一种地面目标的相关跟踪方法

提出了一种用多子模板对目标进行相关跟踪的方法，该方法建立了综合多子模板相关结果、目标跟踪判断及自适应刷新模板等准则，较好地解决了相关跟踪中如何判断目标锁定、部分遮挡、相似目标出现及模板的刷新等问题。     

基于空间关系约束的雷达景象匹配算法研究

通过改变雷达景象匹配策略，根据预定的选择方法，从参考图中截取多子区图像作为模板，在实时图上进行多子区相关匹配，并利用各子区间的空间关系约束对匹配结果进行综合及可信度判断，实验结果表明，该方法可有效提高相关匹配方法的性能，并能提供可靠的匹配置信度判断，     

基于轻量卷积神经网络的目标跟踪改进算法

针对现有目标跟踪算法在跟踪过程中遇到目标形变、遮挡等干扰属性导致不能对目标进行有效跟踪的问题，提出一种基于轻量卷积神经网络（lightweight convolutional neural network,LWCN）的目标跟踪改进算法。首先利用改进的卷积神经网络对模板图片和跟踪图片进行特征提取，并将不同层次的特征图充分利用，解决了随着网络加深而导致部分特征丢失问题；其次融合CN特征和HOG特征作为相关滤波器中目标特征表达，增强在不同干扰属性下的目标描述能力；再次通过最大响应值对当前目标位置和目标尺度进行判断，并决定是否更新滤波器模板；最后将LWCN算法与其他算法在OTB50、OTB100、UAV123等数据集上进行性能对比实验。实验结果表明，LWCN算法具有较好的稳定性和实时性，并在遇到形变、遮挡、光线和背景变化时，跟踪结果优于大部分算法。     

尺度自适应的抗遮挡目标跟踪算法

针对目标跟踪过程中的尺度变化、易被遮挡及跟踪漂移等问题,提出一种跟踪检测一体化的算法,改进算法在最小输出均方误差和（MOSSE）的基础上增加尺度变化更新机制,通过相关计算推算目标的最新位置和最佳尺寸,并融合了判断遮挡、模板自适应更新机制.通过对Benchmark上51个测试视频集跟踪实验分析,结果表明本文算法在尺度自适应以及抗遮挡方面优于传统算法.      

颜色自适应与相关滤波互补目标跟踪

针对相关滤波(Correlation Filter,CF)算法在目标跟踪中严重依赖目标及背景的颜色在空间中布局,对目标变形极其敏感,且因背景颜色分布的变化导致目标中心计算不准确问题,提出了颜色自适应(Color Adaptive,CA)与相关滤波互补的跟踪策略.跟踪过程中,首先根据前面帧学习的滤波模板和颜色模板,通过两种算法分别计算目标中心坐标;其次,由相关滤波产生的响应图中目标区域数值的占比,分配两种算法计算的中心坐标相应权值,得到最终的跟踪坐标.跟踪实验表明,本文方法(CACF)应对跟踪过程中各种干扰问题具有更强的鲁棒性,优于近几年一些主流的跟踪算法,且跟踪速度可达到实时性.     

一种基于优化模板匹配的红外目标跟踪算法

为了在红外环境下进一步提高目标图像在环境变化或受干扰时跟踪的准确性,提出了一种有效的红外目标跟踪方法.该方法基于归一化互相关距离的相似性度量方法,设计了匹配跟踪置信度,并在此基础上实现了基于匹配跟踪置信度加权的自适应模板更新算法.在模板更新方面,提出了自适应阈值调整策略,在目标跟踪过程中根据匹配置信度动态调整阈值,避免了固定阈值对跟踪精度的影响.通过实验证明,算法对环境变化的适应能力和跟踪稳定性方面得到了较大的提高.     

基于圆形采样和稀疏表示模型的鲁棒目标跟踪

为解决基于稀疏表示的跟踪算法在小样本空间中出现模板漂移而在大样本空间中实时性差的问题,提出了一种基于圆形采样的双重稀疏表示目标跟踪算法.该算法对跟踪矩形窗数据进行圆形采样,这不仅保证了目标的灰度和结构信息,而且减少了背景信息干扰.同时对稀疏表示得到的小模板系数引入距离权重判断函数,判断目标样本变化情况,提高模板更新效率.最后引入HOG（histogram of oriented gradient）特征,对稀疏表示得到的多个次优解进行二次稀疏表示,有效解决小样本数量少带来的估计误差.实验结果表明,该算法能够提高小样本空间中目标跟踪的鲁棒性和实时性.      

