融合高斯混合模型和深度学习的目标跟踪

目标跟踪是计算机视觉的关键技术,但快速运动所导致的目标运动模糊会影响跟踪的精度.提出融合高斯混合模型和深度学习的目标跟踪算法,利用高斯混合模型对目标视频进行建模,在卷积神经网络中提取浅层和深层的图像特征,将两个特征的响应值融合后实现跟踪目标的定位.首先,根据高斯混合模型建立样本数据集,利用概率密度函数筛选数据,依据正态分布获得对应的高斯分量;其次,在深度学习框架下对高斯混合后获得的样本数据提取浅层和深层特征;最后,将提取的浅层与深层特征响应值进行融合,并更新目标模型,实现目标跟踪定位.该算法在VOT-2016公开的数据集进行实验,与6个视频跟踪算法对比分析.实验表明,所提的算法表现出较好的性能,特别是在快速运动的评价指标中,该算法的抖动模糊精度比ECO算法提高6. 25%.     

多传感器信息融合的目标跟踪算法研究

针对目标跟踪中单传感器检测误差较大,而多传感器在目标跟踪中存在信息冗余以及各传感器信息融合,提出基于扩展卡尔曼滤波（EKF）,首先利用EKF对多传感器采集的数据分别进行初次处理,过滤掉冗余数据,增加各传感器采集的数据的有效性,再使用最小二乘法对所得信息进行二次处理。使用MATLAB平台进行仿真验证,结果表明在系统噪声为高斯白噪声的情况下,方案能有效提高目标跟踪的精度,跟踪误差明显降低,跟踪效果良好。     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

主被动雷达分层融合机动目标跟踪仿真研究

以目标跟踪为主要目的,对主被动雷达基于改进算法的分布式分层融合进行了仿真研究。仿真研究验证了基于固定指数加权模糊自适应EKF滤波算法的主被动雷达分层融合系统,能够显著提高目标跟踪精度且稳定性好。同时验证了分布式分层融合跟踪性能,明显优越于分布式平均加权融合方法。     

基于视觉显著性特征的粒子滤波跟踪算法

针对复杂环境下的运动目标跟踪问题,提出了一种基于视觉显著性特征的粒子滤波跟踪算法.该算法利用显著性检测算法对序列图片进行检测,生成视觉显著图,然后利用二阶自回归模型对目标状态进行预测,再根据中心强化-四周弱化的机制,生成最终显著图.利用视觉显著图中目标区域像素值较大的特点,提取视觉显著性特征,与颜色特征进行自适应融合,从而完成跟踪.实验结果表明,该算法能够有效应对跟踪过程中出现的场景光照变化和目标姿态变化等问题,具有较强的鲁棒性.     

生成式与判别式视觉目标跟踪算法综述

视觉目标跟踪是对目标位置、速度、运动轨迹等信息检测与预测技术。该技术融合了计算机视觉、图像处理、深度学习等众多领域技术。本文将对目标跟踪算法发展情况以及研究现状进行梳理。首先介绍目前常用的基准数据集;其次指出生成式算法与判别式算法差异;再对传统的生成式算法进行简单的分析总结;随后围绕算法框架分别介绍相关滤波框架、深度学习框架、孪生网络框架、Transformer框架的判别式算法并分析不同算法的优缺点;最后分析目前动态目标跟踪存在的问题并展望。     

一种多线索融合的均值偏移跟踪算法

针对传统基于的均值偏移(Mean Shift,MS)跟踪算法不能对运动目标准确跟踪的缺点,提出了一种融合多视觉线索的MS跟踪算法.首先根据目标在前一帧的估计位置,将目标搜索区域划分为目标区域和背景区域,其次在区域划分的基础上定义了一种新的颜色、运动线索直方图模型,能有效地抑制目标相邻背景的混乱干扰,最后基于MS理论框架提出了一种融合目标颜色、运动线索的跟踪算法,其颜色、运动线索可在跟踪过程中互补.实验表明,在目标快速运动、姿态发生较大变化或被遮挡的情况下,算法能够获得更为准确、鲁棒的跟踪结果.     

