基于多特征自适应融合的目标跟踪

针对传统的基于单一特征的跟踪方法在复杂场景和光照变化下易导致跟踪失败的缺点,提出了一个基于多特征自适应融合的目标跟踪算法。首先选取具有互补性的目标颜色和纹理特征构造目标的多特征模型;然后根据特征子模型对目标与背景的可分性,对目标特征子模型的权值进行自适应调节;最后利用颜色和纹理特征对所提的算法进行了验证。试验表明同基于单个特征的核函数目标跟踪方法相比具有更好的鲁棒性。     

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。     

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...     

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.     

基于多特征融合的目标跟踪算法

针对单一特征的目标跟踪算法鲁棒性较差的情况,利用目标的多种观测信息通过D-S证据理论进行融合跟踪.在粒子滤波的总体框架下,嵌入Mean-Shift算法产生更加逼近真实后验分布的粒子,同时采用颜色和运动边缘特征作为观测模型,有效地避免了单一颜色特征在光照突变、姿态变化以及背景相似情况下的跟踪稳定性较差的问题.实验表明,该...     

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.     

基于多特征混合模型的视觉目标跟踪

用单一特征训练跟踪模型进行跟踪鲁棒性较差,为解决这一问题,提出一种多特征表示的混合模型跟踪方法,将生成跟踪模型与判别跟踪模型结合.在生成模型中,利用金字塔结构计算基于颜色的直方图特征表示并以此来计算目标和候选之间的匹配度;判别模型则采用由灰度特征,HOG特征和LBP特征融合训练得到的SVM分类器来判别候选是否为跟踪目标,接着将匹配度和分类结果结合产生对候选的评估,最终评估最高的候选作为跟踪结果同时也用来更新判别模型的训练集.在CVPR2013跟踪数据集上的实验结果表明,该方法能有效克服局部遮挡和背景干扰等问题,实现在复杂背景下的目标跟踪.     

基于多特征自适应融合的鲁棒跟踪方法

针对复杂场景下用单一特征描述目标导致的目标漂移问题,基于均值漂移(Mean Shift)跟踪框架,构建了一种有效的自适应融合特征(Adaptive Fusion Feature,AFF)描述子,并提出一种自适应融合多特征的跟踪方法。该方法融合了颜色特征和尺度不变特征转换(Scale-Invariant Feature Transform,SIFT),并通过相邻帧间各特征的相似性来自适应动态调整特征的权值。实验结果表明,在复杂场景下多特征自适应融合方法(AFF)比单一特征跟踪方法和经典跟踪方法减少了目标漂移、目标跟踪更加精确鲁棒。     

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.     

多传感器稳健融合跟踪算法

讨论了多传感器融合跟踪的稳健性算法．针对集中式多传感器的融合跟踪结构,采用统计方法和随机逼近方法分析了传感器最优权的选取原则,得出了传感器融合对公共测量噪声没有影响的结果．依据最优选取原则给出了两种自适应融合跟踪算法,算法能在线适应传感器性能的变化,并使融合方差最小．采用典型航路进行了算法仿真,结果验证了理论分析的合理性和工程应用有效性．     

无线传感器网络自适应动态簇目标跟踪策略

考虑到无线传感器网络的特点及目标跟踪对实时性要求较高,提出一种基于动态簇的无线传感器网络目标跟踪策略.当目标出现时,基于节点管理机制采用层次分析法选举簇首,定义节点跟踪权值作为参与跟踪的依据,并建立动态簇.目标监视过程中,根据实际跟踪质量自适应调整动态簇规模;为了避免目标丢失,在自适应机制的基础上提出目标恢复机制.目标离开后,解散动态簇,释放节点资源.采用NS2对所提算法进行仿真测试,结果表明,基于动态簇的跟踪策略能够以较少的通信开销为代价获得很好的目标捕获率.     

一种多线索融合的均值偏移跟踪算法

针对传统基于的均值偏移(Mean Shift,MS)跟踪算法不能对运动目标准确跟踪的缺点,提出了一种融合多视觉线索的MS跟踪算法.首先根据目标在前一帧的估计位置,将目标搜索区域划分为目标区域和背景区域,其次在区域划分的基础上定义了一种新的颜色、运动线索直方图模型,能有效地抑制目标相邻背景的混乱干扰,最后基于MS理论框架提出了一种融合目标颜色、运动线索的跟踪算法,其颜色、运动线索可在跟踪过程中互补.实验表明,在目标快速运动、姿态发生较大变化或被遮挡的情况下,算法能够获得更为准确、鲁棒的跟踪结果.     

组网雷达自适应数据融合跟踪算法

针对高速、机动目标的实时、精确跟踪问题,提出一种能在线调整组网雷达中各雷达权值的自适应数据融合算法。按照一定的规则寻找最佳的权系数,使融合后目标的状态估计值最优;把输入信号用作自适应滤波器的量测信号,利用新息相关的自适应滤波算法对状态方程及量测方程中误差的变化调节增益矩阵的大小,同时根据自适应滤波的状态偏差输出信号与当前的量测数据,运用模糊推理规则对组网雷达系统中各雷达的权值进行在线调节;系统输出结果即为自适应数据融合下目标的最优状态估计值。仿真结果验证了该算法在跟踪精度和收敛速度上的优越性,实现了组网雷达系统对目标的自适应跟踪。     

基于多传感器抗差融合的UKF弹道跟踪算法

弹道跟踪测量过程中,由于环境的复杂性和测量机制自身的问题,测量数据不可避免存在异常值等.传统的加权观测融合估计算法往往直接对来自各个传感器的测量数据进行处理,忽略了数据质量问题对滤波精度的影响.为解决此问题,在加权观测融合算法的基础上引入抗差估计理论,根据观测融合值与融合预测值,计算测量融合残差向量、抗差权重因子和融合观测向量等价协方差阵,实现了异常值的实时分离与修正,解决了融合过程中由于测量数据存在污染导致弹道数据处理精度下降的问题.同时引入平方根滤波思想,避免了常规UKF中误差协方差矩阵非正值引起的滤波散度问题.仿真结果表明该算法估计精度高,计算负担小,能有效地减小测量误差对弹道定轨精度的影响.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

基于信息融合的井下图像跟踪

提出了一种新的井下图像跟踪算法图像相关算法与卡尔曼滤波器之间的信息进行融合·此算法基于贝叶斯规则,将一种常用的均方差图像相关算法和卡尔曼滤波器两者信息进行融合,得到一种新的成像跟踪算法·改进后的算法融合了MSD相关器和卡尔曼滤波器两者的信息,使得两者之间的信息反馈增强,提高了跟踪算法的性能和鲁棒性,大大减少了目标失锁的可能性·另外,改进后的算法还融合了噪声的统计性能,提高了对噪声的抑制能力·从理论计算和实验结果看,用这种算法获得的图像比一般相关算法获得的图像更具有真实性和准确性·     

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

一种基于复杂性测度的干扰样式识别方法

提出了一种基于复杂性测度的干扰样式识别方法．该方法首先分析接收信号的分形维数和LZ复杂度．通过使用一定数量样本,获得每种干扰样式分形维数和Lz复杂度分布的均值中心和方差．然后采用指数距离计算待识别样本与每种干扰的均值中心和方差的距离,按最小距离原则来对干扰样式进行识别．最后给出了仿真结果及结论．