相关序列小目标图像运动跟踪与仿真研究

针对气动光学效应降晰过程的复杂性,提出了一种基于图像相关性的序列小目标图像运动跟踪及去噪算法.该算法结合序列图像的相关性,避免了因采集时间的延长而使得序列图像中的小目标偏移太大.在相关序列图像的基础上,通过滤波技术,结合"小波变换的背景融合"算法,得到对运动目标背景的估计.以此估计背景为基础进行运动小目标的估计、灰度质心计算,得到运动目标的跟踪.仿真研究结果表明该算法实现了气动光学效应相关序列小目标图像的运动跟踪,背景融合技术和目标图像的估计降低了噪声带来的影响,对气动光学效应序列图像研究具有重要价值.     

视频监视中运动目标的检测与跟踪算法

提出一种视频监视中运动目标的精确检测、提取以及跟踪算法。该算法采用基于自适应背景图像估计与当前多帧图像的混合差实现快速精确地检测和提取目标 ,使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域 ,缩小了目标跟踪时的搜索范围。充分利用运动目标检测的结果 ,提高了目标的匹配效率及跟踪速度。     

基于HASH感知和小波变换的目标跟踪算法

为了解决视频跟踪过程中,由于运动目标在实际运动中常存在旋转、缩放等形变导致的目标丢失问题,提出了一种融合了图像HASH值、小波变换和模板匹配算法的目标跟踪算法。该方法利用背景差分法得到运动目标模板,通过对图像信息进行小波变换得到低频子图像,并在低频子图像中进行全局搜索,确定最佳匹配区域。模板更新策略利用图像间HASH距离,判断图像间的相似性决定是否更新模板。实验仿真结果证明,该算法在运动目标存在缩放、旋转等形变时,仍可以准确跟踪目标。     

任意指定图像目标的实时检测与跟踪

根据实际设计了一种军用数字电视跟踪器 ,对其中的关键技术———任意指定图像目标的检测和跟踪作了介绍 ,讨论了其数学模型 ,针对不同的实际场景提出了不同的算法 ,即基于灰度域图像分割的跟踪算法和基于特征图像匹配的跟踪算法 ,并结合实际设计讨论了硬件实现的关键技术 ,最后给出了实际的跟踪效果。实际实验结果表明 ,该模型和跟踪算法可以有效地跟踪实际战场环境下的各种目标。     

特征自适应的精准目标跟踪算法

提出了一种能够自动选择最优特征、精准描述目标尺寸连续变化的新的序列图像目标跟踪算法.该算法首先计算由RGB分量线性组合而成的区分目标和背景的最优特征,将每一帧榆入图像按照此最优特征转换成目标概率分布图,然后通过检测该图在尺度空间中微分滤波器输出的极值,来决定目标的尺度.最后采用QP_TR信任城算法在尺度空间里和图像平面内快速搜索概率分布图多尺度规范化Laplacian滤波函数的极值,实现了目标的定位,从而完成了跟踪任务.通过与现有算法进行比较,并结合大量真实序列图像进行实验验证,结果表明算法不但能够更准确地描述目标的大小,而且显著提高了跟踪算法的精度.     

基于SVM与Mean-Shift的非刚性目标跟踪框架

针对动态背景下,序列图像中的非刚性目标跟踪问题,提出了一种基于支持向量机(support vector machine,SVM)和均值移动(Mean-Shift)的序列图像目标跟踪框架。在初始图像中选择跟踪目标所处的矩形框,将目标框周围一定范围的像素作为背景。以目标和背景数据训练SVM二值分类器。运用得到的分类器对下一帧图像相同区域内的像素分类,得到二值的置信图(confidence map),在置信图范围内运用Mean-Shift算法求得当前目标位置,移动目标框和背景框的中心到目标位置,以10%的比例缩放目标框并选择最优者以适应目标尺度变化。以此时的目标像素和背景像素训练新的SVM分类器,进行下一幅图像的跟踪,直至完成整个序列图像跟踪任务。实验证明,该方法适用于动态背景及非刚性目标的跟踪,且实时性较好。     

基于模板匹配的多模式车辆跟踪算法

动态目标识别与跟踪是计算机视觉研究的热点问题,为实现汽车辅助驾驶系统中复杂背景下多目标的稳定跟踪,提出了一种基于灰度图像模板匹配的多模式车辆跟踪算法。根据不同模式下车辆灰度图像的特点,分别采用目标边缘特征更新模板、切割分块模板和逆转模板实现了车辆在正常行驶、遮挡及边界条件下的稳定跟踪。算法应用于道路多个车辆目标跟踪提高了目标形变和遮挡情况下的跟踪鲁棒性,采用改进的金字塔加速算法提高了跟踪速度。     

