一种尺度和旋转自适应的目标跟踪算法

为了解决目标跟踪中的尺度和旋转问题,提出一种基于尺度不变特征变换(SIFT)和均值漂移的目标跟踪算法.该算法首先检测模板区域和目标区域在尺度空间中的极值点,然后通过拟合三维二次函数精确定位特征点的位置和尺度,接着对目标区域和模板区域的特征点进行匹配,并根据相邻帧之间尺度和角度的连续性,去除误匹配,最后利用正确匹配的特征点中的尺度和角度信息,计算被跟踪目标的尺度和旋转角度.研究结果表明:当被跟踪目标的角度和尺度发生变化时,该算法皆具有较好的跟踪效果.     

基于深度聚合高分辨率网络的多目标跟踪

为了提高多目标跟踪性能，在单个网络中结合目标检测和重识别任务的特点，提出了一种基于深度聚合高分辨率网络的多目标跟踪算法.跟踪器通过DLA网络提取抽象的语义特征图，并将其输入到改进的轻量型HRNet网络中，以高分辨率聚合目标的多尺度特征，同时引入重识别分支提高匹配精度.经由传统的相似度计算、运动预测和数据关联阶段，完成跟踪流程.通过消融实验研究了不同融合层组合和特征维度对跟踪性能的影响，并在基准数据集上与当前跟踪器的各项性能指标进行比较.结果表明，所提算法以简洁的主干网络输出高分辨率的深层特征，兼顾了跟踪精度和执行效率.跟踪器的精度和识别率较高，且具备实时跟踪性能.     

基于均值移动和椭圆拟合的人脸跟踪算法

为了解决均值移动跟踪算法对目标的尺度变化自适应能力差的缺点,针对人脸跟踪具体问题,提出了一种基于均值移动和椭圆拟合的人脸跟踪算法.根据当选择较大核窗进行均值移动跟踪时一般可以准确定位目标的事实,以及人脸形状椭圆近似性的特征,利用一个较大核窗的均值移动跟踪器对人脸目标进行粗略定位,在此基础上再用一种高效鲁棒的直接最小二乘椭圆拟合方法来自动调整人脸尺度的大小.实验表明,该改进算法能有效地解决均值移动人脸跟踪中的目标尺度自适应调整问题,其跟踪效果明显优于原均值移动目标跟踪算法.     

改进的核相关滤波目标跟踪算法

提出一种基于核相关滤波的尺度和旋转自适应跟踪算法.首先,利用核相关滤波确定目标的中心位置;然后,使用特征点匹配的方式估计目标的尺度变化和旋转角度.在特征点匹配过程中,使用前、后两次光流匹配消除不稳定特征点;计算特征点对的权重分布,从而估计出目标的最佳尺度和角度;判断当前目标是否受到遮挡,进而使用更合理的方式更新特征点集和目标模型,进一步提高算法的鲁棒性.实验结果表明:文中算法不仅能在一定程度上处理目标外观变化问题,而且跟踪的实时性较好.     

基于模糊距离的红外图像小目标的精准匹配算法研究

提出了一种基于模糊距离的红外图像小目标的精准匹配算法.该算法从红外图像中获取特征点,以特征点为中心选取参考模板,利用特征模糊距离熵对小目标特征进行扩展,克服由于目标滑动造成的定位误差较大的弊端.实验结果表明,该算法很好的解决了红外图像特征目标跟踪技术中的跟踪点滑动和漂移问题,并满足实时性要求,鲁棒性稳定.     

一种改进的ORB特征点匹配算法

针对ORB特征描述算法没有解决尺度不变性的问题,提出了一种将具有尺度不变性的BRISK特征描述符与ORB特征检测子相结合的特征点匹配算法;利用ORB特征检测子检测待测图像中的特征点,并借鉴BRISK特征描述算法的思想对检测到的特征点进行均匀采样,然后对采样到的特征点进行特征描述,最后使用暴力匹配的方法计算汉明距离从而完成特征匹配;通过实验验证了改进算法,有效地解决了ORB特征描述算法不具备尺度不变性的问题,相较于原ORB算法,改进算法的尺度不变性得到了有效提高且更加稳定、可靠,同时,改进算法的实时性也略优于原算法,适合于要求实时性高且尺度变化大的应用中。     

