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.     

一种具有目标匹配约束的加权多示例学习视频目标跟踪算法

以多示例学习(Multiple Instance Learning,MIL)目标跟踪方法为代表,基于自适应辨别模型的视频目标跟踪算法近年来得到广泛重视,这些算法用分类器对图像进行处理,将使分类器置信最大的采样样本作为当前帧的跟踪结果.在此基础上,基于加权多示例学习(Weighted Multiple Instance Learning,WMIL)的目标跟踪算法提出在分类器学习阶段对正样本进行重要性采样,加大正包内正样本的贡献,达到更好的跟踪效果.然而,当前一帧输出结果不准确时,会使得分类器学习性能下降,从而引起目标漂移或跟踪失败.本文基于WMIL算法,提出用目标匹配约束预判断当前帧是否存在目标漂移,从而对下一帧采样中心位置进行矫正,达到抑制目标漂移以及避免跟踪失败的效果.仿真结果表明,本算法在标准视频测试集上都取得了较优的结果.     

单目标跟踪算法综述

目标跟踪是计算机视觉领域的一个基本问题,具有广泛的研究与应用价值。该文根据算法理论的不同,将目标跟踪算法分成目标表观建模和跟踪策略两部分,又将目标表观建模分成生成式跟踪和判别式跟踪分别进行介绍;从基于均值漂移和滤波理论两方面介绍跟踪策略;并重点介绍了基于深度学习的相关算法,总结了深度学习算法的优缺点。     

基于自适应压缩跟踪算法的视觉目标跟踪

针对压缩跟踪算法在目标发生遮挡、快速移动、有相似目标情况存在跟踪漂移的问题,提出了基于卡尔曼滤波的自适应学习压缩跟踪算法.该算法首先利用压缩跟踪算法对目标进行定位,然后根据跟踪结果的置信图对分类器参数自适应更新,当判定目标严重遮挡时,利用卡尔曼滤波进行预测估计.实验结果表明,该算法相比目前先进的算法有更好的跟踪精度和鲁棒性,且算法平均跟踪速度39帧/s,能够满足实时性的要求.     

一种基于高阶内模的新型自适应迭代学习算法

本文针对一类含多个时间迭代变化参数控制方向未知的非线性离散时间系统的输出跟踪问题，提出了一种基于高阶内模的新型自适应迭代学习算法．假设多个时间迭代变化参数由不同的高阶内模所生成，本文所提出的算法借鉴了模型预测控制的思想，通过构建预测输入，将获得的当次迭代预测跟踪误差作为先验知识，应用到系统输入的控制律的设计中，从而在预测跟踪误差的基础上进一步缩小系统的跟踪误差．相较于基于高阶内模的传统迭代学习算法，大幅度缩减了系统的输出跟踪误差，明显地提高了跟踪精度．此外，由于预测跟踪误差作为先验知识参与了系统输入控制律的设计，该方法对于系统扰动和输出噪声具有较强的鲁棒性．通过Lyapunov稳定性理论，证明了该方法下系统跟踪误差的收敛性和所提算法的优越性．通过两组仿真算例，考虑在控制方向已知和未知两种情况下，和两种基于高阶内模的已有迭代学习算法进行了对比，验证了理论结果．     

一种改进Camshift算法及其ARM实现

基于视频序列的运动目标跟踪在安防、军事等领域用途广泛。针对传统Camshift算法易受颜色相近物体的干扰,丢失目标的情况,提出了一种改进的Camshift算法。该算法检测SIFT特征点并进行FREAK特征匹配,通过判断每一帧跟踪结果的跟踪精度修正跟踪矩形框,从而改善跟踪精度。为便于工程应用,在Linux系统上进行了算法移植,实现了基于ARM的运动目标跟踪系统。实验结果证实改进算法对部分遮挡、颜色相近干扰等情况具有稳定性,能够实现对运动目标的准确跟踪。     

基于在线多示例学习的协同训练目标跟踪算法

为解决把多示例学习应用到目标跟踪算法而导致的误差积累问题, 结合协同训练方法, 提出一种新的目标跟踪算法。该算法利用协同训练克服分类器自训练带来的误差积累, 同时在线多示例学习提高了跟踪效果的鲁棒性。将跟踪结果中心与理想目标位置中心的误差作为评价标准, 在标准视频序列上将跟踪结果与半监督学习跟踪算法和传统多示例学习跟踪算法进行对比。实验结果表明, 该方法在背景光照变化、目标旋转等复杂条件下, 可很好地跟踪目标, 具有较好的鲁棒性。     

一种改进的Camshift算法及其ARM实现

基于视频序列的运动目标跟踪在安防、军事等领域用途广泛,针对传统Camshift算法易受颜色相近物体的干扰、丢失目标的情况,提出了一种改进的Camshift算法;该算法检测SIFT特征点,并进行FREAK特征匹配,通过判断每一帧跟踪结果的跟踪精度修正跟踪矩形框,从而改善跟踪精度。为便于工程应用,在Linux系统上进行了算法移植,实现了基于ARM的运动目标跟踪系统。实验结果证实改进算法对部分遮挡、颜色相近干扰等情况具有稳定性,能够实现对运动目标的准确跟踪。     

基于高速球形摄像机的运动目标检测与实时跟踪系统

利用高速球形摄像机和图像采集与处理单元,设计了一种运动目标检测与实时跟踪系统．首先用混合高斯背景模型实现对运动目标所在区域的识别,由此确定运动区域的质心,并以该质心为中心初始化跟踪窗口;然后在目标区域内提取颜色特征,通过CamShift算法计算目标的精确位置并调整搜索窗口大小．系统利用这些信息,通过串口控制高速球形摄像机的运动,使目标始终位于摄像头的视场范围内,并尽可能位于视场中央,以实现对运动目标的快速准确的实时跟踪．在艾立克一体化球形摄像机上进行了实验,验证了本系统的有效性．     

数据关联方法研究

在杂波环境的目标跟踪系统当中,使用的数据关联算法会直接影响到目标跟踪的效果。由于实际跟踪平台的限制,系统不仅对采用的跟踪算法有精度上的要求,还有计算复杂度上的限制。本文分析了几种数据关联方法,在不同跟踪环境下对所提及算法对比说明。为目标跟踪系统中数据关联算法的选取提供了依据。