旋翼无人机实时视觉跟踪算法

针对背景变化、目标状态变化和短暂遮挡导致的无人机跟踪失败问题,提出了融合基于加速鲁棒特征的光流跟踪器、基于归一化相关匹配(wormalized cross correlation,NCC)的检测器和基于卡尔曼滤波器的位置预估器的目标跟踪算法.此外,设计了基于串级比例-积分-微分控制器(proportion integration differentiation,PID)的位置-姿态外内环控制器,计算目标相对无人机的水平位移,据此通过两级PID算法完成位置-姿态的控制,以确保目标始终位于图像中心附近,实现对目标的有效跟踪.测试结果验证了该跟踪算法的有效性.     

基于多模型检测的视频监控行人跟踪算法

研究了网络视频监控中行人检测和跟踪技术,并提出了基于多模型检测的视频监控行人跟踪算法.首先在已有检测算法的基础上,根据实验结果,分析了算法的优势和存在问题,提出了多模型融合检测算法,多模型融合检测算法充分利用各个单模型算法的优势,提高模型检测准确率,并使用快速特征金字塔算法提高了算法的实时性.随后在提出的检测算法基础上,结合卡尔曼滤波算法和匈牙利最优匹配算法实现多目标行人检测和实时跟踪.MOT测试视频实验结果表明:提出的跟踪算法能够较好地实现多目标行人检测和跟踪,适合网络视频监控场景.     

一种基于多特征融合的粒子滤波目标跟踪算法

针对采用单一图像特征进行目标跟踪时鲁棒性不高的问题,提出一种基于多特征融合的目标跟踪算法.该方法利用颜色特征和纹理特征描述目标,并将二者融合于粒子滤波框架中,提高了目标跟踪的稳定性,同时也在一定程度上克服了目标跟踪中光照变化时跟踪效果较差等缺点.实验结果表明,该文算法不仅提高了目标跟踪精度,而且具有较强的鲁棒性.     

基于多级信息融合的视频目标跟踪

在多摄像机视频监控的框架下,基于信息融合技术策略,提出了一种用于移动目标跟踪的多级信息融合方法.对于每个单一摄像机采用多特征融合粒子滤波跟踪算法,该算法将目标颜色和边缘方向特征同时作为测量特征,并通过随机融合机制融合特征权重,得出最佳目标位置估计.在此基础上,将多个摄像机的跟踪结果相融合,融合方法主要是通过位置、大小和颜色匹配概率的联合进行目标之间的匹配度测量,并基于信任度级别及权重融合目标跟踪特征.仿真实验证明本方法能够有效消除目标跟踪过程中的重叠区域遮挡问题,在提高目标跟踪精度的同时,充分发挥了多摄像机多信息融合的优势,较好地描述了跟踪目标的状态.     

基于ICLBP的多特征自适应加权融合目标跟踪算法

针对Mean Shift跟踪算法中使用单一的特征对目标进行描述而导致跟踪算法鲁棒性不高的问题,提出了一种多特征融合的目标跟踪算法.该算法选取HSV颜色特征和ICLBP纹理特征,建立目标模型的概率密度.根据目标区域确定背景区域,计算不同特征对目标和背景的区分性度量值,并以此设定和更新特征融合权值.使用特征融合权值系数建立多特征描述的目标模型,在Mean Shift算法框架上实现目标跟踪.结果显示,该算法对背景干扰和部分遮挡具有较好的鲁棒性.与传统的Mean Shift跟踪算法相比,跟踪效果有所提高,鲁棒性更好.     

融合多特征的粒子滤波目标跟踪算法

针对在复杂环境下,利用单个特征不能准确跟踪目标的问题,提出了一种在粒子滤波框架下融合多个特征进行目标跟踪的算法.利用Fisher线性判别原理,从特征集合中抽取能有效判别目标和背景并能保持目标时域一致的特征子集.在粒子滤波框架下,自适应地融合特征子集中的所有特征实现目标跟踪.通过试验证明了该算法在遮挡、环境变化等情况下的健壮性,同时也验证了跟踪结果的精确性.     

