基于自然特征点的实时增强现实注册算法

提出了一种基于自然特征点的实时跟踪注册算法,并将其应用于增强现实系统。算法在已知场景的3D模型以及少量标定关键帧图像的基础上,选择与当前图像最为匹配的关键帧,利用基于关键帧的图像匹配方法实时获取摄像机的运动参数估计。算法采用合成中间图像的技术解决两图像特征点间的宽基线匹配问题,并应用扩展卡尔曼滤波器对参数估计结果进行平滑,以消除系统抖动现象。实验结果表明,算法鲁棒性强,注册精度高,能够有效地克服系统误差漂移。     

基于增强现实技术的圆明园景观数字重现

提出基于关键帧匹配的增强现实跟踪注册算法,实现圆明园大水法遗址的数字重现。并采用随机树的方法将特征点的匹配问题转化为特征模式分类问题,解决图像间的宽基线特征匹配。基于该算法构建出基于视频透视式头盔显示器的移动增强现实系统。实验验证表明,该方法具有实时、鲁棒,适用于户外跟踪注册。     

基于局部亮度直方图特征的实时目标识别与跟踪

针对自寻的电视导引头实时跟踪需求及其硬件平台的限制,借鉴离线训练的思想,提出一种基于局部亮度直方图的二进制特征描述算子,利用该算子设计了基于差异度函数和索引值的两级特征匹配方法。算子的二进制特性使得特征匹配过程主要通过一系列二进制位运算完成,算法复杂度大大降低。实验表明,该算法实时性强,平均跟踪速度可达25 fps以上,运行过程中内存需求量小,并且对目标尺度变化、旋转、光照变化等具有较好的鲁棒性,满足了导引头实时目标识别与跟踪需求。     

基于主动视觉的人脸检测与跟踪算法研究

基于融合Kalman滤波的Camshift算法与Adaboost算法相结合的方法,提出了一种基于主动视觉的人脸检测与跟踪算法.利用Adaboost算法与融合的Camshift算法实现人脸自主检测与跟踪;根据目标形心与视场中心的位置关系以及人脸区域与视场的面积关系,设计了云台控制算法.该控制算法通过对云台摄像机进行水平、垂直和变焦控制,达到自动调整云台摄像机参数的目的.基于硬件平台对所提出的主动视觉算法进行实验验证,实验结果显示,主动视觉算法具有较高的运行效率,能够实时的检测和跟踪人脸目标,扩大了摄像机的跟踪范围.     

视频监视中运动目标的检测与跟踪算法

提出一种视频监视中运动目标的精确检测、提取以及跟踪算法。该算法采用基于自适应背景图像估计与当前多帧图像的混合差实现快速精确地检测和提取目标 ,使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域 ,缩小了目标跟踪时的搜索范围。充分利用运动目标检测的结果 ,提高了目标的匹配效率及跟踪速度。     

一种稳健的空中目标跟踪方法

提出了一种稳健的空中目标跟踪方法.该方法基于MAD构遣了-种新的梯度特征相似度量算法,在梯度特征空间对目标进行匹配定位.为适应跟踪过程中目标的大小变化,利用自适应调整模板尺寸的方法在跟踪过程中调整目标模板大小,增强了对具有强机动特点的空中目标跟踪的稳定性.仿真结果表明,跟踪算法能够适应飞机在短期跟踪过程中由机动动作产生的快速形变,以及由形变带来的目标自身灰度上的剧烈变化和在长期跟踪过程中的大小变化,实现了对空中目标的稳定跟踪.     

基于PDAF和线性预测的实时小目标跟踪算法

根据红外图像中小目标的典型特征提出了一种新的小目标检测算法。利用图像小目标的微分几何特性,计算图像的最小法向曲率,并以此为阈值,获得小目标的候选区对象,以实现目标检测。针对复杂背景下跟踪过程出现背景杂波干扰或目标受到遮挡时,出现目标消失的问题,提出了一种基于概率数据互联滤波器和线性预测技术相结合的实时跟踪算法,以提高目标跟踪的稳定性和精度。最后,利用实际录制的图像序列进行仿真实验,可准确跟踪信噪比不小于2、运动速度为1帧/像素的目标,验证了算法的有效性和实时性。     