基于改进ORB的图像特征点匹配

鉴于ORB算法在特征点匹配时基本不具备尺度不变性,结合SIFT算法思想,提出了改进的ORB算法:SIRB(ORB and SIFT)。首先生成图像的多尺度空间,并在多尺度空间里检测稳定的极值点,使得提取出的特征点具有尺度不变信息;然后使用ORB描述子对特征点进行描述,生成旋转不变性的二进制描述子;最后通过Hamming距离完成对特征点的匹配。实验结果表明,SIRB有效地解决了ORB不具备尺度不变性的缺陷,在图像尺度发生变化时,SIRB算法特征点匹配的平均准确度达到约93.3%,相比于ORB提高了约70.7%;同时SIRB和ORB两种算法的匹配速度大致相当,SIRB保留了原ORB算法的快速优越性,平均匹配速度比SIFT快约63.2倍;将提出的SIRB算法应用到视频目标跟踪系统中,取得了良好的实验效果,具有一定的应用价值。     

动态跟踪中背景补偿与目标运动估计

针对目标的观测位置信息中混入了背景运动的问题,提出一种特征点集与稀疏光流场相结合的背景补偿方法.通过Harris算子找出一组特征点,在相邻帧中通过计算每个特征点的局部最优匹配区域得到稀疏点集的光流向量.根据其光流方向概率分布,最终计算出背景的偏移量.通过背景补偿,得到目标的真实偏移量序列,带入Kalman滤波方程,对下一帧中目标的运动状态进行实时估计.实验表明,背景补偿后的预测精度在10个像素之内,每个均值迁移跟踪单元大约需要10ms,提高了跟踪的稳定性,有效减少了迭代次数.新的跟踪器能满足动态实时跟踪的要求.     

基于改进ORB算法的特征点匹配

针对传统ORB算法不具有尺度不变性的问题及匹配速率的问题,提出改进ORB算法的特征匹配.将SURF算法与传统ORB算法结合,先利用SURF算法的尺度金字塔得到具有尺度不变性的特征点,解决特征点匹配的尺度性问题,再对用ORB算法生成的高维描述符进行降维处理,提高算法的匹配速率,最后用暴力匹配方式完成图像匹配.实验结果解决...     

基于极线约束SIFT特征和粒子滤波的目标跟踪算法

针对采用颜色或边缘等特征的目标跟踪算法所存在的跟踪效果不稳定的问题,提出了一种基于极线约束尺度不变特征变换(SIFT)和粒子滤波的目标跟踪方法.该方法采用SIFT特征向量构建目标模型,引入极线约束改善目标匹配精度,采用粒子滤波算法获得SIFT特征向量的候选目标模型,利用似然函数计算目标模型与候选目标模型间的相似性.实验结果表明,该方法可解决目标与背景颜色相似时的跟踪失败问题,且对目标外形与位姿发生变化具有较好的适应能力.     

基于实时手势识别与跟踪的人机交互实现

为了实现对手势目标的自动识别和连续跟踪,提出了一种手势识别与跟踪算法。首先,通过离线训练手势目标检测器来实现手势目标的自动识别。接着,通过改进的Shi-Tomisi算法,在目标区域提取可靠稳定的特征点。然后,通过KLT跟踪器对特征点进行跟踪。当特征点跟踪成功时,通过求解仿射变换矩阵确定手势目标的新位置;当目标出现遮挡和大尺度旋转时,特征点丢失,此时在KLT跟踪器中加入卡尔曼滤波器来预测手势目标的位置,实现对手势目标的连续跟踪。同时对手势目标可能存在的区域进行估计,缩小检测器的检测范围,提高检测速度。最后,将算法应用于人机交互系统中,实现了机器人的远程控制。实验结果显示,算法在简单背景下的跟踪正确率为99.54%,复杂背景下的跟踪正确率为98.24%。实验结果表明,算法能够快速准确地对手势目标进行检测和跟踪,满足了实时性、连续性以及抗干扰能力强等要求,对于旋转及遮挡均具有较强的鲁棒性,为实现基于手势控制的人机交互提供了一种有效方法。     