基于单目视觉的高速并联机器人动态目标跟踪算法

在高速并联机器人视觉分拣系统中,由于安装误差等原因,视觉系统与传送带以及机器人与传送带之间会存在一定的角度偏差,导致目标物体在分拣系统中的定位精度较低,使机器人末端不能精确抓取动态目标.而且传统的单目视觉定位及跟踪算法存在精度低、运算速度慢等问题,影响视觉分拣系统的计算速度,降低系统的实时性.针对以上问题,提出了一种基于圆特征的单目视觉定位与传送带标定结合的动态目标跟踪算法,首先不需考虑相机坐标系与传送带坐标系的角度偏差,拍摄一个圆形目标,并以光心为顶点构造直椭圆锥的几何成像模型.在此基础上利用其几何关系求取圆心在相机坐标系下的深度信息,再结合传送带标定与张正友标定方法,确定传送带编码器的比例因子以及机器人坐标系和传送带坐标系之间的角度偏差,并实时跟踪圆形目标运动过程中圆心在机器人下的位置.最后,对所提算法和传统算法分别进行实验对比,结果表明,该动态跟踪算法通过圆锥投影的几何关系推导圆心的空间坐标,避免了传统复杂的非线性方程求解,定位精度和计算速度大幅提高.该算法消除了传统算法的角度偏差,平均位置误差为0.82 mm,具有较高的定位精度.运行中系统耗时较短,运行效率得到了有效提高,且误抓率和漏抓率分别为0.2%和0,具有很高的实用价值.     

基于混合坐标系下的自适应α-β滤波器

针对雷达目标,观测和处理了在不同坐标系下的数据,提出了一种混合坐标系下的自适应α-β滤波算法来跟踪机动目标。该算法以自适应α-β滤波器为基础,将直角坐标系和球面坐标系下的算法相结合,克服了这两种坐标系下滤波算法的不足,对机动目标有很好的跟踪效果。仿真表明,该算法的跟踪性能优于单一坐标系下的自适应α-β滤波器,尤其适用于TWS雷达多机动目标跟踪情况。     

基于动态视觉显著性的感兴趣目标提取与跟踪

传统的基于粒子滤波的目标跟踪中,通常待跟踪的目标或者在视频初始帧中由人工指定,或者需要对背景进行建模后由背景差方法进行分割,受人类视觉感知机制的启发,提出一种基于尺度不变特征转换(scale invariant feature transform,SIFT)流的动态视觉显著性算法,结合颜色、亮度以及方向等静态特征以实现对感兴趣目标的自动定位;通过融合静态显著性与动态显著性形成总显著图,并选择显著性最高的目标作为待跟踪的感兴趣目标;通过提取目标区域的颜色、梯度及旋转不变局部二进模式(local binary pattern,LBP)纹理等特征构建目标模板,采用粒子滤波器对目标进行跟踪。结果表明,该算法能够在一定程度上模拟人类动态视觉注意过程,有效地检测感兴趣的目标并进行稳定鲁棒的跟踪。     

基于视觉显著性的突变运动目标跟踪

针对突变运动下的目标跟踪问题,提出一种基于视觉显著性的粒子滤波跟踪算法.该算法将基于视觉注意机制的视觉显著图引入粒子滤波框架中,根据视觉显著图的显著性区域,按"胜者为王"和"返回抑制"机制进行目标检测,并以检测结果为全局建议分布进行粒子采样,从而完成全局状态空间的搜索,有效地避免了陷入局部极大值.同时,为增强目标区域在视觉显著图中的显著性,将自底向上和自顶向下的计算模型相结合,根据目标模板对各个特征显著图进行自适应权值计算,并按权值融合产生视觉显著图.实验结果表明,针对不同类型的突变运动跟踪场景,该算法均能表现出较好的鲁棒性.     

一种时空特征融合的鲁棒视觉跟踪算法

针对视觉跟踪在复杂背景下因外观特征表征不足等原因造成的目标丢失问题,结合深度光流网络估计的运动特征,文中提出了一种基于时序信息和空间信息自适应融合的视觉跟踪算法。该算法在相关滤波跟踪框架基础上,引入递归全对场变换（RAFT）深度网络估计光流以获取目标的时序信息,提取目标的CN特征和HOG特征获取空间信息,然后融合目标时序信息和空间信息,以增强对目标时空特征的表征能力;其次,建立了一种跟踪结果质量判别机制,实时调整时序信息在融合过程中的权重, 有效提升了算法在复杂动态环境下的泛化能力。为评估算法的有效性,在OTB100和VOT2019两个数据集上进行了测试,实验结果表明,与主流视觉跟踪算法相比,所提算法的跟踪性能获得了显著提升,尤其在运动模糊、快速运动等属性的视频中,具有明显优势。     

基于图像分割以及原目标检测的视觉跟踪

基于图像分割以及原目标检测的视觉跟踪是一种极具潜力的跟踪方法,该方法首先对视频中的图像序列用多种分割方法进行图像分割;然后基于概率潜在语义分析(PLSA)算法对分割区域进行类别估计;再从这些区域中筛选出各自的候选区域,对其进行选择性结合,提取出原目标,从而获得原目标的空间信息.最后基于原目标的空间信息,用贝叶斯算法对目标进行跟踪,并采用EM算法来优化跟踪算法.实验证明,该方法优于其他的跟踪方法,能鲁棒地处理遮挡,分散和光照变化等问题.     

