旋翼无人机实时视觉跟踪算法

针对背景变化、目标状态变化和短暂遮挡导致的无人机跟踪失败问题,提出了融合基于加速鲁棒特征的光流跟踪器、基于归一化相关匹配(wormalized cross correlation,NCC)的检测器和基于卡尔曼滤波器的位置预估器的目标跟踪算法.此外,设计了基于串级比例-积分-微分控制器(proportion integration differentiation,PID)的位置-姿态外内环控制器,计算目标相对无人机的水平位移,据此通过两级PID算法完成位置-姿态的控制,以确保目标始终位于图像中心附近,实现对目标的有效跟踪.测试结果验证了该跟踪算法的有效性.     

一种基于多相关滤波器组合的目标跟踪方法

针对复杂跟踪环境条件下目标的跟踪失败问题,提出一种基于多相关滤波器组合的目标跟踪方法.首先2个分别采用颜色属性(Color Name,CN)特征和方向梯度直方图(Histogram of Oriented Gradient,HOG)特征的核相关滤波器(Kernelized Correlation Filter,KCF)通过自适应融合手段进行响应图信息融合,确定目标的预测位置;然后通过以目标区域为基础进行多尺度采样,提取CN-HOG拼接特征构建尺度相关滤波器,得到目标的最佳尺度;最后设计了模型的自适应更新策略,通过判断目标是否发生遮挡来决定是否在当前帧进行模型更新.在50组视频序列上对所提算法与6种当前主流的相关滤波跟踪算法进行了实验.实验结果表明,在复杂的跟踪环境条件下,所提算法取得了最好的跟踪精度和成功率,能够有效处理目标遮挡和尺度变化等问题,且具有较快的跟踪速度.     

基于实例化相关滤波器的鲁棒人手跟踪

针对无约束环境下人手的跟踪问题,提出了一个基于实例化的鲁棒人手跟踪算法.该算法将多个基于相关滤波的跟踪器组合成跟踪器集合,每个跟踪器对应的相关滤波器由一个特定的跟踪结果训练而来,在后续的跟踪过程中不会更新.此外,为避免模型漂移,该算法结合基于颜色模型的分割对跟踪结果进行调整.对比实验表明:在复杂场景中提出的算法相较于单一的相关滤波跟踪或基于颜色模型的跟踪算法有明显的提升,相较于其他一些跟踪算法跟踪效果也更好.     

一种面向移动终端的混合跟踪定位算法

通过扩展卡尔曼滤波器(EKF)对手机移动终端的加速度计、陀螺仪以及视觉数据进行融合,实现混合跟踪。在此基础上,对基于EKF的数据融合算法进行改进,当失去视觉校正时,利用同步跟踪的背景区域速度更新目标区域速度,使算法在目标区域提取特征点数不足的情况下可以持续跟踪;同时引入参考坐标系,定义世界坐标系在参考坐标系中的姿态,校正在基于EKF的数据融合算法中由于光照遮挡等问题出现的角度跳变错误;最后,在实际环境中进行测试,实验结果显示本混合跟踪算法相比传统单一视觉的跟踪注册算法和以往基于EKF的数据融合算法具有明显优势。     

基于信息融合的井下图像跟踪

提出了一种新的井下图像跟踪算法图像相关算法与卡尔曼滤波器之间的信息进行融合·此算法基于贝叶斯规则,将一种常用的均方差图像相关算法和卡尔曼滤波器两者信息进行融合,得到一种新的成像跟踪算法·改进后的算法融合了MSD相关器和卡尔曼滤波器两者的信息,使得两者之间的信息反馈增强,提高了跟踪算法的性能和鲁棒性,大大减少了目标失锁的可能性·另外,改进后的算法还融合了噪声的统计性能,提高了对噪声的抑制能力·从理论计算和实验结果看,用这种算法获得的图像比一般相关算法获得的图像更具有真实性和准确性·     

基于分步式Kalman滤波器的AGV姿态角估计方法实验研究

针对AGV的定位问题,设计了多传感器分步式Kalman滤波器,通过其对编码器、陀螺仪和超声波传感器等测量信息的融合实现了对AGV姿态角的准确估计。仿真结果表明所设计的滤波器是可靠的、有效的,实验结果验证了所设计的滤波器可实时、精确地实现AGV的姿态角估计,定位精度可满足实际生产中对AGV的使用要求。     

ELM增强自适应相关滤波的实时目标跟踪

真实环境下目标跟踪的难点在于兼顾准确度和实时性。提出一个基于相关滤波器的动态更新和尺度自适应跟踪算法,通过选取高效的特征组合,滤波器的动态更新以及快速的尺度估计,提升了跟踪器的精度和成功率,同时保证了算法的实时性。另外,为了应对漂移、遮挡等问题,采用极限学习机作为局部目标搜索的分类器,帮助跟踪器找回目标。在标准测试库(OTB)上的实验结果表明本文算法在精度、效率和鲁棒性方面均优于现有的跟踪方法。     

