一种改进的长时间压缩感知跟踪算法

压缩感知跟踪(CT)算法具有简单、高效、实时的优点,但是却存在着跟踪窗口尺寸不能自适应变化,无法有效处理遮挡以及跟踪失败后的目标再发现等问题.为了解决上述问题,提出了一种改进的长时间压缩感知跟踪算法.所提出的算法采用多尺度的目标外观再匹配方法,使得跟踪窗口大小能够适应目标尺寸变化.此外,通过分析滑动窗口内跟踪窗口图像的整体特征变化来判定目标是否发生遮挡.为了解决跟踪器漂移问题,采用Haar特征在线生成检测器,实现目标的再发现.实验结果表明提出的算法相比原CT算法具有更好的鲁棒性和准确性.     

基于自适应分层结构的压缩分布场跟踪算法

为了提高分布场跟踪算法的运算效率,增强其在复杂背景下的鲁棒性,提出基于自适应分层结构的压缩分布场跟踪算法.该方法充分考虑目标区域像素值分布情况,引入k-means算法对首帧标记的目标区域进行聚类分析,根据聚类结果自适应的产生分布场结构.针对分布场模型维数较高的缺点,融合压缩感知方法对分布场进行压缩,降低模型维数,提高算法效率.此外,改变原始分布场跟踪算法采用的局部搜索跟踪策略,利用随机抽样的方式来提高算法跟踪精度.实验结果表明,提出的算法与当前流行的跟踪算法相比,具有更好的表现.     

基于多模型的实时压缩跟踪算法

目标跟踪易受光照、遮挡、尺度、背景及快速运动等因素的影响,还要求较高的实时性。目标跟踪中基于压缩感知的跟踪算法实时性好,但目标外观变化较大时跟踪效果不理想。该文基于压缩感知的框架提出多模型的实时压缩跟踪算法(MMCT),采用压缩感知来降低跟踪过程产生的高维特征,保证实时性能;通过判断前两帧的分类器最大分类分数的差值来选择最合适的模型,提高了定位的准确性;提出新的模型更新策略,按照决策分类器的不同采用固定或动态的学习率,提高了分类精度。MMCT引入的多模型没有增加计算负担,表现出优异的实时性能。实验结果表明,MMCT算法能够很好地适应光照、遮挡、复杂背景及平面旋转的情况。     

一种基于SIFT特征的自适应滤波目标跟踪算法

针对目标跟踪过程中目标尺度伸缩和姿态形状的变化引起的目标丢失,以及使用单个模型跟踪机动目标不够理想,提出一种基于SIFT特征的自适应滤波目标跟踪算法.仿真结果表明,该算法在目标机动时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.     

基于SIFT特征的复杂环境下目标跟踪算法研究

为有效地解决复杂背景情况下运动物体有效跟踪问题,利用SIFT特征匹配算法的尺度不变、旋度不变的特性优越性,提出了一种优选的匹配方案.运动目标采用背景减除法分割提取,通过优化的SIFT算法快速地检测特征点,计算出其相应的坐标,并有选择性的更新相应特征点的坐标,然后重复提取运动目标,刷新背景区域,融合多特征信息,更准确地匹配图像中特征点.实验表明,本算法有效改善了光线变化,运动物体发生尺度变换等复杂环境下的目标跟踪效果,具有较强的鲁棒性.     

遮挡情况下多尺度压缩感知跟踪

针对现有在线学习跟踪算法中目标在线模型更新错误导致跟踪漂移的问题,提出一种在线模型自适应更新的目标跟踪算法：首先利用压缩感知技术的高效性,对多尺度图像特征进行降维,并提取多尺度样本来实现目标尺度自适应更新,再由提取的正负样本低维图像特征训练朴素贝叶斯分类器,利用分类器输出置信度最大处目标样本完成目标跟踪,并依据当前目标置信度来自适应在线模型更新速率,减少了遮挡带来的目标错误更新。实验表明：该方法在尺度变化、局部和全局遮挡、光照变化等情况下均能完成鲁棒跟踪,平均跟踪成功率较原始压缩感知跟踪算法提高了20.3%。     

