一种利用最大间隔相关滤波的鲁棒目标跟踪算法

核相关跟踪通过相关滤波定位目标在图像中的位置，这种生成式滤波器方法容易受到与目标相似背景的干扰，导致跟踪失败。针对这一问题，通过最大分类间隔增强相关滤波器的判别性，将相似背景作为负样本对模型进行更新来提高跟踪的鲁棒性。该算法首先建立了基于最大间隔相关滤波器的目标跟踪模型，通过分类判别出与目标相似的背景；然后在跟踪过程中，将获得的相似背景作为负样本并对跟踪模型进行在线更新，适应目标在运动中的各种变化，最终实现对目标的鲁棒跟踪。在OTB2013和VOT2014数据库中选取了17个典型的图像序列进行实验，同时与6种相关跟踪算法的结果进行比较。实验结果表明，该算法在精确度和成功率这2个性能指标上, 相比于次优算法，在性能上分别提升8%和2%。 不仅取得了最好的跟踪效果。而且跟踪实时性较好。     

智能视频的公交客流量统计算法

为了解决复杂背景及运动状态下城市公交客流量的准确检测、识别与统计问题,提出了运动矢量跟踪方法,研究了公交乘客头部运动特征及客流量统计算法.传统的帧间差分、边缘检测等目标检测算法很难处理紧邻的多目标情况.利用类圆形处理提取类似圆形的目标连通域,对目标特征点进行运动矢量跟踪,实现了上、下公交车人数的准确统计.     

一种视频序列中运动目标的检测与跟踪方法

运动目标的监控与测量在汽车导航和智能监控行业中得到大量应用。本文提出了基于统计背景模型和灰度质心模型的运动目标检测和跟踪算法。在此方法中先建立背景的高斯模型,然后检测出场景中的运动目标,最后根据目标检测的结论,得到运动目标灰度质心的计算结果,并在坐标系中记录位置,采用最小二乘法拟合实现了对运动目标的跟踪。相应的实验结果表明这种方法能有效检测和跟踪运动目标。     

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。     

基于局部背景特征点的目标定位和跟踪

针对存在多个与目标相似的区域以及摄像头经常运动的跟踪问题,提出一种基于局部背景特征点的目标定位和跟踪方法。首先,根据相邻匹配的局部背景特征点与目标的位置关系对目标进行定位,然后,以定位得到的预测位置作为搜索起点,结合粒子滤波和均值偏移方法获取目标的候选区域,最后,根据候选区域和预测位置的距离对候选区域的相似度加权,将加权后相似度最高的候选区域作为跟踪结果。研究结果表明:该算法能够避免周围相似物体的干扰并准确跟踪目标,具有较好的鲁棒性和实时性。     

基于特征融合的改进粒子滤波目标跟踪算法

针对复杂背景下单一的颜色特征不能准确跟踪目标的问题,提出了一种改进的目标跟踪算法。该算法利用跟踪目标的颜色特征和运动边缘特征来表示目标。在粒子滤波的框架下融合特征信息从而进行目标跟踪,能够有效地避免单一颜色特征在跟踪过程中受到相似背景、遮挡等问题的干扰。通过与基于单一颜色特征跟踪实验误差数据的分析,实验结果表明该算法在复杂背景以及目标遮挡等情况下能达到较好的目标跟踪效果,实现目标的准确跟踪。     

融合深度特征与梯度特征的红外目标跟踪算法

由于红外序列图像目标与背景的对比度低,图像的边缘模糊并且灰度级动态范围小,采用何种特征描述目标成为跟踪的关键。深度特征和梯度特征是目前大部分跟踪算法采用的主要特征,然而深度特征提取的目标语义信息关注类间分类(Intra-Class),忽略类内差别,容易受到相似背景(Distractor)干扰;梯度特征作为局部区域特征不易受背景干扰,但不能适应目标的剧烈形变。基于这2种特征的互补性,提出一种融合深度特征和梯度特征的红外目标跟踪算法。深度特征与梯度特征被分别用来表征目标的语义信息与局部结构信息,增强了对任意目标的表征能力;利用不同特征建立的跟踪模型进一步提高了跟踪的鲁棒性。通过建立模型互助机制,利用深度特征跟踪模型与梯度特征跟踪模型的互补性,对目标实施了精准的定位。实验中,选取了最新的红外视频跟踪数据库(VOT-TIR2016)用来验证文中算法的有效性,结果表明：和当今主流跟踪算法相比,算法在精确度上获得了3.8％的提升,在成功率上获得了4.3％的提升,能够有效处理跟踪中相似背景与形变的影响。     

