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．     

基于局部分块和背景加权的视觉跟踪算法

针对视觉运动目标的鲁棒跟踪问题,提出了一种基于局部分块和背景加权的跟踪算法。首先对目标的前景和背景区域进行分块采样,然后利用基于积分直方图的局部快速穷搜索算法计算每一个分块在当前帧中的后验概率图,最后对后验概率图确定的对应分块的搜索结果赋予不同的权值,进而计算出目标在当前帧中的位置。实验结果表明:基于局部分块加权的跟踪算法比单纯的背景加权跟踪和分块跟踪具有更高的跟踪精度和成功率,且算法复杂度较低。     

背景加权的多特征融合目标跟踪算法

针对单一特征目标跟踪导致多数跟踪算法鲁棒性差的原因,提出一种背景加权的多特征融合目标跟踪算法。在跟踪过程中对目标模型进行背景加权,同时利用空间直方图提取目标颜色的空间分布信息。在粒子滤波框架下将背景加权直方图和空间直方图相结合,并且引入特征不确定性度量,自适应调整不同特征对跟踪结果的贡献,有效地提高了算法的鲁棒性。实验结果表明:与传统融合算法相比,提出的算法具有更强的鲁棒性,同时提高了跟踪精度。该算法在目标表示和跟踪性能上都有很大的提高。     

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。     

基于目标背景加权的核跟踪

在核跟踪(Mean Shift跟踪)算法中,目标的表示方法对跟踪性能有很重要的影响.传统的核跟踪算法只是通过计算目标模型和候选目标模型,对目标进行跟踪,没有消除背景的影响,特别是目标与背景相近的情况.对此,提出了一种目标背景加权的核跟踪算法,该算法是在跟踪过程中对目标模型进行背景加权,并且在目标的表示中采用颜色纹理联合直方图.为了验证跟踪的可靠性,利用跟踪位置与目标位置之间偏移量的均值和方差进行衡量.实验结果表明,与传统的跟踪算法相比,该算法在目标的表示和跟踪性能上有很大的提高.     

一种抑制背景干扰的粒子滤波人脸跟踪算法

首先从理论上推导出基于MMSE状态估计在背景干扰下的偏差,然后通过实验说明基于MAP状态估计存在的问题,在此基础上提出一种新的跟踪目标状态参数估计方法.即在视频目标跟踪过程中,按照粒子权值大小的准则,筛选适当数量具有较大权值的粒子进行目标状态估计.由于该算法利用了参考目标与候选目标相似度大的特性,所以可以有效地剔除背景以及伪目标的影响.实验结果表明,该算法具有很好的鲁棒性,并且提高了在背景干扰下目标跟踪的精度.     

基于Mean Shift的视频图像检测与跟踪

在复杂背景的视频图像中,实时、准确、连续、长距离的跟踪以人为对象的目标,是一件很困难的任务。人体对象在跟踪目标图像位置的变化时,一直随着姿态的变化而改变,因此这是一个非常典型的非刚体目标,对这类目标采用简单的模板匹配的方法进行目标跟踪,无法达到准确的跟踪。均值漂移（Mean Shift）是现今最受欢迎的对象跟踪方法之一,广泛的运用于人脸的跟踪,文章提出了一种基于均值漂移算法的复杂背景视频图像检测与跟踪算法。在运动目标跟踪中,提出了以直方图为模式特征,以均值漂移算法为核心算法的目标跟踪算法,通过实验表明该跟踪算法能对候选目标进行运动检测,完成实时跟踪,同时有效抑制了局部遮挡、背景混乱等,过滤了伪目标,保证了跟踪的可靠性。     

基于SIFT特征点的目标跟踪算法

提出一种结合背景建模方法和基于SIFT特征点匹配方法的目标跟踪算法,该算法首先使用背景建模方法获得目标区域,然后对目标区域进行SIFT特征点提取,再利用特征点匹配方法实现视频目标跟踪,为了减小误配点,采用RANSAC方法来消除误配点。最后对算法进行了实验,实验结果表明,该算法可有效跟踪运动目标。     

基于图割框架下视频目标的自动实时提取算法

提出了一种在图割框架下自动实时的前景目标提取算法.通过混合高斯背景建模与基于颜色和局部表观的阴影判别相融合的方法,设置能量函数的数据项,并基于局部二值模型算子构建能量函数的平滑项.利用动态的图割算法,求取目标函数极值,实现视频目标的自动提取.在不同视频上对提出的分割算法进行性能测试,结果表明算法具有较好的分割性能且计算复杂度较低.     

基于颜色纹理直方图的meanshift目标跟踪算法

Mean shift算法是一种重要的目标跟踪方法.在充分研究Mean shift算法的基础上,提出一种基于颜色纹理直方图的改进Mean shift跟踪算法.该方法首先计算目标图像区域中基于局部二值模式(local binary pattern,LBP)的主要纹理特征,通过提取主要特征消除背景和噪声等因素的干扰.另一方面,联合颜色和信息建立目标表示模型,可以为目标建模提供更丰富的纹理信息,目标表示更为准确,目标特征更明显区别于目标附近邻域内的背景特征.通过实验表明,改进的跟踪算法能有效提高目标跟踪精度,因此该目标跟踪具有较好的鲁棒性.     

