基于颜色和边缘特征CAM Shift目标跟踪算法

针对连续自适应均值漂移(CAM Shift)目标跟踪算法只适用于特定颜色目标跟踪且容易受到光照变化影响和背景色干扰的缺点,提出了一种改进的CAM Shift目标跟踪算法。该算法采用颜色空间三基色权重直方图建立目标模型,并用目标边缘特征增加目标权重。首先通过颜色空间三基色均匀量化获得特征值,建立基于核函数概率密度估计的目标模型;然后用Sobel算子检测目标边缘特征,结合颜色特征,分别赋予不同的权重投影生成概率密度分布图;最后用MeanShift算法迭代寻找目标,并通过矩运算调整跟踪窗口大小和方向。实验结果表明:该算法可以有效跟踪多色彩目标,并能够抵御一定光照变化和大面积同色干扰的影响。     

UKF与Mean shift算法相结合的实时目标跟踪

针对Mean shift(即MS)算法理论上的不足以及跟踪目标时的邻域跟踪局限性,提出将Mean shift算法与尺度无迹卡尔曼滤波器(Scaled unscented Kalman filter,SUKF)相结合的实时目标跟踪算法.该算法利用尺度无迹卡尔曼滤波器获取Mean shift算法的初始位置,然后,利用Mean shift算法获取跟踪位置.通过分析跟踪区域内横纵向直线的统计变化获取目标的尺度变化,依此自适应调节Mean shift跟踪算法中核函数带宽,并对高速公路上快速运动的车辆进行跟踪实验.研究结果表明:该算法与固定核窗宽Mean shift算法相比,对目标跟踪更准确;SUKF 滤波使MS的迭代次数减少,跟踪的实时性提高;核窗宽自适应调节可使跟踪误差降低到50%以下.     

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.     

基于ICLBP的多特征自适应加权融合目标跟踪算法

针对Mean Shift跟踪算法中使用单一的特征对目标进行描述而导致跟踪算法鲁棒性不高的问题,提出了一种多特征融合的目标跟踪算法.该算法选取HSV颜色特征和ICLBP纹理特征,建立目标模型的概率密度.根据目标区域确定背景区域,计算不同特征对目标和背景的区分性度量值,并以此设定和更新特征融合权值.使用特征融合权值系数建立...     

一种尺度和方向适应性的Mean Shift跟踪算法

针对原始的Mean Shift跟踪算法虽能准确地估计目标位置,但对目标尺度和方向不能实现自适应估计,结合目标模型与候选目标区域的候选模型得到了反向投影图,此反向投影图可表示图像中像素点属于目标的概率,将反向投影图的矩特征应用到原始Mean Shift跟踪算法框架,实现了目标尺度和方向适应性Mean Shift跟踪.实验结果表明:该算法能有效跟踪尺度和方向变化的目标.     

基于核密度估计尺度空间的目标跟踪算法

针对Mean Shift跟踪算法使用直方图描述目标颜色特征存在误差以及用试探的方式不能准确描述目标大小变化这2个问题,提出了一种能够准确表示目标颜色分布、适应目标尺寸连续变化的新的序列图像目标跟踪算法。该算法首先计算目标区域颜色概率分布的核密度估计函数,然后通过规整化每一帧输入图像像素在此函数上的取值生成目标概率分布图。最后通过检测多尺度规范化Laplacian滤波的极值,实现目标的定位和尺寸描述。与基于直方图的算法比较并结合大量真实序列图像上的实验验证表明,该算法更好地描述了目标颜色特征,提高了跟踪算法的精度。     

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。     

基于尺度自适应和跟踪框自转的视频目标跟踪

在高空运动变焦摄像机视频监控目标的自动识别跟踪中,跟踪目标背景、跟踪目标尺寸和跟踪目标相对背景运动的方位角都在实时变化,为解决常规Mean Shift目标跟踪算法在面临上述快速变化时容易出现的目标跟踪丢失问题,在Mean Shift目标跟踪算法的基础上,考虑跟踪目标的变尺度、长宽比和方位角等因素,提出了改进的基于尺度自适应和自转跟踪框策略的视频目标跟踪算法,实际场景下的实验结果表明:该算法具有较好的准确性和实时性,满足视频目标实时跟踪的应用需求。     

修正的截断正态概率密度模型自适应滤波算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,通过目标机动状况与相邻采样时刻间位置估计量变化之间的函数关系实现噪声方差自适应调整,提出了一种新的自适应滤波算法——基于截断正态概率密度模型修正的自适应滤波算法。计算机仿真结果表明,该算法在跟踪机动目标时,具有良好的跟踪性能,并极大地改善了跟踪非机动目标的能力。     

基于改进型Camshift和卡尔曼滤波器的车辆跟踪算法

针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,然后再利用改进型Camshift算法依据目标距离搜索中心的位置,对H分量创建的颜色直方图中的每个像素位进行高斯模型核函数的加权处理,并自适应计算得到最优的搜索窗口,从而改善了传统Camshift不能直接抵制噪声干扰的缺点,解决了因跟踪目标在同色背景噪声干扰下出现的丢失问题。最后通过仿真实验表明:改进型Camshift算法和卡尔曼滤波的结合有效地提高了车辆跟踪的准确性和连续性。     