DSPCA在自适应视频跟踪算法中的应用

为了解决单一固定目标模型在复杂的场景中易产生跟踪漂移问题,提出一种基于DSPCA的自适应粒子滤波跟踪方法,通过稀疏主成分分解(DSPCA)在线获取互补图像集,同时将其按照新的相似度BRS进行自适应融合作为新目标模型。与经典的粒子滤波跟踪算法、视觉分解跟踪算法和多特征自适应融合跟踪算法,与有挑战性较高的场景视频相比,提出的算法在形态、运动快速及严重遮挡的运动场景中,都能鲁棒地跟踪到目标。     

一种基于SIFT的遮挡目标跟踪算法

针对运动目标遮挡的难题,提出一种新的遮挡目标跟踪算法。采用三帧取均值进行背景建模,采用相邻帧差法和背景差分结合自动提取出运动目标,对单运动目标生成SIFT(scale invariant feature transform)向量。当运动目标处于遮挡状态时,将遮挡区域与单运动目标进行SIFT特征匹配,通过特征匹配点的坐标,找出单运动目标在遮挡区域中的位置,并对SIFT特征匹配运用RANSAC算法进行优化,实现遮挡情况下目标的有效跟踪。实验表明,该算法能准确地跟踪处于遮挡中的目标,实现运动目标跟踪的连续性和稳定性。     

RGB-D与MeanShift相结合的实时目标跟踪

针对MeanShift跟踪算法目标易受到周围相似背景区域干扰的问题,引入图像的RGB-D特征,研究并实现结合RGB-D与MeanShift的实时目标跟踪算法。首先,提出一种新颖的相似性度量方法优化二次型距离(advanced quadratic-form distance,AQFD);其次,基于颜色和深度特征完善了特征权重在线自适应调整机制和目标模型更新策略;最后,对该算法进行仿真分析并基于Jetson TX2平台实现。研究结果表明:本文算法在目标受到周围相似背景区域干扰情况下仍能够完成目标跟踪任务,优于先进算法Staple,具有良好的准确性与鲁棒性,并且能够应用于实时跟踪。     

利用Kalman滤波的视频运动目标跟踪

提出一种基于kalman滤波的视频运动目标跟踪算法,首先对视频运动目标进行分割,求出运动目标的形心,再利用视频运动目标的形心所在宏块的运动矢量信息,用kalman滤波对运动目标的形心在下一帧的位置进行预测,从而快速、有效地自动跟踪多个目标对象.实验结果表明,该算法对运动目标的出现和消失,以及非刚性物体的尺度变化和变形,具有较强的鲁棒性.     

基于交互式多模型Kalman滤波的手势跟踪算法研究

针对任意变形手势跟踪过程中,手势运动轨迹方向发生改变时,传统滤波跟踪算法跟踪精度迅速下降的问题,提出了一种基于交互式多模型Kalman滤波的改进型手势跟踪算法。该算法在传统非机动状态空间模型的基础上增添了两个机动模型,以更加准确的描述手势的状态空间。首先采用三个不同模型分别描述不同的目标运行模式;同时,以模型匹配似然函数为基础更新模型概率;最终组合所有滤波器修正后的状态估计值以得到最优状态估计。实验对比结果表明,该算法能够取得较高地跟踪精度。     

改进YOLOv5的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块,一般情况下,车辆检测和车辆表观特征提取是在不同的神经网络中进行的,且一张图中的车辆目标越多,对车辆表观特征提取耗费时间的也越多,推理时间也相应变长。针对这一问题,基于经典的Tracking-By-Detection模式,提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块,使YOLO在输出目标位置信息的同时输出目标特征信息,以提高算法的跟踪速度。针对车辆间彼此覆盖的情况,提出一种基于动态IOU阈值的非极大抑制算法,以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配,从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性,实验结果表明,将YOLOv5网络进行改进后运用在目标跟踪算法中,相对于经典的YOLO+DeepSORT跟踪模型,在车辆密集的情景下平均推理时间减少了17%;在改进后的网络上添加动态IOU阈值非极大抑制,跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。     

一种组合核函数的自适应目标跟踪算法

分析了传统Mean Shift跟踪算法在外观模型对光照变化敏感以及外观模型更新上容易积累误差等缺点,结合了传统Mean Shift 跟踪算法计算速度快和易于组合的优点,设计了两种不同外观建模的Mean Shift跟踪算法。第一种Mean Shift跟踪算法采用传统的RGB颜色模型提取外观模型,第二种采用对光照变化不敏感的非色彩与梯度信息提取外观模型。结合这两种跟踪算法,通过这两种跟踪算法跟踪的目标进行加权得到的目标位置,以及根据协同更新的原理对这两种跟踪器的外观模板进行更新。这样不仅使得跟踪准确率得到了一定的提高,而且对外观变化的适应能力也大大的提高。     