无人机视角下的特征匹配引导粒子滤波跟踪算法

粒子滤波(particle filter, PF)算法被广泛应用于视觉目标的跟踪,然而,在无人机视角下,摄像机与画面中的目标同时运动,导致了PF对目标运动状态的预测失效.针对此问题,提出一种面向无人机视角下的改进的粒子滤波跟踪算法——特征匹配引导的粒子滤波跟踪算法.首先,利用相邻两帧图像中目标物体尺度不变特征变换(scale invariant feature transform, SIFT)特征匹配的结果作为初次定位;然后,利用空间加权的HOG特征与PF相结合获取二次定位结果;最后,利用chamfer distance修正跟踪结果的SIFT特征点作为下一帧特征匹配的模板,从而循环产生准确的视频跟踪结果.比较试验表明,该算法有效地改善了传统PF跟踪算法在无人机视角下运动状态预测方程失效的问题,能够较准确地对运动目标进行跟踪.     

结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.     

基于核相关滤波的飞行员手势跟踪研究

结合飞行员操作过程中手部的运动特点,针对核相关滤波器跟踪算法在目标尺度变化和快速移动时存在的问题,提出了一种结合了手势检测与核相关滤波跟踪算法的飞行员手势跟踪方法。首先,将肤色分割与背景减除进行有效的融合,对静态手势进行快速检测。然后,使用KCF算法对定位的手势区域进行跟踪以获取手势实时位置和轨迹。跟踪过程中比较手势检测与手势识别所得到的手部信息,当出现偏差时对搜索框进行更新。从而实现有效的手势检测与跟踪。实验结果表明,该方法可以实现对飞行员变形手势快速、准确的实时跟踪,对部分遮挡和尺度变化有很好的适应性,能够满足后期飞行员手部行为分析的要求。     

基于模型动态切换的运动目标实时跟踪

针对视频监控系统中运动目标的跟踪问题,提出了一种基于模型动态切换的实时跟踪方法.在运动目标分割之后,跟踪系统有效判定运动目标的遮挡状态,对未遮挡的运动对象采用基于区域的跟踪模型,对于相互重叠的运动对象采用基于SIFT特征的窄基线图像匹配模型.基于区域的跟踪模型采用简单的目标区域特征以及运动预测属性,实现快速地跟踪.基于SIFT特征的图像匹配模型利用被跟踪目标在相邻图像帧之间很小的尺度和外形变化以及基于目标区域位置预测出的有限运动范围,实现快速的窄基线小范围SIFT特征匹配和跟踪.实验结果表明,该方法具有较强的鲁棒性,能有效实现复杂遮挡场景下的多目标实时跟踪.     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

三联神经网络与区域自适应策略融合的目标跟踪方法

为解决目标跟踪过程中快速运动模糊、背景相似干扰、目标状态变化等问题，基于孪生网络跟踪算法，提出三联区域候选神经网络（TripleRPN）算法与跟踪区域自适应策略（TAA）相融合的目标跟踪方法（TAA+TripleRPN）.三联区域候选神经网络根据当前跟踪结果实时更新网络匹配模板，提高了跟踪器对目标状态变化的敏感性.通过区域自适应策略，根据区域候选回归网络分类分支的得分在网络的两组输出间择优选择，提高算法长时跟踪的鲁棒性.针对背景相似干扰和目标状态变化的问题时，TAA+TripleRPN跟踪器能达到更好的跟踪性能.在OTB2015数据集上，算法的AUC达到66.31%，CLE达到88.28%.在实际场景中实现验证与应用，跟踪效果良好.      

基于轮廓特征点凹性分析的遮挡车辆分割算法

在智能交通系统的拍摄场景中,由于车辆间距过近和摄像角度原因,引起车辆遮挡的现象,增加了目标车辆检测和跟踪的难度。根据轮廓特征点,结合轮廓凹凸性,提出一种凹陷区域检测与分割算法。首先采用背景差分法提取车辆区域,根据车辆区域外接矩形的长宽比和占空比判断是否是多车遮挡,同时通过凸包分析算法提取遮挡凹陷区域;然后通过Freeman链码确定凹陷区域的轮廓特征点,对特征点进行凹性分析;最后匹配分割点,采用Bresenham直线生成法分割遮挡车辆。实验结果表明,该算法有效解决遮挡车辆分割不准确问题,与其他算法相比,具有较好的场景适应性。