一种基于自然纹理特征的增强现实跟踪算法

给出了一种面向增强现实(augmented reality,AR)的基于自然纹理特征的实时跟踪算法,算法分为目标检测与跟踪两个过程.以真实场景中的目标物体的表面纹理图像作为模板,用基于朴素贝叶斯分类的宽基线匹配方法进行目标检测与方位参数估计;将分层L-K光流算法与鲁棒的IC算法结合,提出一种基于角点与纹理的混合跟踪算法,并用于其跟踪过程.实验结果表明,所提算法具有较好的实时性、准确性与鲁棒性,并解决了宽基线匹配算法在AR应用中出现的抖动现象.     

复杂背景中目标图像的提取与跟踪

本文介绍一种复杂背景中目标图像的提取与高精度目标形心跟踪算法。通过对贝叶斯（Ｂａｙｅｓ）风险函数最优化，将图像分成多灰度层次的目标与背景，进而得到多灰度阀值，并考虑目标像素之间的连通性，将图像进行二值化，有效抑制了孤立噪声点对分割的影响。根据分离后二值图像，得到了跟踪窗中目标形心估值误差表达式，进而得到一种将目标跟踪窗口不断向目标形心移动的高精度形心跟踪算法。     

基于Hough变换头部检测与跟踪的方法研究

动态视频对象的识别与检测是多目标跟踪领域中的一个前沿课题,以固定单目垂直摄像头下的视频图像为前提,首先利用帧间差灰度图像双向投影检测出人体的运动区域,针对每个运动区域内人体头部运动信息的骨架轮廓具有近圆形(圆弧)这一关键特征,提出了一种基于曲线连续特征的Hough多圆检测方法来实现多目标头部定位的算法,较好的解决了多人遮挡和交叠的问题,然后提出了一种基于目标运动连续性的匹配算法对人体进行头部跟踪.测试结果表明该算法达到了较好的效果.     

雷达/红外双模制导背景下的模糊目标跟踪器

在雷达／红外双模制导背景下，对雷达／红外传感器的测量数据进行融合并提出了一种跟踪机动目标的模糊跟踪器。该跟踪器能够精确的获取目标机动的动态信息，应用一系列的模糊规则自适应的调整卡尔曼滤波器的过程噪声协方差矩阵，从而更适合用于实际的跟踪系统。通过对红外成像和雷达多传感器对目标跟踪系统的数字仿真表明所提出的模糊跟踪器性能良好。     

无线传感器网络目标跟踪平台协同调度的实现

目标跟踪是无线传感器网络的一个重要应用。为了验证和测试算法性能,缩小理论与实际的差距,必须构建相应的物理平台。介绍了所构建的无线传感器网络目标跟踪平台,其硬件包含超声波传感器、被动红外传感器和Micaz节点组成的无线传感器网络,而软件包括上层监控系统及下层节点嵌入式程序。针对节点资源十分有限的情况,提出了一种基于最小均方估计误差的目标跟踪协同调度算法,并在物理平台上成功实现,实验表明该平台能有效地跟踪无线传感器网络内的移动目标,并在保证跟踪精度和跟踪实时性的同时,采用了双重唤醒/休眠机制来延长网络寿命。     

基于相位变换的红外小目标相关检测方法

相关检测法是各种红外系统中广泛采用的目标检测方法 ,然而相关检测算法易受到背景和噪声的影响 ,导致匹配虚警较大、定位精度较差等问题。采用光学信息处理中的相位变换方法 ,将红外目标的能量转换成相位形式 ,然后与匹配相关结合来检测目标 ,不仅定位准确 ,而且性能稳健 ,在目标信号很微弱的情况下也能够取得良好的检测效果 ,是一种十分有效的红外目标检测方法。     

基于矩阵S1/2范数的红外目标跟踪

目前使用的很多红外目标跟踪系统在目标背景复杂、目标形体较小、目标受到遮挡等情况下会发生目标丢失现象,针对这一问题,在粒子滤波框架下,提出了一种基于矩阵S_1/2范数的红外目标跟踪算法。首先,围绕上一帧被跟踪目标的状态对当前帧目标粒子进行采样;然后,将采样的目标粒子进行筛选,并将筛选后的粒子整体输入到基于矩阵S_1/2范数和l_1,1范数联合表示的最小化问题模型,并求解其最优解;最后,根据候选目标粒子在目标字典和背景字典表示下系数的差异确定最优目标粒子,即为当前帧跟踪结果。实验结果表明,相比经典的类似目标跟踪算法,该算法能够对复杂背景、目标形体弱小、目标受到遮挡等多种情况下的红外目标进行有效跟踪,并具有更强的鲁棒性和更好的时效性。     