多特征融合的无人船视觉目标跟踪

针对海面光照变化、水花遮挡、水面倒影等耦合作用引起的无人船视觉目标跟踪漂移问题，提出一种基于多特征融合的尺度自适应相关滤波跟踪算法。通过多特征融合，增强了水面目标特征表达，避免了目标跟踪漂移。为减少环境干扰对跟踪目标外观描述的影响，设计尺度自适应跟踪滤波器，提升目标跟踪鲁棒性能。采用本文算法对多个代表性海上视频数据集进行验证，并与典型目标跟踪算法进行比较。结果表明，相较基于单一CN特征的跟踪算法，本文算法的平均重叠率提升23.63%、平均中心误差减少53.79个像素点。本文算法适用于处理由于海面环境剧烈变化、目标尺度变化导致的跟踪漂移问题，可为无人船作业自主性提供重要智能感知技术支持。     

基于视觉显著性特征的自适应目标跟踪

为解决运动目标跟踪过程中候选目标信息描述单一的问题, 提出一种基于视觉显著性特征融合的自适应目标跟踪算法。提取目标颜色、颜色的变化、强度和运动信息构建目标四元数模型, 采用相位谱重建算法检测目标的显著图(Saliency Map), 并根据特征相似度大小自适应调整权值, 融合视觉显著性特征和颜色特征实现目标跟踪。实验结果表明, 该算法能有效克服部分遮挡和背景融合干扰, 从而实现复杂背景下目标的准确跟踪。     

融合历史轨迹的智能汽车城市复杂环境多目标检测与跟踪算法

针对现有智能汽车环境感知算法多根据特定类型目标设计,在处理目标遮挡、光照突变等城市复杂场景时识别准确率较低的问题,提出一种基于网状分类器与融合历史轨迹的多目标检测与跟踪算法。该算法考虑各目标之间的遮挡关系,利用具有目标融合功能的网状分类器对多尺度滑动窗获取的待检窗口进行多目标检测;历史检测结果基于目标特征关联通过计算目标长短轨迹和历史轨迹可靠性验证生成历史轨迹库,该轨迹库用于预测或融合新的检测结果;利用该检测跟踪结果更新网状分类器中的标准差分类器、最近邻分类器和历史轨迹信息,直至完成多目标长时跟踪。实验结果表明,本文算法在目标遮挡、光照变化和阴雨天气的复杂城市环境下均可实现多目标长时间检测跟踪,与KITTI数据集样本相比,平均准确率在77.17%～81.32%之间,单帧图像平均耗时0.05s,具有较好的实时应用前景。     

基于多路图像融合的目标跟踪系统设计

针对传统视频监控在区域面积较大的场所具有目标跟踪范围有限、小目标特征不全、数据存储浪费、信息检索复杂等问题,提出基于多路图像融合的目标跟踪系统的设计方案及相关算法。根据现有智能视频分析技术,提出基于双重机制的目标检测算法以提高目标检测效率和准确度,设计单摄像头目标跟踪与特征放大并行方案解决目标跟踪不流畅及目标特征不全的问题,提出多摄像头协同跟踪与视频图像融合算法解决大范围连续跟踪问题。实验测试表明,系统能较好地在摄像头之间连续跟踪目标,并将各摄像头获取的目标关键数据进行有效融合,数据存储量小,能满足无人值守时监测需要,具有一定的实用性和可推广性。     

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.     

融合时空多特征表示的运动人体目标跟踪算法

为提升运动人体目标的跟踪效果,缩短目标跟踪耗时,提出融合时空多特征表示的运动人体目标跟踪算法。利用运动人体目标位置的获取时间关系确定目标初始运动速度,根据目标区域的质心位置计算搜索窗,提取运动人体目标位置;融合待检测像素点、像素点矢量及最大似然估计值3大特征,将融合多特征表示引入运动人体目标的联合概率密度函数,利用运动人体目标检测门限检测运动人体目标图像像素点,确定运动人体目标区域;通过对运动人体目标的重采样及状态转移,完成运动人体目标的跟踪。实验结果表明:所提运动人体目标跟踪算法的跟踪准确率高到92%左右,跟踪耗时较短、跟踪查全率较好,跟踪效果得到了提升。     

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.     