多模成像跟踪器的算法智能调度方法

提出了一种利用多相目标状态的设置实现多种跟踪算法智能高度的方法，根据多模成像跟踪器所采用的投影、标记和相关三种跟踪算法的各自特点，对目标定义了搜索、截获、跟踪和再截获四种跟踪状态，建立了跟踪算法转换的判断条件，使跟踪器能根据场景与目标的变化自动进行切换，智能选择最佳跟踪模式，以确保始终对目标的稳定跟踪，此 可能为提高多模成像跟踪器的跟踪平稳性能提供一种实用方法。     

一种自适应权值更新的mean shift跟踪算法

传统的mean shift跟踪算法根据像素与模板中心的距离为像素设置权值,进而增强算法的鲁棒性。但是在跟踪非刚性或非对称目标的过程中,上述权值设置方法明显不合理。提出了一种自适应核函数的mean shift跟踪算法,它为模板中的每个像素赋予一个卡尔曼滤波器,在目标跟踪过程中根据目标形态变化对像素权值进行修正,从而获得一个更柔性、更合理的模板。将该方法用于人体运动目标的跟踪,基于监控录像中的人体运动目标跟踪实验表明,与现有方法相比,该方法具有很好的鲁棒性及稳定性。     

基于特征学习与特征记忆模板更新机制的粒子滤波跟踪

目标运动的多样性以及背景环境的复杂性是影响目标跟踪鲁棒性的主要原因.受背景颜色、光照以及姿态尺度变化等因素的影响,目标模板更新精度不高、目标跟踪鲁棒性差.针对此类问题,提出了一种基于特征学习与特征记忆的模板更新机制,通过构建目标模板库,保存丰富的运动目标信息,采用粒子滤波跟踪算法,将候选模板与模板库中的目标信息进行匹配,确定目标状态实现跟踪.实验结果表明,该算法以更丰富的目标信息进行跟踪,比传统目标模板更新策略的粒子滤波算法具有更高的跟踪精度和更强的鲁棒性.     

多模成像跟踪器的算法智能调度方法

提出了一种利用多个目标状态的设置实现多种跟踪算法智能调度的方法．根据多模成像跟踪器所采用的投影、标记和相关三种跟踪算法的各自特点，对目标定义了搜索、截获、跟踪和再截获四种跟踪状态，建立了跟踪算法转换的判断条件，使跟踪器能根据场景与目标的变化自动进行切换，智能选择最佳跟踪模式，以确保始终对目标的稳定跟踪．此项研究有可能为提高多模成像跟踪器的跟踪平稳性能提供一种实用方法．     

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络（PNN）实现了对图像序列中移动目标——人头的跟踪．由于采用单一特征信息的跟踪算法在复杂环境中往往失效，故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据，并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正．实验结果表明，基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果，且具有简单、跟踪鲁棒性好等特点．     

基于切分模板的实时跟踪算法

相关匹配算法是一种经典的匹配算法 ,通过计算模板图像和待匹配图像的互相关值来确定匹配的程度 ,具有很高的准确性和适应性 ,在目标跟踪中得到了广泛应用。但是相关匹配算法计算耗时过于庞大 ,难以达到实时要求 ,并且当目标在模板中所占比例很小时 ,很难确定模板的准确位置 ,使得此算法在实时目标跟踪中难以得到应用。文中在相关匹配的基础上提出了一种基于切分模板的实时跟踪算法。匹配的模板被分为几个部分 ,每个部分均有不同的加权值 ,最后的相关匹配度为各部分匹配度的加权和。算法中还设置了一个不是实时更新的加权模板 ,以提高算法的抗干扰能力 ,并采用金字塔搜索算法进行加速。实验结果显示 ,此算法有效地克服了相关匹配算法的缺点 ,具有较好的匹配精度和实时性     

Gabor小波和变形模板的目标跟踪方法

在特征空间中利用Gabor小波和可变形模板实现了航拍图像中目标的跟踪.从图像中提取出一组具有特定参数的Gabor小波,并求出其权重作为目标特征,构成了Gabor小波特征模板.在跟踪过程中,随着目标的旋转、尺度等仿射变化,小波特征模板随之变形,优化了目标的仿射运动参数,实现了对目标的稳定跟踪.由于采用了基于Gabor小波的方法来搜寻最佳点的位置,使得搜寻结果更加精确有效.     

