踪的算法研究*

本文提出了基于机器学习的小目标检测与追踪算法DT。算法首先使用多结构闭运算重构对图像进行预处理,然后利用Harris角点检测与改进的多cell、多block的HOG (Histogram of Oriented Gradient)算法结合SVM(Support Vector Machine)对视频帧中的小目标进行检测,最后采用基于改进的孪生网络的追踪算法对检测到的目标进行追踪。实验证明,该方法不仅适用于天空背景,在相对均匀的地面背景下也有一定的追踪能力。而且该算法对于小目标的尺度变化、消失重现等问题具有很好的鲁棒性。     

基于自适应跟踪窗的红外小目标跟踪方法

针对采用固定跟踪窗的传统跟踪方法容易将云层边角等干扰信息纳入跟踪窗,从而影响目标稳定跟踪的问题,提出了一种自适应跟踪窗的算法。在检测到目标的前提下,通过Kalman滤波器动态地改变目标跟踪过程中跟踪窗的大小,以减少跟踪过程中云层等干扰信息对跟踪的影响,并减少算法需要处理的信息量。在真实红外跟踪平台上的实验表明,提出的算法在干扰抑制和运行速度方面都有一定程度的提高。     

基于分数阶积分算子的红外弱小目标检测

针对现有背景抑制算法不能有效抑制背景而导致目标检测率低的问题,提出一种基于分数阶积分背景抑制的弱小目标检测算法.首先通过研究分数阶积分理论,分析分数阶积分非线性、尖锐的低通频率特性,结合分数阶积分和警戒环技术来抑制背景;然后依据目标和背景边缘的空间特征,采用模板均差法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联,从而检测出真实目标.实验结果表明,该算法能有效抑制背景,提高信噪比,进而有效检测出弱小目标.     

基于Mean-shift的改进目标跟踪算法

传统的Mean-shift目标跟踪算法对背景因素比较敏感,采用核加权直方图的方法计算目标模板与候选区域目标特征往往无法实现对运动目标的准确定位。在研究传统算法的基础上,改进了Mean-shift算法中目标特征选取机制,即目标模板采用背景加权,候选目标区域采用核加权。仿真结果表明,该方法实现了在复杂环境背景下对运动目标更加准确的跟踪。     

基于局部显著度的机动弱小目标检测算法

由于待检测的红外远距离目标具有尺寸小、辐射低、背景复杂等检测难点,以高检测率、低虚警率、高实时性进行红外小目标检测一直是一个具有挑战性的课题;文章提出一种基于局部显著性的变速运动目标累积检测算法,利用辐射能量积累方法提高目标在背景中的信噪比;首先,建立矢量空间及一阶导数空间,对序列图像的每帧进行基于块显著度的局部对比度增强处理,增强目标辐射能量并抑制背景,同时显著减少了计算量;然后,进行变速运动空间及导数矢量空间的辐射能量叠加,在空间矢量及导数矢量空间中检测序列图像中的目标在矢量空间及导数矢量空间运动特征的存在概率;最后,通过恒虚警检测得到目标的位置向量、速度、加速度向量,完成目标检测;实验结果验证了提出方法的有效性,其检测率及虚警率均优于其他方法,其中信杂比增益提高了22.30,背景抑制因子提高了3775.68,处理时间开销降低了0.65秒;     

基于模糊熵高斯聚类的弱点状动目标跟踪技术

研究了一种基于最大模糊熵高斯聚类的实时图像目标跟踪算法:在目标初始信息(位置、速度)已知的情况下,应用最大模糊熵高斯聚类的方法进行跟踪窗内测量点融合,将融合后的点输入到Kalman滤波器中进行预测目标点下一个状态的位置,在预测位置继续开一个跟踪窗进行检测、融合,直至所有图像都被跟踪完为止。理论及实验结果表明,在序列图像情况下该算法能够在保持跟踪实时性的同时,提供较高的跟踪精度。