基于多特征级联的目标跟踪算法研究

为了增强目标跟踪的有效性,提出了一种以粒子滤波作为跟踪框架,基于多特征级联的目标跟踪算法。以log-Gabor滤波器作为粒子判别级,滤除一定数量的无效粒子以提高粒子滤波的性能;再级联融合了log-Gabor特征、局部二值模式(LBP)特征和方向梯度直方图(HOG)特征的粒子加权级,实现目标跟踪。应用log-Gabor滤波器良好的频率响应对粒子做出总体评估以决定其有效性,同时以log-Gabor滤波器输出张成的频域特征。配合LBP和HOG局部特征,处理目标总体信息和细节信息,利用混合高斯模型突出后验概率分布中的峰值状态。实验结果表明,该文算法能快速去除无效粒子,实现目标的鲁棒跟踪。     

融合运动状态信息的高速相关滤波跟踪算法

为解决相关滤波(Discriminative Correlation Filter,DCF)算法在快速运动、遮挡、尺度变化等复杂情景下的跟踪失败问题,提出一种融合运动状态信息的高速相关滤波目标跟踪算法.在传统DCF算法基础上做出以下改进:(1)在跟踪框架中融入卡尔曼(Kalman)滤波器,利用目标运动状态信息对预测运动轨迹进行修正,以解决目标复杂运动时易跟丢问题,提高跟踪精度;(2)训练一个独立的尺度相关滤波器进行目标尺度预测,并利用主成分分析法(Principal Component Analysis,PCA)进行特征降维处理,提高跟踪速度;(3)提出一种高置信度更新策略判断是否对位置滤波器进行模板更新,以及是否采用Kalman滤波器预测位置作为目标位置.最后在OTB-100数据集上进行算法测试,提出算法平均精度与成功率分别达到74.8%与69.8%,平均帧率为84.37帧/s.相较其他几种主流算法,本文算法有效提高跟踪性能,并保证了跟踪速度,满足实时性要求,在遮挡、背景模糊、运动模糊等复杂情况下能够保持良好的跟踪效果.     

基于通道注意力机制的高光谱目标跟踪方法

传统目标跟踪算法根据彩色图像中目标的颜色、纹理等视觉信息进行目标跟踪.当目标发生形变或被遮挡时,彩色图像中目标的视觉信息容易发生改变,导致传统目标跟踪器失效.高光谱图像(HSI)中包含连续的波段光谱信息,在上述场景下具有更强的稳定性,有助于提高目标跟踪算法的鲁棒性.提出一种基于通道注意力机制的目标跟踪算法(CAM).该方法将HSI不同通道的全局光谱信息和图像通道间的相关信息融合表征为权重向量;然后,通过加权重新校准HSI中的光谱响应值,增强图像中目标波段光谱信息的有效性,抑制冗杂的背景光谱信息的干扰,使得HSI中目标和背景之间的可分离性增强;最后将加权后的图像输入到跟踪网络中得到预测结果.在高光谱视频数据集上的实验结果表明,该算法具有良好的跟踪性能,优于多数现有的目标跟踪算法.     

复合跟踪微分器在电容式位移传感器中的应用

针对从含噪原始信号中提取位置以及速度信息,经典跟踪微分器存在不能很好兼顾相位滞后和噪声放大问题、参数多,调试复杂等不足.在跟踪微分器等效线性分析基础上,提出复合形式跟踪微分器,用于电容式位移传感器位置信号跟踪以及速度信号估计,通过MATLAB\SIMULINK仿真以及实验平台测试,结果表明:在跟踪频率1 Hz、幅值1含噪声正弦信号中,复合跟踪微分器能光滑逼近原始位置信号,且能有效进行速度估计,相较于经典跟踪微分器,复合跟踪微分器跟踪相位滞后小0.03 rad,能更好兼顾跟踪信号相位滞后及速度信号噪声放大.     

电磁跟踪器在立体投影虚拟环境中的注册

提出一种6自由度电磁方位跟踪器在墙幕式立体投影虚拟环境中的注册方式. 将跟踪传感器以一定姿态置于空间中已知点处,根据其在虚拟环境屏幕坐标系和电磁跟踪系统坐标系中的方位输出值,确定两坐标系之间的变换矩阵,实现跟踪器的注册,从而可实时将跟踪传感器的方位输出值转化为在屏幕坐标系中的方位值,实现了虚实世界的融合. 实验结果证明,该注册方式简单、可行,注册偏差在10mm内,精度满足基于自然交互的多感知虚拟现实系统操作要求.     