利用子区域特征进行自适应目标跟踪

提出了一种基于目标区域分割的自适应运动目标跟踪算法。该算法通过K-均值聚类,将目标分割为多个子区域,根据子区域颜色特征及其分布提出了一种新的目标模型,并给出模型相似性测度准则,从而将目标模型更新问题简化为区域特征的更新,提高了模型的稳定性。同时在跟踪过程中,利用相似性测度检测目标遮挡程度,根据遮挡程度自适应地调整卡尔曼滤波器的参数和模型更新过程,提高了在遮挡情况下算法的鲁棒性。分析和实验表明,新算法能够在真实场景中准确、实时地跟踪目标,是一种有效的视频目标跟踪算法。     

一种基于分片模板的自适应运动目标跟踪算法

分块跟踪算法是一种非常鲁棒的模板匹配算法,特别适合解决部分遮挡问题,但是该算法框架下的模板更新策略无法解决场景中的目标外观变化和遮挡问题,为此,提出一种分块跟踪框架下的带有遮挡检测的模板更新算法。算法将目标分为多个小片,根据各小片匹配的情况检测目标是否被部分遮挡。如果目标被遮挡,使用能精确反映目标信息的参考模板进行匹配;否则使用能反映目标变化的临时模板,并提出了相应的模板更新算法。大量的实验证明了本算法的有效性。     

基于视觉字典的在线多示例目标跟踪

在线多示例目标跟踪算法无法判别目标丢失以及无法适应目标尺度的变化。提出了一种基于视觉字典的在线多示例目标跟踪算法。算法将视觉字典和多示例跟踪分别作为检测器和跟踪器,利用互反馈技术提高跟踪性能。跟踪器完成目标的跟踪并为视觉字典的构建和更新提供训练样本;检测器则对跟踪器的结果（候选样本）进行判定,目标丢失时,暂停跟踪并重新检测目标,目标未丢失时,利用Ransac算法获得目标的尺度变换系数并在新尺度下更新跟踪器。为了提高目标丢失判别的准确性,提出了一种局部随机抽样的直方图相似性度量技术,采用局部划分思想和Noisy-NR模型计算候选样本与训练样本特征直方图的相似性,减少了传统直方图匹配由于受目标局部遮挡影响造成的误判。实验结果表明,该算法能够适应目标的尺度变化,检测目标的丢失,提高了跟踪稳定性。     

利用SIFT特征联合匹配的非刚体目标跟踪算法

为了解决非刚体目标跟踪过程中由目标形状快速变化带来的困难,提出了利用SIFT特征联合匹配的非刚体目标跟踪算法。首先分别提取目标模板和当前搜索区域的SIFT特征点;然后利用改进的联合匹配策略在目标模板和当前搜索区域之间进行特征匹配;最后根据匹配结果确定目标在当前帧的位置和尺度。改进的联合匹配策略在构建相似度矩阵时,不但利用了具有旋转和尺度不变性的SIFT特征向量,并且充分考虑了特征点的空间位置信息,有效提高了特征匹配的准确性。将这种改进的联合匹配策略成功地引入到SIFT匹配跟踪中,克服了传统SIFT匹配算法用于非刚体目标跟踪时的缺陷。实验结果表明,该算法对目标的非刚性形变、尺度变化以及背景干扰都具有较强的鲁棒性。     

视频图像中运动目标的实时检测

提出了一种运动目标检测与跟踪算法。以每点色彩信息的混合高斯模型来实现对视频图像的背景估计,从而实现对运动目标的检测。利用模板匹配的方法实现对运动目标的跟踪,并对混合高斯模型的算法进行了改进,使其能更快、更有效地适应环境的变化。实验结果表明此方法具有较强的鲁棒性,能较好地适应各种气候和光照环境的变化。     

基于SOM网络的智能化粒子测速算法

提出了基于自组织映射(self-organized mapping,SOM)神经网络的粒子图像测速算法。该方法使用SOM神经网络对粒子测速技术中运动追踪方法进行了改进,并在匹配过程中根据兴趣区域的粒子密度对粒子追踪算法与粒子相关算法进行了选择处理。经SOM网络改进的测速算法首先利用相关后的结果进行网络构建,然后使用追踪技术对候选匹配点进行筛选。该算法不仅消除了粒子密度与灰度分布的敏感性,而且也降低了相关时对分析窗口尺寸的敏感。最后,使用人工合成的粒子图进行了算法验证及误差分析。结果表明:所提算法在分析精度方面有很大的提高并且具有很强的鲁棒性。     

