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。     

基于颜色信息足球机器人视觉跟踪算法

机器人足球比赛是一项非常复杂的高技术对抗活动,其中快速准确地识别小球和机器人小车是决策及控制的基础,在足球机器人视觉跟踪中,颜色信息是最主要的识别分别依据由于ＨＳＶ模型更接近人眼对颜色的感知,在不同光照条件下,色调参数Ｈ数值较稳定,比较适合用识别处理更接近人眼对颜色的感知,在不同光照条件下,色调参数Ｈ数值较稳定,比较适合用做识别处理的基础。因此使用色调Ｈ和亮度Ｖ作为识别颜色的参数,同时为了提高识别速度,作了一些改进,并提出了一种闹尔夫球和机器人小车的快速识别算法,试验快速准确,证明了该算法的可靠性和有效性。     

基于分层神经网络带预测器的视觉跟踪

提出了一种新的视觉伺服控制方案，在该方案中利用视觉雅可比映射矩阵，求出了任务空间到视觉空间的视觉伺服控制方程，并利用这一方程建立了预测器，对物体图像的未来位置进行预测，这样就减小了图像处理的区域，提高了图像处理的速度，同时，利用分层神经网络代替视觉空间到任务空间的映射，避免了复杂的逆矩阵计算，仿真结果表明，这种方法的使用提高了图像处理的速度和跟踪精度。     

机器人焊接视觉跟踪

直接利用焊接电弧光，通过专门设计的窄带，偏振复合滤光器，摄取焊接区图象，然后用自行研制的ＴＭＳ３２０２０图象处理机进行高速处理并输出偏差特征参量，最后控制特别设计的末端器，操纵焊枪，实现机器人电弧焊的实时跟踪。     

机器人中的多传感器信息融合技术

针对单一传感器在信息采集时所受的限制,该文利用多传感器信息融合的特点,分析了该技术在机器人中的应用。     

基于多级信息融合的视频目标跟踪

在多摄像机视频监控的框架下,基于信息融合技术策略,提出了一种用于移动目标跟踪的多级信息融合方法.对于每个单一摄像机采用多特征融合粒子滤波跟踪算法,该算法将目标颜色和边缘方向特征同时作为测量特征,并通过随机融合机制融合特征权重,得出最佳目标位置估计.在此基础上,将多个摄像机的跟踪结果相融合,融合方法主要是通过位置、大小和颜色匹配概率的联合进行目标之间的匹配度测量,并基于信任度级别及权重融合目标跟踪特征.仿真实验证明本方法能够有效消除目标跟踪过程中的重叠区域遮挡问题,在提高目标跟踪精度的同时,充分发挥了多摄像机多信息融合的优势,较好地描述了跟踪目标的状态.     

融合视觉与雷达数据的改进粒子滤波车辆目标跟踪

针对视觉跟踪中由于尺寸变化累积误差导致目标丢失的问题,提出一种融合视觉与毫米波雷达数据的改进粒子滤波车辆跟踪算法。首先,引入遗传算法改善标准粒子滤波中的粒子退化与粒子衰退问题,根据退化程度计算动态自适应的遗传交叉概率,并利用高斯分布替代平均分布计算种群适应度。然后,将图像HSV直方图特征与改进粒子滤波算法结合,实现车辆多目标跟踪。最后,通过雷达目标投影点与视觉跟踪框的位置关系实现关联匹配,利用深度信息修正跟踪框的位置与尺寸。实验结果表明,相对于标准粒子滤波,改进的粒子滤波算法可以使平均跟踪准确率与精度分别提高22.1%与21.1%。相对于仅采用视觉跟踪,融合雷达数据的跟踪算法能够使车辆目标跟踪精度再次提高9.2%。     

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络（PNN）实现了对图像序列中移动目标——人头的跟踪．由于采用单一特征信息的跟踪算法在复杂环境中往往失效，故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据，并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正．实验结果表明，基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果，且具有简单、跟踪鲁棒性好等特点．     

运动车辆的多传感融合跟踪

针对单一传感器可靠性低、有效探测范围小的缺点,提出了采用雷达与机器视觉融合来实现路面运动车辆跟踪的新方法.该方法采用动力学模型对车辆运动进行描述,考虑了车体运动与车轮速率、转向角之间的关系,比用线性模型更符合车辆实际行驶时的复杂运动状况.通过基于雷达量测的扩展卡尔曼滤波估计建立视觉窗口,再根据图像灰度信息自适应调整窗口中心位置及尺寸,有效地限制了后继图像处理的工作区域,提高了系统的实时性.新方法采用数据融合技术,充分利用雷达与图像传感的量测信息,改善了对机动目标的状态估计.实验证明,该方法能明显提高路面运动车辆位置和方向角的跟踪精度.     