高斯混合模型的运动目标检测与跟踪算法

运动目标跟踪是计算机视觉研究中的一项关键技术,针对当前运动目标跟踪算法存在的跟踪精度低,实时性差等不足,提出了基于高斯混合模型的运动目标检测与跟踪算法。首先收集目标的信息,并采用混合高斯模型对运动目标背景进行建模,然后采用均值漂移算法对目标进行跟踪,最后采用VC6.0++实现运动目标跟踪仿真实验。结果表明,该文提高了运动目标跟踪的精度,加快了运动目标跟踪的速度,并对遮挡、场景变化具有良好鲁棒性,性能要优于当前其他运动目标跟踪算法,具有更高的实际应用价值。     

多特征博弈的目标跟踪算法

针对视觉目标跟踪领域中,采用单一特征的跟踪算法鲁棒性较差的问题,提出一种基于博弈论思想的多特征融合目标跟踪算法。在Mean Shift视觉跟踪框架下,将目标的颜色特征和运动特征作为两个博弈者,通过寻求二者博弈的纳什均衡,使不同特征对跟踪结果的贡献达到最佳平衡,进而更好地体现特征融合的优势。实验结果表明,该算法对目标剧烈运动、遮挡和背景多运动物干扰有较强的鲁棒性。通过基于博弈论的多特征融合方式在传统Mean Shift算法的基础上提出新算法,算法具有较好的跟踪性能。     

基于UPF的红外机动目标跟踪算法

利用红外探测器对目标红外辐射的响应信息进行处理,使得红外搜索与跟踪(Infrared Search and Tracking,IRST)系统成为一个距离可观测系统,建立了目标的观测模型,推导出机动目标跟踪的不敏粒子滤波(Unscented Particle Filter,UPF)跟踪算法.通过跟踪一个高机动目标的仿真过程,对算法性能进行验证,并与扩展卡尔曼滤波(Extended Kalman Filter,EKF)跟踪算法进行比较.仿真结果表明:UPF算法的跟踪误差比EKF算法的跟踪误差小300 m左右,鲁棒性好,同时经过高机动周期后,UPF的收敛速度比EKF快.     

多频高频地波雷达目标数据融合与跟踪

强烈的海杂波干扰以及目标起伏严重制约了高频雷达的目标检测与跟踪性能,针对这一不足,提出一种基于多频雷达的数据融合与跟踪算法.通过加权最近邻关联来融合多频数据;通过无味卡尔曼滤波输出跟踪结果.在中国东海舟山海域进行了为期10d的数据采集实验用于验证系统性能.研究了多频雷达数据特点,给出了合适的距离、速度和方位的融合门限及权重设置方法,建立了从检测到跟踪整套处理流程,并提出了用于检验多频工作性能的评价指标.评价指标包括目标在线时间、航迹分裂数目、跟踪区域和定位误差.研究结果表明:通过数据融合和跟踪滤波显著延长了目标在线时间,提高了目标检测概率并减小了定位误差和跟踪中出现的航迹分裂数量,增强了跟踪稳健性.     

基于VITAL的无人机目标跟踪方法

针对无人机飞行环境复杂及现有跟踪算法在精确性和实时性上略微不足的问题,提出了一种新型的基于VITAL的无人机目标跟踪算法.首先,设计一套完整的无人机目标跟踪控制系统;其次,对跟踪算法进行设计,将基于对抗学习的VITAL目标识别算法引入无人机目标跟踪算法,用EKF算法对其进行优化,提高实时性且防止目标跟踪失败;最后,通过实际跟踪和性能测试实验,得到相比主流的DNN等目标跟踪算法,算法在精确度上提高4%、实时性提高43%,算法在无人机目标跟踪方面具有较强的鲁棒性.     

视频测速技术的研究与仿真

针对激光测速、雷达测速和地感线圈测速方式所存在的问题,依据运动目标检测理论中基于混合高斯分布模型的自适应背景消除算法和基于区域匹配跟踪理论,对高速公路运动车辆进行速度测量。通过试验仿真结果表明该算法和理论能同时实现多台车辆的跟踪,在监视区域内不丢失目标,能控制测速精度,将速度误差控制在要求范围之内。     

一种限定记忆的自适应扩展Kalman滤波器

为解决扩展卡尔曼滤波器(EKF)鲁棒性差,且无法实时精确跟踪系统突变状态的问题,研究一种基于限定记忆滤波的自适应EKF算法。算法将EKF与限定记忆滤波器相融合,减小旧量测数据对滤波效果的影响,提高估计精度;引入自适应因子与渐消因子,通过实时调节新旧滤波增益阵以及预测状态值,精确地跟踪系统突变状态。仿真实例表明,强跟踪算法与经典EKF算法相比,自适应EKF算法鲁棒性好,滤波精度高,能够有效地跟踪系统突变状态。