带权分块压缩感知的预测目标跟踪算法

针对矩形跟踪框在边缘处包含较多背景信息的问题,该文提出一种基于规范化梯度特征的带权分块压缩感知的目标特征提取方法。该方法将压缩感知测量矩阵转化为分块对角矩阵,且根据块的重要程度分配适当的权重,缩小测量矩阵规模,简化特征提取运算,弱化背景干扰。然后将提取的特征输入变先验概率的贝叶斯分类器,变先验概率的分类器充分利用已有的跟踪结果,从一定程度预测了目标的运动方向,减小候选目标的分类歧义性,使得每一帧的分类函数根据以往跟踪结果进行变化,提高了分类的准确度。实验在8个具有常见跟踪难度的序列中测试,并与目前较流行的4种目标跟踪算法在跟踪效果、成功率等方面进行比较,结果从多个角度表明,该文提出的目标跟踪算法具有较高的准确度和稳定性。     

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。     

特征在线更新与加权的压缩跟踪算法

在目标跟踪中,针对目标外观改变使得目标丢失的问题,本文提出了特征在线更新与加权的压缩跟踪(compressive tracking, CT)算法。首先基于压缩感知理论提取目标的矩形特征,根据每个特征对当前帧目标的分类效果判定其可靠性,及时更新不可靠特征;其次,实时增加可靠特征在分类器中的权重,从而突出可靠特征的重要性;最后将加权候选样本特征输入贝叶斯分类器,得到下一帧的目标位置。选取八组视频序列测试改进算法的效果,结果表明与传统的压缩跟踪,局部敏感直方图跟踪( locality sensitive histograms tracking, LSHT)及在线自适应增强( online AdaBoost, OAB)算法相比,改进算法取得了更好的跟踪结果,并且在目标外观改变时依然跟踪准确,平均帧速为39fps,满足实时性要求。      

目标尺寸自适应压缩感知跟踪算法

压缩感知近年来在目标跟踪领域得到了广泛应用,它对海量特征压缩降维,在贝叶斯分类器模型下能取得很好的分类效果,处理速度快,具有实时性。但尺寸固定不变的跟踪窗口不能有效跟踪存在明显尺度变化的目标。本文采用多尺度和级联分类器机制,选取最佳尺度下的窗口作为最终目标。实验结果表明,本算法不仅在目标形态变化、光线变化、多目标干扰、运动模糊等复杂场景下有较好跟踪效果,在目标尺度变化时也有较强鲁棒性。     

基于CamShift的压缩跟踪方法

针对压缩跟踪算法在目标旋转、尺度变化的情况下,容易出现跟踪漂移和跟踪失败的问题。本文采用改进的CamShift和压缩跟踪算法相结合的方法从不同角度对目标位置进行预测;然后,根据目标大小对跟踪窗口尺度进行自适应调整;最后,利用前后两帧图像的匹配程度自适应更新参数,提高算法的准确性。测试结果表明,本文算法不仅在目标外观变化的情况下具有较好的鲁棒性,而且在目标受到相似色干扰、遮挡和出现运动模糊时,仍能准确实时的跟踪目标。     

基于Camshift的改进人脸跟踪算法

文中利用目标加速度运动位移方程,预测下一时刻目标可能移动的位置,使用预测位置误差方程,估测运动目标搜索范围,并且通过启动多个Camshift跟踪器的方法,改进Camshift算法。仿真实验表明,该方法有效地克服了Camshift算法自身的缺陷,即使是加速运动的目标,也可准确地预测运动目标的位置,并且有效提高了对遮挡目标跟踪和多个人脸目标跟踪的鲁棒性。     

基于深度降噪自编码器的多特征目标融合跟踪算法

针对在目标遮挡、光线变化、目标模糊等情况下的目标跟踪算法抗干扰能力较差的问题,提出了一种基于深度降噪自动编码器的多特征目标融合跟踪算法。该方法首先引入稳像和图像去雾算法以改善训练集数据和测试集数据的质量;再构建多特征深度降噪自动编码网络,基于深度神经网络的强大学习能力提取目标的颜色特征和均匀模式纹理特征;将两种特征加权融合输入到逻辑回归分类器,获得置信分数,更有效地区分目标和背景。最后,采用粒子滤波算法对目标进行跟踪。实验结果表明,该方法能够更准确地对存在目标遮挡、光线变化、目标模糊等干扰问题的视频进行跟踪。与传统方法相比,该方法成功率在上述三个方面平均分别提升33.73%、9.73%和12.80%;与近年流行算法相比,该方法成功率平均达到90.16%,实时性平均达到49.37 fps。     