基于多重信息融合的人脸跟踪方法

近年来,粒子滤波算法作为一种处理非线性、非高斯问题的工具,在目标跟踪领域取得了广泛的应用.在粒子滤波中,构建一个合适的似然模型对跟踪的准确性起着关键性的作用.本文根据人体头部旋转的特点,提出了一种基于多信息融合的人脸跟踪算法.首先利用相邻两帧之间目标的位置相差很小这一信息,排除掉一些粒子是目标的可能性,然后融合颜色和局部灰度均值对比度这两个特征,在粒子滤波框架内对人脸进行跟踪.实验结果表明,该算法能够对人脸进行实时鲁棒的跟踪,并能够很好地解决在人体头部发生旋转情况下的跟踪问题.     

CTF定位策略下基于多特征的智能机器人目标跟踪

针对复杂环境下机器人目标跟踪问题,提出由粗到精定位策略下基于多特征的智能机器人目标跟踪方法.该方法首先利用射频识别系统实现目标粗定位,然后采用自适应模板匹配算法、改进核函数的连续自适应均值飘移算法及扩展卡尔曼滤波算法提取目标头肩形状、衣服颜色与运动特征,实现精确定位.最后根据人机运动状态设计基于模糊规则的智能调速控制器,实时自动调整机器人的基准线速度与转弯增益,以稳定跟随运动目标.实验结果表明,该方法能有效保持人机之间的安全距离,对遮挡、相近颜色背景干扰及目标突然转弯的跟踪问题有较强的鲁棒性.     

基于内侧轮廓模型的粒子滤波轮廓跟踪

为了提高复杂环境下轮廓跟踪的鲁棒性,提出了一种基于内侧轮廓模型的粒子滤波轮廓跟踪算法.① 在轮廓采样点的法线上利用Canny算子得到轮廓法线方向的梯度信息;② 用该法线的内侧部分构建局部颜色信息,并使之与梯度信息结合,形成一个新的一维法线观测似然;③ 用所有内侧法线构建一幅全局内侧颜色直方图;④ 将梯度信息、局部颜色信息和全局颜色信息3种特征进行有效融合,形成一个新的多特征融合观测模型.实验结果表明,在复杂环境下,该算法能够较好地实现对复杂的非封闭轮廓的鲁棒跟踪.     

基于SIFT特征点的目标跟踪算法

提出一种结合背景建模方法和基于SIFT特征点匹配方法的目标跟踪算法,该算法首先使用背景建模方法获得目标区域,然后对目标区域进行SIFT特征点提取,再利用特征点匹配方法实现视频目标跟踪,为了减小误配点,采用RANSAC方法来消除误配点。最后对算法进行了实验,实验结果表明,该算法可有效跟踪运动目标。     

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。     

基于模糊自适应整定PID的水下焊缝跟踪

针对水下焊接过程中焊缝跟踪控制的难点问题,设计了一种用于水下焊缝跟踪的模糊自适应整定PID(比例-积分-微分)控制器,采用模糊控制器充当调节器,在线调整PID控制器的3个参数,利用PID作为控制器,实现控制量的输出;讨论了该控制器的设计方法,并在相应模型的基础上进行了带扰动的控制模拟.仿真结果表明,该模糊自适应整定PID控制器的动态响应快、超调量小、稳态精度高、抗干扰能力强,能够满足水下焊缝跟踪的要求.     

基于模糊规则自适应弹性图像配准的视频跟踪

把形变视频跟踪看作一个动态图像配准问题,基于已有的模糊规则自适应学习弹性图像配准方法,提出了一个具有较好鲁棒性的视频跟踪算法。较之于一些经典的跟踪算法,提出的新算法显示出了更鲁棒的跟踪效果。     

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.     

基于压缩感知的在线多示例学习目标追踪

近年来提出的多示例学习算法在一定程度上能够克服模板漂移问题。然而,在线学习需要获取足够多的有用数据才能达到稳定的追踪效果,但是这却增加了算法的复杂度。为了解决这一问题,在压缩感知理论的基础上,运用随机观测的方法对多尺度图像特征进行降维,提取的这些低维特征中包含大量的有用信息。因此,我们提出的算法是先利用压缩感知理论提取目标特征之后,再使用在线多示例学习算法分类器对这些特征进行分类从而实现目标的稳定跟踪。通过对不同的图像序列进行实验,结果表明基于压缩感知的在线多示例学习算法对实时的目标追踪有很好的适应性。     

基于深度特征和相关滤波器的视觉目标跟踪

针对传统的相关滤波方法采用手工特征提取训练样本,限制了跟踪性能的进一步提升,在相关滤波框架下,探讨了深度神经网络VGG-16不同卷积层特征的目标跟踪效果,研究发现,从VGG-16提取的特征相对于传统手工特征具有显著优势;而在深度特征中,以第一层和第五层对目标跟踪性能的提升最为明显.以此为依据,提出了用第一层和第五层特征分别训练相关滤波器、将两者的相关响应图加权后进行目标定位.在OTB2013数据集上的实验结果表明:该方法对跟踪精度和鲁棒性均有进一步的改善.