基于DM648的目标实时跟踪的设计

本设计提出了以DM648为核心的图像跟踪系统的研究,在不同的环境下,我们对多目标的跟踪和检测采用一些常用算法：相关跟踪算法,并对其进行了探讨和分析.以DM648为平台的基础上对软件设计的方法和应用,实现了提取模板、匹配跟踪等算法的设计,实验结果显示了跟踪算法在实时图像跟踪中的应用.     

基于目标模板库的多任务目标持久跟踪

针对长时间跟踪造成的信息丢失问题,提出了一种借鉴人类视觉记忆机制构建目标模板库的算法,该方法能在跟踪中记忆有用目标信息,实现持久稳定的跟踪.首先采用多任务跟踪法把视频序列分成多个子任务进行多线程分块局部跟踪,然后采用模板匹配和特征融合下的粒子滤波先后进行粗略跟踪和精细跟踪;最后把跟踪结果纳入目标模板库中更新跟踪系统.实验表明,此算法具有较好的鲁棒性和稳定性.     

基于船舶自动识别系统信息的目标跟踪

探讨了基于目标船舶舶自动识别系统播发的信息，采用目标船的呼号，船名和海上移动业务识别码的三参数静态信息，以及通过建立被跟踪目标的跟踪信息链表，对目标进行识别与跟踪的“三参数静态信息目标识别与跟踪法”，并对目标的录取，信息的存储方法等进行了讨论，利用其动态信息，完成对目标的距离与舷角、dDCPA与tTCPA，危险判断的计算方法以及跟踪算法流程 ，并进行计算机仿真，该方法相对于ARPA跟踪目标方法，具有易于识别，不易丢失目标，跟踪速度快，精度与可靠性高，方法简单等优点。     

融合位置估计的自适应尺度相关滤波跟踪

针对相关滤波跟踪算法中不能适应目标多尺度变化的问题,提出了一种融合位置估计和尺度估计的自适应尺度相关滤波器.通过提取当前图像中不同尺度大小的目标模板,作为先验信息加到滤波器中学习,训练滤波器.对多尺度模板训练赋予新的权重定义,重新定义了多尺度模板对应的标签.提高了滤波器对目标尺度变化的敏感度.通过在CVPR2015数据集验证,该方法的精准率为0.803、成功率为0.705.特别是在多尺度环境影响下,该算法结果优于其他算法,达到了预期跟踪效果.     

基于多方法集成的目标跟踪算法

在线运动目标跟踪是目前模式识别领域的一个难点问题,目标物体角度、姿态、远近距离变化以及遮挡等给鲁棒在线跟踪算法提出了苛刻的要求,单一算法很难有效处理所有问题.多方法集成是实现鲁棒在线跟踪的一种有效手段,为此提出了一个集成on-line boosting、基于归一化互相关的模板匹配法和粒子群优化算法的自适应目标跟踪算法框架.其中,on-line boosting是基本的跟踪算法;基于归一化互相关的模板匹配法有效避免了on-line boosting过多的错误更新;而基于粒子群优化算法的跟踪策略提高了系统对快速运动、外观变化的适应能力,同时也为模板的更新提供了保障,三种算法形成了有效互补,在稳定性和可塑性之间达到了一种平衡.在不同视频测试序列上的实验结果表明,该算法有效地缓解了自适应性和漂移之间的矛盾,能够实时地完成复杂的跟踪任务.     

基于MS算法和卡尔曼滤波器的视频目标跟踪

为了提高视频目标跟踪的准确性和实时性,提出均值漂移算法和卡尔曼滤波器的视频目标跟踪算法.首先对卡尔曼滤波器相关参数进行优化,并确定其初始状态变量,然后采用均值漂移算法估计候选目标与模板目标之间的相似度,实现目标自适应跟踪,最后采用仿真实验测试算法的跟踪性能.结果表明,该方法可以获得较高精度的目标跟踪结果,而且目标跟踪的实时性好.