图像目标的可视识别与智能跟踪

本文研究图像目标的可视识别与跟踪,给出了图像目标识别印章模型和系统总体设计方案。在此基础上,采用智能跟踪算法,实现了正常跟踪、判断、预测和记忆跟踪的功能,而且跟踪方式随着环境条件的变化而变化。正常跟踪算法的图像代数描述是简明的,与算法是内在一致的。通过给出两个实时可视跟踪的实例说明在实时ＤＳＰ可视跟踪系统上算法的性能及其可行性。     

舰船红外成像目标实时识别与跟踪系统研究

同时考虑硬件设计、算法研究、软件实现三个方面,成功高效地设计了一个舰船红外成像目标实时识别与跟踪系统。硬件上采用主从式结构,主机为控制计算机,从机为TMS320C6201芯片及其外围电路构成的图像处理系统。算法研究尽量实用化,提出了一种新的目标识别和跟踪算法。软件实现时,基于硬件和软件采取了许多优化措施。该系统已成功应用于光电干扰效果评定实验中。     

增强现实中一种新的基于标志物的跟踪方法

通过在标志物引入代码区及直观的图像信息,.设计了一种新的标志物系统,该标志物系统与ARtoolkit等系统相比具有更加形象、识别更加准确的特点;针对标志物设计的特点,提出了一种新的跟踪算法,该算法采用基于角点和纹理的混合跟踪方式,解决了标志物在快速运动或被部分遮挡等情况下的跟踪问题.实验结果表明该标志物系统及其跟踪算法是稳定有效的.     

基于特征匹配的舰载对陆导弹目标识别模型

针对传统基于前视模板的匹配算法中难以直接识别与跟踪建筑等目标的问题, 提出基于特征匹配的对陆导弹目标识别模型。该模型通过对末制导导引头图像预处理, 利用改进YOLOv3深度学习目标检测算法和改进Deeplabv3+深度学习语义分割算法来识别目标区和烟雾区, 采用并行法排除烟雾遮挡对目标识别的干扰, 最终判别分析规则判断模型是否识别成功。仿真实验结果表明，该模型能够快速有效精确地完成对陆地目标的识别, 兼具较好的抗烟雾干扰能力, 有利于提高对陆导弹的目标识别水平与作战效果。     

基于SVM数据融合的实时粒子滤波算法

采用粒子滤波的目标跟踪算法在粒子数目较多时计算量大、实时性差,针对该问题提出了一种新的基于支持向量机数据融合的实时粒子滤波算法。该算法在估计窗实时粒子滤波的基础上,使用支持向量机融合窗内不同时刻粒子集,并根据融合的结果更新粒子权值,实现对目标状态的快速跟踪。相对于原算法采用最小化Kullback-Leibler距离来调整估计窗混合分布的权值,该方法的计算复杂度低、速度快,进一步提高了算法的实时性。对纯角度目标跟踪问题的仿真结果表明了该算法的可行性和有效性。     

基于DSP的实时电视跟踪系统设计与研究

基于数字信号处理器 ( ADSP2 1 0 2 0 ) ,建立了一种主从式实时电视跟踪系统。分析了系统工作原理、构成及主控计算机与 ADSP2 1 0 2 0处理从机之间的控制关系 ,研究了快速中值滤波预处理方法、目标搜索和跟踪过程中波门的设定准则。采用矩持阈值分割方法提取目标 ,采用质心跟踪算法及基于线性微分拟合的记忆外推跟踪技术跟踪目标。     

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。     

高斯粒子PHD滤波的多个弱小目标TBD算法

针对现有多个弱小目标检测前跟踪(track before detect, TBD)算法存在的跟踪精度低,算法复杂度高等问题,提出一种新的基于概率假设密度(probability hypothesis density, PHD)的TBD算法。所提算法通过高斯粒子滤波对PHD中的各高斯项进行递归运算、进行多帧能量累积,并提取高斯项的均值为目标的状态,达到检测与跟踪多个弱小目标的目的。算法在随机集滤波框架下完成未知数目的多个弱小目标跟踪,不仅充分利用粒子滤波的非线性估计能力,同时避免了传统算法利用模糊聚类进行目标状态提取所带来的跟踪精度低等问题。仿真结果表明,所提算法与传统方法相比,在降低算法复杂度的同时,对多个红外弱小目标具有更加良好的实时检测和跟踪性能。     