质心迭代图像跟踪算法

针对均值漂移跟踪算法对图像进行核函数加权处理的不合理性,且在图像跟踪中存在偏差的问题,提出了一种基于最大后验概率指标的质心迭代跟踪算法.首先分析了最大后验概率指标的计算特性,并指出该指标可以计算出每个像素对相似度的贡献值.以此为基础,提出了一种非参数非核的质心迭代图像跟踪算法,即将每个像素的相似度贡献作为密度,候选区域的相似度作为区域质量,通过计算初始候选区域的质心并经反复迭代,从而获得目标位置.理论分析和实验表明,所提算法无需核函数,迭代计算无需指数运算,降低了计算复杂度,同时利用了最大后验概率指标对背景的抑制作用,可大大提高跟踪的准确性.     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

煤矿井下基于虚拟Radio-map及Markov链的定位算法

为了在煤矿井下获得更高的定位精度,提出一种基于虚拟Radio-map及Markov链的定位方法。结合井下复杂环境,采用信道衰减模型及线性插值法实现了动态衰减因子,建立虚拟Radio-map的同时降低了工作量;考虑到每处采样点接收信号强度分布先验假设和统计特征,在线阶段采用基于贝叶斯准则框架的加权核函数算法,为每个样本数据赋予一个以自身为"核心"的函数,构建的概率密度分布避免了确定模型带来的误差,从而提高了定位精度;为进一步优化定位结果,考虑先验概率对贝叶斯后验概率的影响,提出了基于高斯模型的Markov链定位算法,抑制了运动目标位置的大幅度跳变,使目标定位更加精确。实验表明,所提算法可以通过较低数据采集工作量达到一定的定位精度,满足井下目标定位需求。     

非高斯随机分布系统的集成故障诊断与容错控制

针对一类非高斯非线性随机分布系统,提出了一种集成故障诊断与容错控制算法. 将基于有理平方根模型逼近其系统输出概率密度函数（PDF）,在此基础上给出了基于RBF神经网络观测器的故障诊断算法,诊断出系统发生的渐变故障信息,基于Lyapunov稳定性定理对其观测误差系统进行收敛性分析. 根据故障诊断信息,给出了PI跟踪容错控制策略,使得系统输出概率密度函数仍能够跟踪给定的分布. 仿真结果验证了该集成故障诊断和容错控制算法的有效性.      

基于支持矢量机和信任域的目标跟踪算法

从模式分类的角度看待跟踪问题,将SVM(支持矢量机)方法、信任域算法和尺度空间理论相结合,提出了一种能精确描述目标尺寸连续变化的新的序列图像目标跟踪算法。首先使用SVM算法对像素分类,将每一帧输入图像转换成目标概率分布图,目标区域在概率分布图中呈现为灰度块。然后通过检测该图在尺度空间中微分滤波器输出的极值,来决定这些灰度块的尺度。最后使用QP-TR信任域算法在尺度空间里和图像平面内快速搜索概率分布图多尺度规范化Laplacian滤波函数的极值,实现了目标定位并同时决定了其尺度,从而完成了跟踪任务。通过和现有算法的比较以及在大量真实序列图像上的实验表明,该算法不但能够更准确地描述目标的大小,而且显著提高了跟踪算法的精度。     

基于小波变换的粒子滤波目标跟踪算法

针对纯方位被动目标跟踪中粒子滤波算法固有的计算复杂性问题,提出了一种基于小波变换的粒子滤波算法(WMPF).对粒子权重进行小波多分辨率分解,通过设定阈值对高通部分的粒子权重进行滤波,再根据重构后的粒子权重去掉重复粒子,生成新的粒子集来近似后验概率密度函数,从而在保证滤波精度的同时大量减少粒子数,提高粒子滤波的计算效率.将WMPF算法与标准粒子滤波算法应用于具有非线性非高斯特点的纯方位目标跟踪问题,仿真结果表明,WMPF算法的跟踪精度与标准粒子滤波算法相当,计算效率却远高于标准粒子滤波算法,增强了跟踪的实时性,并且该算法有望进一步扩展粒子滤波的应用范围.     

视频监控中多视角目标智能定位追踪方法研究

在视频监控中对目标进行定位追踪时,容易出现遮挡情况。当前定位追踪方法需预先检测出遮挡状况,再对目标位置进行校正,计算量大,且追踪结果不可靠。为此,提出一种新的视频监控中多视角目标智能定位追踪方法,针对每个摄像头采集到的图像,对其进行二值化处理,通过稀疏表示方法对目标进行定位。构建了视频监控中多视角目标跟踪的概率框架,针对每个智能摄像机,建立视频监控中多视角目标追踪模型。通过不同视角中的视频数据求出本地似然函数。为了避免维度灾难问题,对联合后验概率进行分解获取边缘概率乘积的形式,通过边缘概率求出被追踪目标在摄像机视角下的位置。依据消息传递机制实现信息融合,达到目标追踪的目的。实验结果表明,所提方法有很高的定位和追踪精度。     

改进的粒子滤波算法在目标跟踪中的应用

粒子滤波算法中通常采用先验转移概率代替重要性函数,由此重要性密度函数对后验函数的偏差将增大。将小波去噪应用到粒子滤波过程中,降低了偏差,提高了粒子算法的滤波精度,并将该算法应用到目标跟踪的过程中,通过仿真证实该方法能够提高粒子滤波精度。     

基于概率假设密度滤波的红外弱小目标跟踪

目标数未知或随时间变化是红外弱小目标跟踪技术的一个难题。为解决这个问题,提出了基于概率假设密度滤波的红外弱小目标跟踪算法。从数据关联的角度出发,将目标集看作随机集,利用概率假设密度滤波的数据关联算法实现目标数未知的红外弱小目标的跟踪。实验结果表明,在杂波环境下,概率假设密度滤波可以稳健地跟踪红外弱小目标的目标状态和目标数目。