一种基于TLD改进的视觉跟踪算法

视觉跟踪是当前计算机视觉的热点问题之一。TLD(Tracking Learning Detecting)算法是一种可以在线学习的新颖视觉跟踪算法。针对算法中跟踪器采用的LK光流法无法捕捉大幅度运动目标的问题,引入图像金字塔模型,提出一种采用金字塔光流法的TLD的改进算法,解决了长时间跟踪中出现运动尺度过大时产生孔径的问题。实验结果表明,算法在复杂场景和大运动条件下,可以长时间准确、快速地实现视觉跟踪,具有较强的适应性和有效性。     

基于TLD改进的人脸检测跟踪算法

机器学习和模式识别技术目前在军事以及日常生活中应用越来越广泛,该文主要是基于TLD（Tracking Learning Detection）算法的改进完成人脸检测后的自学习与跟踪。TLD算法是一个高效的检测、在线学习、跟踪的系统,其主要是由三部分组成,学习器,跟踪器,检测器当输入一段视频序列后,同时送入三个部分,当观测到物体的外部特征时检测器对其进行定位,而且修正跟踪器也是其功能之一;跟踪器利用帧到帧变化的运动信息跟踪目标：学习器对检测器进行评估并且更正避免发生同样的错误。跟踪器主要是应用金字塔光流法,而学习器是通过随机森林算法完成在线实时学习。该文的创新之处就是摒弃原TLD算法的通过鼠标选择感兴趣区域的初始化．而采用基于OpenCV的harr特征人脸检测进行初始化。即当在第一帧第一张人脸检测后便对其进行自学习与跟踪。     

利用Camshift与TLD框架的多目标视频跟踪算法

由于跟踪器采用的是基于金字塔Lucaks-Kanade光流法,需要在相邻帧之间对目标的运动进行跟踪,运算量较大,因此提出了采用轻量级跟踪算法Camshift作为TLD算法框架中的跟踪器模块,来提高跟踪模块运行效率。而TLD框架的检测器在跟踪器追踪失败时需要检测大量数目的子窗口,因此利用背景差分方法进行前景检测,可以减小检测范围和数目。TLD算法本身是对单目标的长时间跟踪,提出基于多线程机制TLD算法,针对每一个跟踪目标建立相应的线程对其跟踪。经过实验验证,与原算法相比,优化算法使得对多目标实时跟踪性能得到一定提升。     

基于连续自适应均值漂移和立体视觉的无人机目标跟踪方法

为设计一种可自动跟踪、避障的无人机视觉导航技术,将无人机同时搭载双目和单目摄像头:单目摄像头采集无人机相对于被跟踪物体的图像,并采用经Kalman预测器优化的连续自适应均值漂移算法对目标进行有效跟踪;双目摄像头实时采集无人机前进方向上的图像信息,并利用SGM算法计算深度图以分割出无人机前进方向上的障碍物信息。无人机在跟踪目标物体的同时,可自主避开行进方向上的障碍物。实验结果表明,该方法可以有效引导无人机持续、精确地对目标物体进行跟踪,并在跟踪过程中及时躲避前进方向上的障碍物。     

基于随机森林的长期目标跟踪方法

结合正负样本相互作用思想和随机森林算法构建检测器,融合基于LK光流法的跟踪器,提出一种基于TLD(Tracking Learning Detecting)的随机森林长期目标跟踪方法。将该方法与Mean-Shift算法、TLD算法进行对比,结果表明该算法能很好应对目标丢失、遮挡情况,准确率在93%以上。在多种情况下对该方法进行实验验证,可实现刚性物体和非刚性物体在复杂背景下的长时间精确跟踪。     

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.     

一种实用的嵌入式DSP视觉跟踪器设计

设计一种用于跟踪一般物体的实用的嵌入式视觉跟踪器,以ＴＭＳ３２０Ｃ３２ＤＳＰ为中央处理器,以ＯＶ７６１０为摄像芯片建立独立的视觉跟踪器硬件模块;以Ｋａｎａｄｅ－Ｌｕｃａｓ光流算法为基础建立基于特征的目标跟踪算法,并使用金宁塔数据结构和启发式搜索算法快速有效地跟踪目标,结果表明使用普通的ＤＳＰ可以实现图像中一般目标的实时跟踪。     

基于HOG-SVM的改进跟踪-学习-检测算法的目标跟踪方法

对于经典跟踪-学习-检测(TLD)跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化等问题时,会导致算法的跟踪精度和速度降低,计算的复杂度较高,实时性差。针对以上问题,提出一种改进的TLD目标跟踪算法。首先针对检测模块中计算复杂度高的问题,将HOG-SVM结合替换原TLD算法中的2bit BP特征和集成分类器;再针对原算法中跟踪精度低的问题,将KCF跟踪算法替换中值光流法;在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进,解决原算法中实时性差的问题。实验表明,改进后的跟踪算法,在背景环境变化的情况下,跟踪精度和速度都有提高,实时性加强。     