一种基于Mean Shift和C-V模型的车辆跟踪算法

针对传统Mean Shift算法跟踪窗口固定不变,无法对不断改变尺寸的车辆目标进行有效跟踪的问题,文中根据车辆跟踪的特点,提出一种基于Mean Shift和C-V模型的车辆跟踪算法.首先利用传统Mean Shift得到初始跟踪窗口,然后根据C-V方法所提取的车辆形状信息对跟踪窗口的中心和大小做进一步修正,在跟踪过程中综合利用了目标颜色、形状等信息,同时对传统C-V方法进行改进,采用一种新的初始化水平集函数表达方法.实验结果表明,文中算法在满足实时性要求的同时,大大提高了车辆跟踪精度.     

IPNet:帧间预测校验的多域卷积神经网络目标跟踪算法

针对现有卷积神经网络分类预测MDNet算法在线更新机制容易将错误样本引入网络模型,导致跟踪算法失效的问题,提出一种基于帧间预测校验的MDNet目标跟踪改进算法IPNet。该算法运用视频压缩领域的帧间预测方法和聚类算法,在前一帧目标跟踪位置的基础上,计算前后连续两帧中目标的相似度,估计出目标下一帧可能出现的候选区域,实现目标位置预测,达到校验跟踪结果的目的。IPNet算法能有效减少更新样本导致的跟踪失效问题,改善了在目标旋转、快速运动以及背景混杂等情况下的跟踪效果,提升了算法的跟踪性能。     

背景加权的多特征融合目标跟踪算法

针对单一特征目标跟踪导致多数跟踪算法鲁棒性差的原因,提出一种背景加权的多特征融合目标跟踪算法。在跟踪过程中对目标模型进行背景加权,同时利用空间直方图提取目标颜色的空间分布信息。在粒子滤波框架下将背景加权直方图和空间直方图相结合,并且引入特征不确定性度量,自适应调整不同特征对跟踪结果的贡献,有效地提高了算法的鲁棒性。实验结果表明:与传统融合算法相比,提出的算法具有更强的鲁棒性,同时提高了跟踪精度。该算法在目标表示和跟踪性能上都有很大的提高。     

雷达低仰角目标跟踪的测角误差实时补偿算法

为提高雷达对低空目标的跟踪精度, 提出了一种基于渐消记忆递推最小二乘法的测角误差实时估计算法。 该算法利用不同设备同时对目标进行跟踪, 得到不同的观测结果。 利用渐消记忆递推最小二乘法对不同的观测结果进行处理, 赋予不同的权值, 得到最终的测角误差估计值。 通过理论分析, 构建多径环境模型, 对该算法的效能进行验证。 仿真结果表明, 由该方法得到的测角误差估计结果估计误差小, 同时可有效减小测角误差的抖动, 得到稳定的测角误差估计结果。     

基于软件接收机的标量与矢量跟踪算法设计与分析

以Matlab软件接收机为平台,研究对比了标量与矢量跟踪算法结构原理及算法设计,并分析了两种不同算法在信号短暂遮挡环境下的接收机跟踪性能. 建立了基于扩展卡尔曼滤波的矢量延迟/频率锁定跟踪算法模型,分析了矢量跟踪算法控制过程及时间同步问题,分析了标量与矢量跟踪算法在信号短暂遮挡环境下快速重跟性能及其对定位的影响,并进行了半实物仿真. 仿真结果表明,矢量跟踪算法不仅具有更好的快速重跟性能,而且接收机的位置检测精度和位置检测平滑度都优于标量跟踪算法.      

基于改进粒子群算法的目标航迹模拟及RCS仿真

针对雷达运动目标轨迹模拟逼真度问题和RCS特征,提出一种基于嵌入式粒子算法的目标航迹模拟和RCS仿真方法。首先,分析了无人机模拟运动目标航迹的基本原理,以及无人机和模拟目标之间的运动模型和耦合关系,确定了耦合因子和控制量。然后,分析了目标运动轨迹模拟的约束条件,并结合无人机性能和能耗等因素给出了目标优化适应度函数,建立了目标航迹模拟的最优控制模型。其次,为提高模型解算的针对性和实用性,将粒子群算法进行改进,并嵌入到模型求解中,实现了对目标航迹的有效模拟。最后,基于模拟目标航迹,利用飞行动力学原理和坐标系转换计算得到模拟飞行目标的姿态角,通过电磁计算软件仿真得到模拟飞行目标的RCS。仿真结果表明,该方法对实现运动目标轨迹模拟和RCS仿真具有广泛适用性。