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.     

基于自适应特征融合的均值迁移目标跟踪

提出了一种基于自适应多特征融合的目标跟踪算法.分别利用RGB颜色和LBP纹理特征建立目标模型,通过线性加权将两类目标子特征模型代入目标相似性函数并用均值迁移算法进行目标位置优化计算.在跟踪过程中,引入S igmoid函数动态调整两类子特征权重,并利用子特征相关系数和可靠性指数对目标特征模型选择性自适应更新.实验结果表明,该算法能在跟踪场景和目标外观变化时自适应调整两种子特征权重,避免了特征失效导致的跟踪失败;特征模型选择性更新策略有效抑制了模型漂移.与单一特征和模型直接更新的跟踪方法相比,该算法在复杂跟踪环境更具有鲁棒性,能进行准确稳定的实时跟踪.     

一种基于特征互补的新型长期跟踪算法

针对特征互补学习跟踪算法(Staple)在长期目标跟踪时出现目标丢失的问题,设计了一种基于特征匹配的重检测算法.该算法通过相关滤波模型和颜色特征模型的互补学习所得到的最大响应值来判断目标是否丢失,并融合基于网格运动统计的特征匹配算法(GMS)构建重检测机制,对目标进行重定位,从而保持稳定地长期跟踪.实验结果显示:该算法...     

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。     

多特征融合的长时间目标跟踪算法

针对长时间运动目标跟踪中因目标严重形变、短暂离开视线、遮挡而引起的跟踪漂移或丢失问题,提出一个多特征融合的长时间目标跟踪算法.首先,提取图像的方向梯度直方图和纹理特征后,训练两个独立的特征模板,线性加权融合得出滤波模型.其次,设计一个存放高置信度跟踪结果的标签库,记录跟踪结果的位置信息、置信度、使用次数.最后,在跟踪漂移或失败时,结合EdgeBox产生的目标候选框,并快速从标签库中获取重新跟踪的初始帧,在线训练更新滤波模型,从而使算法在长时间跟踪时保持较高的鲁棒性和高效性.在公开数据集上与流行算法进行对比测试,证明该算法在距离准确率、跟踪成功率和鲁棒性方面优于其他对比算法.研究结果表明,多特征融合方法能有效解决遮挡、颜色相近、形变等复杂场景下的长时间目标跟踪问题.     

基于ICT算法的复杂状态目标实时跟踪

针对压缩跟踪(CT)算法不能解决跟踪目标形变、被遮挡、光照变化等问题,提出改进的压缩跟踪(ICT)算法.采用卡尔曼预测下一帧中的目标状态,从而减小搜索域,并在目标被遮挡时估计运动轨迹;采用定向二进制特征(ORB)匹配算法,跟踪形变目标和判断目标是否被遮挡;采用ORB匹配跟踪、CT检测和贝叶斯学习相结合的方法,融合ORB匹配跟踪和CT检测,输出最优结果,减弱光照变化的影响,提高跟踪帧率的同时增强鲁棒性.实验结果表明:ICT算法能准确地跟踪形变及被遮挡目标,跟踪效果在多种数据集上表现出更高的鲁棒性和精确性,平均帧率达到74.137Hz,具有良好的实时性.     

提高Mean-shift跟踪算法性能的方法

针对Mean-shift跟踪算法,在目标色彩特征不突出,或受到光照、阴影等影响,或有干扰物体靠近目标时,很容易发生跟踪错误等问题,采用色彩融合模版和位置预测来提高Mean-shift跟踪算法的性能.在对图像的RGB三色进行简单的线性融合的基础上,提出了根据前景和背景直方图的相似度函数去选取目标特征最突出的融合图像的算法,并据此建立3个目标模版.对目标的位置先进行卡尔曼预测,再用Mean-shift算法对3个模板分别进行跟踪,最后融合跟踪结果.实验结果证明,提出的方法能在复杂背景下跟踪目标,并能更好地应付阴影、光线等变化.此外,它能有效地避免相似物体靠近目标或者和目标交错引起的跟踪失败.