基于HOG-SVM的改进跟踪-学习-检测算法目标跟踪方法

对于经典TLD(跟踪-学习-检测)跟踪算法,在目标受到遮挡、光照、干扰、旋转和尺度变化等问题时,会导致算法的跟踪精度和速度降低,计算的复杂度较高,实时性差。针对以上问题,本文提出了一种改进的TLD目标跟踪算法。首先针对检测模块中计算复杂度高的问题,将HOG-SVM结合替换原TLD算法中的2bitBP特征和集成分类器;再针对原算法中跟踪精度低的问题,将KCF跟踪算法替换中值光流法;在HOG-SVM+KCF跟踪算法的基础上,对滑动窗口法进行改进,解决原算法中实时性差的问题。实验表明,改进后的跟踪算法,在背景环境变化的情况下,跟踪精度和速度都有提高,实时性加强。     

类人足球机器人彩色目标识别与头部视觉跟踪

为了在机器人足球比赛中能够快速准确地跟踪运动目标,提出了一种颜色识别与头部视觉跟踪相结合的方法.利用HSV色彩空间颜色阈值的判别和种子点区域生长的填充算法识别物体,计算物体质心并判断其位置,然后通过舵机控制机器人头部的转动跟踪目标.实验结果表明,该方法具有较高的跟踪速度与准确性.     

基于机器视觉的目标跟随六足机器人

针对智能机器人控制领域的机器视觉中的目标跟踪问题与机器人运动控制方法研究,设计实现了一款基于机器视觉的目标跟随六足机器人,该系统的机器视觉目标跟踪算法为TLD(tracking-learning-detection)算法,采用stm32嵌入式处理器驱动32路舵机控制板控制机器人运动,并设计实现了一种小型自动火控装置用于锁定目标后的定位打击.该系统融合了六足机器人运动学和机器视觉目标跟踪技术,对六足机器人步态进行研究,根据目标视觉导航,精确锁定目标,对目标进行瞄准打击做出了详细的设计实现工作.     

智能婴儿车目标跟踪系统的研究

设计了一种智能婴儿车的跟踪系统,它是在普通婴儿车的基础上设计了嵌入式控制系统。通过对目标跟踪技术及跟踪方法的分析研究,将压缩感知代替TLD(tracking-learning-detection)跟踪算法中的级联检测器,并应用到该控制系统中,能够很好地改善TLD跟踪算法的实时性能。介绍了该控制系统的设计方案,详细讨论了对TLD跟踪算法的改进,最终介绍了该系统中目标跟踪的具体实现方法。实验结果表明所设计的智能婴儿车目标跟踪系统能够自主稳定地跟踪目标。     

基于多分辨率光流和多尺度角点的运动车辆跟踪

针对稀疏光流LK(Lucas-Kanade)算法不能稳定跟踪快速移动目标的局限性,提出了基于小波金字塔的多分辨率光流跟踪算法.算法基于多分辨率思想对原始稀疏光流进行了改进,从而实现了准确跟踪快速移动目标.在特征提取方面,提出了多尺度Harris角点检测方法,较好地解决了传统Harris方法的漏检和角点分布不均匀的缺陷,适合复杂交通场景中运动车辆特征提取.实验表明,当运动车辆旋转、移动以及摄像机变焦时,角点始终稳定可靠,并且跟踪算法能够快速、准确地匹配特征角点,实现了复杂交通场景下对运动车辆目标的实时稳定跟踪.     

机场跑道的图像监测系统设计与实现

以图像处理技术为基础,依托VS2010平台,利用OpenCV函数库开发了机场外来物FOD(foreign object debris)监测系统。从硬件、系统工作流程两方面提出了建立机场监控塔、监控中心和应急中心3个服务平台的方案。基于图像技术,设计了以自动阈值分割技术结合背景差分法、三帧法的目标识别模块和以Camshift为关键技术的目标跟踪模块,实现了前景目标识别和多目标跟踪两大功能。测试结果显示,目标识别准确率和精确度均较高,且受环境影响小,系统可靠性高。     

柑橘果园机器人仿生眼的目标跟踪与定位系统

针对传统柑橘园林机器人云台视野范围小、定位精度低等问题,在仿生眼平台上,提出一种基于连续自适应均值偏移(CAM shift)算法和变结构PID控制器相结合的目标跟踪方法。具体包括效仿人类眼颈的结构特点,设计一个4自由度的仿生眼视觉平台;建立仿生眼的成像模型,提出一种相机外参数自适应标定方法,以解决仿生眼平台外参数会随着相机位姿改变而不断变化的问题;提出基于CAM shift的仿生眼目标跟踪算法,成功实现了对于目标的持续跟踪;为提高仿生眼系统在饱和非线性特性下的动态响应性能,提出采用基于抗饱和(Anti-windup)的变结构自适应PID控制器来设计仿生眼控制系统。以柑橘为研究对象,在设计的仿生眼平台上开展试验。结果表明,本文方法左眼平均中心位置像素误差(CPE)为7.2,右眼CPE6.1,均小于设计所要求的CPE10,且每帧图像处理过程小于0.1s。系统能满足实际应用,具有较高的鲁棒性和准确性。