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

基于跟踪微分器的波门跟踪算法的研究

针对目标自动跟踪系统对目标跟踪算法实时性和精确性要求高的特点,提出了一种基于跟踪微分滤波器的运动目标跟踪方法.该算法利用跟踪微分器预测目标中心在下一帧体现在图像中可能出现的位置,以该位置为波门目标检测的中心,减少了目标的搜索范围,缩短了算法的运算时间.仿真结果表明,该方法具有不依赖于目标运动模型,实时性好,精确性高等优...     

基于PCA-SIFT特征的目标识别算法

针对尺度不变特征变换(SIFT)算法在匹配时特征向量过多,从而导致耗时过长的问题,提出PCA-SIF]算法,对目标进行匹配与识别.首先,利用SIFT算法提取出原图像中稳健的特征点以及特征向量;其次,利用PCA算法对SIFT特征向量的维数进行约减;最后利用降维后的图像与原始图像进行匹配.实验证明,与原始SIFT算法相比,该算法不仅保持了SIFT算法的鲁棒性和稳定性,同时提高了匹配效率,增强了实时性.     

基于SIFT算法的异源遥感影像自动匹配研究

由于不同传感器、多时相、多分辨率、多波段的遥感图像的光谱特征、空间特征、纹理特征等存在较大差异,为遥感图像的匹配带来了困难。主要利用图像特征点提取方法,使用具有尺度不变特性的SIFT(Scale Invariance Feature Transform)方法,对异源遥感图像进行配准和图像进行拼接操作,并进一步对SIFT算法进行优化,采用双向匹配策略。实验证明该算法具有稳定、可靠、快速等特点,适用于存在光谱特征、空间特征、纹理特征差异的异源遥感图像的精确配准,同时实验验证了双向匹配算法用于SIFT特征点匹配中的优越性,证明其为一种好的匹配测度。     

基于强跟踪滤波的传感器目标跟踪算法

为了提高运动目标的跟踪精度,提出一种基于强跟踪滤波的传感器目标跟踪算法.首先通过传感器节点测量目标的状态值,并通过融合中心对信息进行融合,然后利用Cholesky分解技术变换成噪声独立的量化融合系统,并采用强跟踪滤波算法对目标状态进行估计,最后与其它目标跟踪算法进行对比实验.结果表明,本文算法不仅提高了目标跟踪的精度,而且具有更好的鲁棒性.     

基于子空间的目标跟踪算法研究

末制导跟踪阶段,导弹的飞行姿态,弹体与目标的距离以及目标自身的运动姿态和形态均会发生较大的变化,采用单一固定模板无法实现稳定跟踪。本文提出一种新的基于子空间的运动目标跟踪算法,首先采用一组正交的稀疏子空间特征向量表示目标模型,然后采用增量方法不断更新子空间模型,以适应由于目标内在和外在因素所造成的在外观上的变化,从而提高跟踪精度;采用重要性采样算法以及最大似然估计,解决复杂的优化问题。实验结果表明,当摄像机与背景发生较大相对运动以及目标姿态发生剧烈变化时,仍然能够实现对目标的持续稳定跟踪,平均跟踪误差小于10个像素。基本满足末制导跟踪系统的稳定性和鲁棒性等要求。     

基于Canny检测算法实现的目标跟踪

为了设计一种实时高效、稳定可靠的图像目标跟踪系统平台,避免因图像边缘提取效果差而引起跟踪失败,采用自适应Canny边缘检测算法。该自适应算法能够很好的确定平滑参数以及高、低两个阈值,更好的获得图像边缘图。经Canny算法处理图像目标后,获得目标的单像素边缘图,根据边缘图计算得到目标质心。利用最小二乘法拟合出目标的运动轨迹,同时可根据时间间隔预测出目标质心的下一位置,控制伺服机构,实现目标跟踪。实验表明,采用Canny算法的目标跟踪系统,能够满足实时跟踪的需要。