基于强跟踪滤波器的自适应常加速模型及跟踪算法

建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服"当前"统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对"当前"统计(CS)模型的分析研究,在常加速(CA)模型的基础上提出了一种基于强跟踪滤波器的自适应常加速模型及跟踪算法(ACA-STF).该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比"当前"统计模型算法具有更高的跟踪精度.     

基于深度学习算法的坦克装甲目标自动检测与跟踪系统

实现对目标的自动检测与跟踪是坦克火控系统未来发展的重要方向。首先采用迁移学习的方法将基于深度学习模型的Faster R-卷积神经网络(faster R-convolution neural network,Faster R-CNN)算法应用解决复杂背景下的坦克装甲目标检测问题,与基于人工模型的传统算法相比达到了较高的检测精度。其次,针对坦克火控系统现有目标跟踪算法的不足,通过将Faster R-CNN算法与现有跟踪算法相结合,提出了复合式目标跟踪算法,实现了对坦克装甲目标的自动检测与稳定跟踪。最后,设计了一套目标自动检测与跟踪系统,采用动态扫描凝视成像技术实现了对大范围战场图像的快速、清晰获取,并对所提算法进行了实验测试。同时也指出了深度学习方法在应用于坦克火控系统时仍然存在的部分问题。     

无源系统中时间差和角度变换跟踪算法

在使用时间差方法对目标进行无源跟踪时,跟踪系统中的各站点有时无法同步截获目标的信号,使跟踪过程中误差增大。提出基于时间差与角度切换的跟踪算法。该算法利用时间差和角度测量的结果,使用扩展卡尔曼滤波对目标跟踪,通过对每个周期各站截获信号和对目标跟踪精度的情况,选择输出两种方法对目标位置估计结果。算法比仅利用时间差的方法有更强的适应性,同时精度并没有下降。给出了算法的具体步骤,通过仿真实验验证该算法的有效性。     

改进的均值漂移算法在运动目标跟踪中的研究

以智能交通系统中运动目标跟踪为背景,研究采用均值漂移算法,实现对快速移动的单目标事物准确实时跟踪。首先,分析了均值漂移算法的基本原理。其次,分析了均值漂移算法在目标跟踪中存在的问题及解决方法:针对目标遮挡情况下目标跟踪的准确性问题,采用将均值漂移算法与卡尔曼滤波算法相结合的自适应均值漂移目标跟踪算法;针对大小不变的带宽窗口可能导致跟踪丢失的问题,采用了自动调节带宽窗口的方法。最后进行了仿真实验。     

可视动目标逐步求精分割技术研究

运动目标识别跟踪系统中 ,目标分割是至关重要的处理环节。由于目标阴影、碎块等因素 ,估计精度受到影响 ,甚至导致跟踪的失败。提出了目标形状波动度的概念 ,并将其作为目标识别特征 ,利用最大似然估计准则 ,对目标初始区进行逐步求精估计。该算法简练实用 ,能有效地提高估计精度 ,为确保目标可靠性跟踪提供了新的手段。     

利用方向角信息辅助雷达目标跟踪

传统雷达仅能提供目标的方位和距离量测,由于可利用的信息相对较少,跟踪精度很难进一步提高。利用现代雷达的高分辨探测能力,提出了一种基于距离像识别信息辅助目标跟踪的模型,并结合求根不敏卡尔曼滤波技术得到了一种高性能跟踪算法。该算法根据距离像识别结果得到目标方向角的测量,进而通过增加观测量的维数来提高目标的跟踪能力。不同条件下的仿真结果表明,利用方向角信息辅助的跟踪算法收敛速度快,跟踪精度高,且复杂度与传统算法相当。     