基于特征组合的视觉目标跟踪

针对大多目标跟踪算法仅关注目标特征的问题,提出同时采用目标特征及背景特征对目标进行跟踪.针对场景中灰度和梯度特征在跟踪过程中其分类性能动态变化,首先计算各特征似然度,然后根据各特征分类性能计算特征权重,求取加权似然图.根据该似然图,结合粒子滤波算法,进而确定待跟踪目标位置与尺寸.仿真结果表明,该方法对环境光照变化、目标尺寸变化、局部遮挡等均具有一定的鲁棒性.     

海上目标的实时图像处理系统设计

针对海洋背景的基本特点,确定了具有双视频输入（用TMS320F2812实现视频采集）、基于流水工作模式和可拓展结构的8片TMS320C6416T图像处理系统方案．通过2812-XINTF接口与多片6416-HPI接口连接,实现图像数据传输;软件采用结构化、模块化编程,易于扩展和维护;算法采用随机Hough变换求取海天线从而确定海天区域;基于多梯度特征的目标检测算法检测目标;利用目标的灰度和不变矩特征对检测出的目标进行跟踪．实际海洋环境的试验表明,所采用的图像处理算法效果良好．该系统还可实现对目标的被动测距、可见光和长波红外图像的双波段图像融合等功能．     

自动权值的马尔科夫彩色图像纹理分割方法

为准确获得目标图像,提出一种自动权值的马尔科夫彩色图像纹理分割方法。在HSV颜色空间中以颜色直方图作为颜色特征．设计Gabor滤波器提取图像纹理特征,对马尔科夫算法进行研究．设计自动权值算法。实验证明．该方法能有效降低算法复杂度,减少了分割过程中人为设置参数的主观性．较好地屏蔽图像噪声影响,可以很好地提取出目标图像。     

融合视觉模型和最大熵的阈值分割算法

针对传统二维最大熵阈值分割算法关于二维直方图的区域划分中存在的缺点(即图像的部分目标点和背景点错误划分为边缘点或噪声点,而把部分边缘点和噪声点划分为目标点和背景点)以及搜索最佳阈值向量的时间复杂度较高的缺点,提出了采用视觉模型构造二维直方图,并提出了一种二维直方图的新的区域划分方法,同时还提出了基于视觉模型的二维最大熵阈值分割算法,提出的阈值分割算法降低了计算复杂度的同时还具有很好的分割性能。根据一些图像分割的定量评价标准,做了一系列实验,与几种典型的二维阈值分割算法相比,提出算法的分割效果更好。     

增量学习灰度与轮廓模板的行人跟踪方法

为了解决云台摄像机的行人跟踪问题,提出了一种基于粒子滤波的行人跟踪算法.该方法在目标灰度模板以外,学习并更新行人目标的轮廓模板.考虑到行人轮廓因为视角变化可能发生的突然改变,算法准备了多套从不同视角观测的轮廓模板,并且逐渐更新它们使之可以逐渐捕捉目标的轮廓特征.在多段云台摄像机拍摄的监控视频上测试了所提出的算法.实验结果显示,该算法比其他先进的跟踪算法有更长的准确跟踪时间.     

基于稳像技术的飞艇监控视频目标追踪

一般的目标追踪算法提取目标的颜色或轮廓特征,在图像区域内使用匹配算法完成对目标的追踪。由于飞艇容易受到气流影响,艇载相机平移误差会造成目标在视频的相邻帧间运动距离过大,传统目标追踪算法容易陷入到局部最优解而造成目标跟错或者丢失。该文提出了一种基于视频稳像的追踪方法,使用基于运动估计和混合滤波算法,首先处理视频使之平滑稳定,在此基础上利用人机交互选择目标并应用基于MeanShift的算法实现追踪。比较本文提出的算法和一般算法在飞艇视频目标追踪中的效果,结果表明:该方法在目标追踪中具有更高的准确率,同时满足实时性要求。实验证明了本文提出算法可以准确有效地处理飞艇视频目标跟踪问题。     

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。     

基于结构相似性粗定位与背景差分细分割的运动目标检测方法

针对抖动相机和静止相机下的运动目标检测问题,本文提出基于结构相似性粗定位与背景差分细分割的运动目标检测方法。首先使用动态模式分解法根据视频序列提取彩色背景图像为粗定位提供基础,提出在小范围内利用相关法对SIFT算子检测到的当前帧图像和彩色背景图像的特征点进行匹配,通过匹配点对的偏移量估计当前帧图像的偏移程度,以达到消除图像抖动的目的;然后利用结构相似性对目标区域粗定位,减少复杂背景的干扰;再对各通道下粗定位彩色背景图像及校正后的当前帧图像背景差分并对其结果进行与操作;最后通过形态学处理得到完整的运动目标。实验结果表明：本文方法不仅有效改善了相机的抖动问题,而且在抖动相机和静止相机两种情况下的检测率有所提高,与GMM等三种算法相比查全率和准确率分别提高1.6%、3.5%和3%以上。