基于多级分类与逆向时空融合的弱小目标检测

弱小点目标检测是红外探测技术中的一个关键问题.针对目前序列红外图像目标检测中单阈值分割时弱小目标易丢失及快速移动目标的能量欠积累问题,提出了一种基于多级分类与逆向时空融合的弱小红外目标检测方法.该方法在对图像进行背景抑制的基础上,采用自适应多级分类的方法提取候选目标,强化了各类弱小候选目标的检测能力.同时,根据目标在相邻帧间的位置变化信息构造动态时空管道,在当前帧候选目标点的真伪无法判定时,沿时空管道逆向寻找可能出现的各类候选目标,将其中的各类候选目标点能量与当前帧候选目标点的能量进行加权求和后再进行门限判决,较好地解决了弱小目标及快速移动目标的能量积累问题.最后,本文通过若干实际红外数据验证了上述方法的有效性.     

基于BP神经网络的红外小目标检测

针对红外小目标检测问题,提出一种基于BP(back propagation)神经网络的小目标检测算法。该算法利用BP神经网络的函数逼近特性对红外图像进行背景估计,然后根据背景对消原理消去背景噪声,从而检测到潜在的红外小目标。通过仿真实验证明该算法的有效性。     

高斯粒子PHD滤波的多个弱小目标TBD算法

针对现有多个弱小目标检测前跟踪(track before detect, TBD)算法存在的跟踪精度低,算法复杂度高等问题,提出一种新的基于概率假设密度(probability hypothesis density, PHD)的TBD算法。所提算法通过高斯粒子滤波对PHD中的各高斯项进行递归运算、进行多帧能量累积,并提取高斯项的均值为目标的状态,达到检测与跟踪多个弱小目标的目的。算法在随机集滤波框架下完成未知数目的多个弱小目标跟踪,不仅充分利用粒子滤波的非线性估计能力,同时避免了传统算法利用模糊聚类进行目标状态提取所带来的跟踪精度低等问题。仿真结果表明,所提算法与传统方法相比,在降低算法复杂度的同时,对多个红外弱小目标具有更加良好的实时检测和跟踪性能。     

基于VB近似的自适应δ-GLMB滤波算法

目前,基于δ-扩展标签多伯努利(δ-generalized labeled multi-Bernoulli, δ-GLMB)滤波器的多目标跟踪方法假设量测噪声协方差先验已知,而实际中量测噪声协方差可能是未知或随着环境改变而变化。针对上述问题,提出一种基于变分贝叶斯(variational Bayesian, VB)近似的自适应δ-GLMB滤波算法。该算法以δ-GLMB滤波器为基础,利用逆威沙特和高斯乘积混合分布近似量测噪声协方差和多目标状态联合后验分布,通过VB近似技术推导滤波迭代。仿真结果表明,所提算法对于线性未知量测噪声协方差场景具有很强的多目标跟踪鲁棒性,在有效估计量测噪声协方差的同时实现准确的目标数和目标状态估计。     

改进的主峭度分析算法及其在高光谱图像小目标检测中的应用

由于高光谱图像维数较高,因而在利用高光谱图像进行目标检测之前会先进行数据降维。主成分分析变换和最大噪声成分变换是高光谱图像处理领域最为经典和常用的两种降维方法。它们以图像的方差和信噪比为指标进行降维,是基于二阶统计信息的方法。小目标由于其本身的特点可能会被经过该类方法降维后舍弃掉,而基于高阶统计特性的主峭度分析算法能够很好的解决这类问题。该方法能够提取基于二阶统计信息进行降维后无法保持的小目标信息,从而有效的检测到小目标。但主峭度分析算法的收敛速度较慢、计算时间较长,因而本文提出了一种改进的主峭度分析算法,改进的主峭度分析算法可以提高算法的收敛速度、减少算法的迭代次数。仿真实验表明,改进的主峭度分析算法能够缩短计算时间,提高算法的收敛速度。     

基于小波分析的一种红外弱小目标检测新方法

研究了天空背景下红外运动弱小目标的检测问题。对红外序列图像进行小波分析 ,使用小波反变换可以将背景中低频分量和高斯噪声去除 ,并采用自适应门限处理 ,再采用非线性滤波 ,最后使用膨胀累积的方法找出目标 ,并得出目标航迹。实验结果表明 ,该方法能有效地检测定位运动红外弱小目标 ,并具有较强的抗噪声性能