引入目标灰度信息的多假设跟踪方法

在传统的多假设跟踪(MHT)算法中,航迹置信度函数仅利用了目标的位置信息。对于红外搜索与跟踪(IRST)系统中的目标跟踪,还有目标灰度信息可以利用,因此在IRST系统的MHT算法中加入目标的灰度信息来重新构造航迹置信度函数和航迹启动条件,增强了算法抑制虚警的能力。通过跟踪5个高机动目标的仿真过程,对算法性能进行了检验,仿真结果表明,新的算法可以减少航迹数目、减少系统计算时间,并使算法具有更强的抑制噪声的能力。     

高分辨距离像辅助的机动目标跟踪算法

宽带相控阵雷达可以获得高分辨距离像,利用此特征获取目标的姿态角成为了一种可能,基于此提出了一种新的机动目标跟踪算法,充分利用高分辨距离像特征,实时估计目标姿态角,并将姿态角信息融合到雷达的量测方程,本文结合先进的非线性滤波算法,提出了利用姿态角的交互多模型不敏卡尔曼滤波算法。通过计算机仿真表明,利用目标姿态角的机动目标跟踪算法相比传统算法目标跟踪精度(位置精度和速度精度)得到很大提高。同时姿态角误差越小,目标跟踪性能越好。     

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.     

基于多尺度分频和变权的战场声目标识别

提出一种基于多尺度分频和变权的战场声目标分类与识别的快速算法,为战场环境下快速识别典型声目标提供了一种实用方法.首先对信号进行离散傅立叶变换,获得幅频谱,对幅频谱进行平滑递推滤波,之后对其进行多尺度分频,在同一尺度上求取幅值均值,并对其进行定量归一化,将归一化后的数组作为此尺度上的特征向量,多次训练获得大量特征向量数组,基于相似性系数的特性,从中提取特征向量模板,并给出模板相应的权重.最后,采用基于相似性系数的分类器,对信号进行分类与识别.并将此算法与传统的特征提取算法进行试验对比.试验结果表明,基于多尺度分频和变权的战场声目标分类与识别算法简单有效、识别率高、计算周期短、实时性好、适合目标跟踪时间较短的场合.     

基于模板匹配的多模式车辆跟踪算法

动态目标识别与跟踪是计算机视觉研究的热点问题,为实现汽车辅助驾驶系统中复杂背景下多目标的稳定跟踪,提出了一种基于灰度图像模板匹配的多模式车辆跟踪算法。根据不同模式下车辆灰度图像的特点,分别采用目标边缘特征更新模板、切割分块模板和逆转模板实现了车辆在正常行驶、遮挡及边界条件下的稳定跟踪。算法应用于道路多个车辆目标跟踪提高了目标形变和遮挡情况下的跟踪鲁棒性,采用改进的金字塔加速算法提高了跟踪速度。     

基于进化粒子滤波的数据域直接跟踪方法

传统目标跟踪算法首先通过采样信号估计时延或多普勒等参数,然后利用这些参数构成的跟踪方程获得目标运动轨迹,这种两步跟踪模式存在位置信息损失、误差累积等问题,跟踪精度仍有待提高。针对此问题,提出一种利用数据域采样信号,基于时延和多普勒信息的直接跟踪算法。该算法利用多个观测站的接收信号,首先建立一个基于连续时间和多普勒信息的直接跟踪模型;然后基于进化粒子滤波算法,对所提跟踪模型进行迭代求解,提高算法计算效率,实现对运动目标的快速高精度跟踪;最后,针对所提模型,推导了目标直接跟踪的克拉美罗下界(Cramer-Rao lower bound,CRLB)递归求解方法,给出了算法的跟踪误差下限。仿真实验表明,与现有跟踪算法相比,所提算法跟踪精度更高,收敛速度更快,尤其在低信噪比条件下更能逼近CRLB。