基于均值移动和椭圆拟合的人脸跟踪算法

为了解决均值移动跟踪算法对目标的尺度变化自适应能力差的缺点,针对人脸跟踪具体问题,提出了一种基于均值移动和椭圆拟合的人脸跟踪算法.根据当选择较大核窗进行均值移动跟踪时一般可以准确定位目标的事实,以及人脸形状椭圆近似性的特征,利用一个较大核窗的均值移动跟踪器对人脸目标进行粗略定位,在此基础上再用一种高效鲁棒的直接最小二乘椭圆拟合方法来自动调整人脸尺度的大小.实验表明,该改进算法能有效地解决均值移动人脸跟踪中的目标尺度自适应调整问题,其跟踪效果明显优于原均值移动目标跟踪算法.     

结合特征点匹配的在线目标跟踪算法

提出一种结合特征点匹配的目标跟踪算法.首先,通过显著区域跟踪方法,解决算法对初始化目标框大小敏感的问题,提高样本选取质量,并降低背景杂波对跟踪器的影响.其次,采用中值流法跟踪和特征点匹配相结合的方法估计目标的尺度变化,并通过层级聚类方法剔除干扰点,解决跟踪器漂移及目标平面旋转跟踪失败等问题.最后,提出一种简单的检测器自适应尺度快速搜索目标方法加快检测速度.结果表明:所提方法有效地提高了TLD目标跟踪算法的跟踪鲁棒性,并在标准数据集上得到了很好的效果.     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

嵌入粒子滤波中的AdaBoost跟踪器

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出了一种新的将分类器融合到跟踪器中的算法。该算法将级联的AdaBoost分类器中每个弱分类器、每层强分类器集成到粒子滤波的观测模型中。同时,结合Fisher线性判别函数在线地选择有鉴别能力的弱分类器用于更好地估计跟踪目标的状态。在不同场景和不同目标的跟踪实验中,提出的算法准确地跟踪到感兴趣的目标。实验结果表明:该算法可以有效地克服复杂背景、部分遮挡和光照变化等因素的干扰,同时可以跟踪目标的快速尺度变化和深度旋转。     

混沌通信系统中基于跟踪策略的非相干检测

提出了一个新颖的跟踪器来重构发射的混沌信号，它是基于一个修改的径向基函数神经网络（RBF），并配合一个用于跟踪在有参数变化的噪声混沌信号的学习算法，该跟踪器被用于混沌的移相链控数字通信系统的非相干解调，当蔡氏电路用在混沌发生器时，仿真结果证实了提出的方法在跟踪和解调方面的能力。     

基于前景概率函数的目标跟踪

针对不规则目标跟踪中初始窗口内包含背景像素导致特征模板不准确的问题,提出前景概率函数以及基于前景概率函数的目标跟踪算法.首先根据目标所在区域与背景区域的颜色分布建立前景概率函数,并以此计算目标区域中像素的前景概率,削弱背景像素的干扰,得到更准确的目标特征模板.将目标区域像素的前景概率引入均值迁移跟踪框架中,实现目标的迭代定位;在跟踪收敛后重新计算收敛区域中的前景概率分布,根据其反向投影图的尺度变化调整跟踪窗宽;最后利用Bhattacharyya相关系数对目标特征模板进行自适应更新.实验表明,该算法能够有效抑制背景像素的干扰,在目标尺度变化时能够准确调整跟踪窗宽,减少迭代次数,满足实时跟踪的需要.在复杂背景中跟踪性能也始终优于传统的均值迁移跟踪算法.     

三联神经网络与区域自适应策略融合的目标跟踪方法

为解决目标跟踪过程中快速运动模糊、背景相似干扰、目标状态变化等问题，基于孪生网络跟踪算法，提出三联区域候选神经网络（TripleRPN）算法与跟踪区域自适应策略（TAA）相融合的目标跟踪方法（TAA+TripleRPN）.三联区域候选神经网络根据当前跟踪结果实时更新网络匹配模板，提高了跟踪器对目标状态变化的敏感性.通过区域自适应策略，根据区域候选回归网络分类分支的得分在网络的两组输出间择优选择，提高算法长时跟踪的鲁棒性.针对背景相似干扰和目标状态变化的问题时，TAA+TripleRPN跟踪器能达到更好的跟踪性能.在OTB2015数据集上，算法的AUC达到66.31%，CLE达到88.28%.在实际场景中实现验证与应用，跟踪效果良好.      

隐马尔科夫测量场在区域跟踪中的应用

为了提高复杂背景下视频对象跟踪的有效性和鲁棒性,提出了一种基于隐马尔科夫（HMMF）模型与特征一空间联合分布的视频序列对象跟踪算法,其特点是将视频序列的对象跟踪问题描述为将当前帧分割为跟踪区域和非跟踪区域的动态图像分割问题．基于HMMF模型,将最优标记场估计问题转化为连续函数最优化问题．同时,将跟踪区域和背景区域的特征-空间联合概率分布作为贝叶斯估计中的条件分布,并且引入了改进的快速高斯变换来高效地估算分布函数．实验表明,这些技术使得跟踪算法对区域的局部形变和遮挡具有很高的鲁棒性,且具有较高的效率．