基于局部背景加权直方图的目标跟踪

针对传统的颜色直方图和加权颜色直方图跟踪算法难以在复杂环境下对目标进行有效跟踪的问题,提出了一种基于局部背景加权直方图的目标跟踪算法,该算法将目标的局部背景看作上下文,将其引入目标表征。在粒子滤波跟踪算法框架下,用局部背景加权直方图来表征目标,以增强目标与背景的鉴别性,从而突出目标区域内的前景信息。各种场景的实验结果比较表明,提出的跟踪算法比传统的颜色直方图和加权颜色直方图跟踪算法具有更好的稳定性和鲁棒性,特别是针对目标被局部遮挡及跟踪环境光照变化较大等情况。     

基于尺度空间粒子滤波器的多参考#br# 直方图目标跟踪算法

在基于直方图的序列图像目标跟踪算法中,目标的直方图通常都是在跟踪初始化时从目标所在的区域获得,然而单个直方图难以适应跟踪全过程中目标的各种变化。针对事先已知目标几种典型外观的跟踪问题,提出了一种基于粒子滤波器的多直方图尺度空间跟踪算法。利用多个典型直方图的线性加权来表示目标的直方图,根据目标的当前区域估计加权系数,生成下一帧的目标概率分布图,在目标概率分布图上运用尺度空间粒子滤波器,来估计多尺度规范化Laplacian滤波函数的极值,从而实现目标的定位。通过在真实序列上与现有算法的对比,表明了此算法不仅可以适应目标的色彩和明暗变化,而且能更准确地描述目标的大小,显著提高跟踪的精度。     

面向近红外合作目标的鲁棒检测与匹配算法

针对无人机视觉着舰相对导航合作目标检测易受环境干扰问题,提出了一种面向近红外合作目标的鲁棒检测与匹配算法。首先,搭建了由850nm的近红外合作目标以及带有850nm滤镜摄像头组成的成像系统;然后,设计了基于几何约束的方法剔除合作目标图像中的异形干扰点,再利用Hu矩排除其中的相似干扰点;最后,利用形状上下文匹配算法解决拍摄图像中合作目标可能存在尺度、角度畸变使得合作目标难以匹配问题。实验结果表明,所提出的方法可以在不同距离、不同光照、不同角度以及环境干扰下,实现合作目标鲁棒检测与匹配。     

基于神经网络的自由漂浮空间机器人鲁棒控制

针对带有模型误差及外界扰动的自由漂浮空间机器人轨迹跟踪问题,提出了一种基于神经网络的自适应鲁棒控制策略。采用对神经网络状态空间进行划分后与滑模变结构结合的控制器,对不确定非线性进行自适应学习,逼近误差作为外部干扰由鲁棒控制器消除。该方法从整个闭环系统的稳定性出发,利用H_∞理论设计的鲁棒控制器及神经网络权值的在线调整规则保证了系统的稳定性,并能使系统L2增益小于给定的指标,具有较好的控制精度及动态特性。仿真分析进一步证明了该自适应鲁棒控制算法的有效性。     

Effective method for tracking multiple objects in real-time visual surveillance systems

An object model-based tracking method is useful for tracking multiple objects, but the main difficulties are modeling objects reliably and tracking objects via models in successive frames. An effective tracking method using the object models is proposed to track multiple objects in a real-time visual surveillance system. Firstly, for detecting objects, an adaptive kernel density estimation method is utilized, which uses an adaptive bandwidth and features combining colour and gradient. Secondly, some models of objects are built for describing motion, shape and colour features. Then, a matching matrix is formed to analyze tracking situations. If objects are tracked under occlusions, the optimal “visual” object is found to represent the occluded object, and the posterior probability of pixel is used to determine which pixel is utilized for updating object models. Extensive experiments show that this method improves the accuracy and validity of tracking objects even under occlusions and is used in real-time visual surveillance systems.