一种针对人体运动目标的Mean-Shift跟踪算法

针对传统的Mean-Shift目标跟踪算法在跟踪人体运动目标时的不足,提出了一种基于Mean-Shift目标跟踪算法的人体目标跟踪方法。该方法首先利用人眼视觉阈值效应和区域生长法检测目标,再用Mean-Shift跟踪算法对目标进行跟踪。实验表明该方法大幅提高了人体运动目标的跟踪精度。     

基于相关滤波的工业机器人视觉伺服控制方法研究

为了解决目前工业机器人示教调试工作复杂的问题,提出一种基于相关滤波跟踪算法的视觉伺服控制方法.该方法通过相关滤波跟踪算法对目标进行跟踪,将目标的实时状态发送给机器人控制器进行处理,实现机器人对目标的跟踪.通过搭建的视觉伺服实验平台对机器人控制效果进行测试,实验结果表明,此方法取得了较好的控制效果,对视觉伺服往实用化发展有一定的借鉴作用.     

一种基于CNN-AE特征提取的目标跟踪方法

针对视觉跟踪中运动目标的鲁棒性问题,提出一种基于卷积神经网络结合稀疏自动编码器的特征提取方法进行图像目标跟踪。该方法首先将大量有标注数据集输入到卷积神经网络进行预训练,然后使用这些卷积特征无监督的训练稀疏自编码器得到稀疏特征,并利用该特征对目标进行描述。最后结合两种经典的跟踪方法,采用Meanshift与卡尔曼滤波对目标进行实时跟踪。结果表明,利用深度学习模型代替以往人工提取特征的方式能够更好地描述目标模型,对光照变化、尺度变化、遮挡等都具有良好的适应性,以及较好的实时性。     

基于卡尔曼预测的轨迹片段关联目标跟踪算法

利用卡尔曼算法对运动目标跟踪展开研究,提出了一种基于卡尔曼预测的轨迹片段关联目标跟踪算法。首先利用卡尔曼预测缩小搜索区域,对检测结果进行匹配关联,生成可信的短轨迹片段;然后对每个轨迹片段通过卡尔曼预测迭代关联,形成单个目标的跟踪轨迹集合。实验证明该方法可有效提高轨迹片段关联跟踪算法效率,解决目标相互遮挡问题,实现对目标的稳定跟踪。     

基于TMS320DM642 DSP的实时视频监控系统实现

为了实现视频监控运动目标自动检测和跟踪的应用要求,设计了基于高性能DSP的运动目标跟踪嵌入式系统。该系统利用视频格式YUV420模型的Y分量进行运动目标检测,并以目标的形心为跟踪点,通过绝对误差和判决标准对运动目标进行跟踪;最终利用协同控制策略对摄像头进行控制,保证运动目标长时间保持在视野范围内。该系统通过基于DSP硬件结构的各软件模块优化,提高系统的处理能力,实现了系统的高效跟踪。     

基于改进帧间差分与局部Camshift相结合的目标跟踪算法

为了能够准确、快速地跟踪运动目标,提出了改进帧间差分与局部Camshift相结合的目标跟踪算法。针对传统帧间差分法在运动目标提取过程中容易产生“空洞”的现象,并且对噪声敏感的问题,提出了三帧差分的运动目标检测算法。首先,利用三帧差分法,将相邻的三帧图像作为一组进行再差分,从而检测出中间帧运动目标的形状轮廓,然后将该区域作为运动目标的模板区域,并将该区域进行适当扩充,最后采用局部Camshift算法进行目标跟踪。实验结果表明,改进的帧间差分可以有效地弥补“空洞”现象,对噪声也起到了一定的抑制作用。同时,该方法克服了传统Camshift算法需要人为选择跟踪区域和容易发散的缺点,达到了预期的目标检测和跟踪效果。     

改进型Mean-Shift算法在行人目标跟踪中的应用

针对传统Mean-Sshift算法对于运动目标特征变化较快、某些干扰和遮挡等问题而引起目标定位偏差的情况,提出了一种基于改进型的颜色直方图的Mean-Shift算法,该算法是将颜色直方图和三重帧间差分的方法相结合的一种目标跟踪算法。实验结果表明,应用改进后的算法思想,可以较准确的对视频流中的行人目标进行实时跟踪,新算法能较好的解决运动目标特征变化较快而引起跟踪不准确的问题,实现对行人目标进行准确定位跟踪。     

基于增量学习的稀疏表示仿射目标跟踪算法研究

针对传统目标跟踪算法在背景复杂.目标形态和光照条件剧烈变化情况下跟踪效果不佳的问题,提出了一种新的目标跟踪算法.该算法在粒子滤波框架下用仿射变换和Gabor特征表示图像,用模板字典稀疏表示候选目标,并用增量学习算法对模板字典进行更新.试验部分将该算法与其他跟踪算法在Matlab平台上进行比较,试验结果表明该算法具有鲁棒性强、跟踪效果好的优点.     

基于相关滤波器的视频跟踪算法与仿真

为解决视频跟踪中目标旋转、形变、光照等导致目标丢失问题,提出了一种相关滤波器跟踪算法,该算法利用局部信息,对目标多次训练获取滤波器,再经相关运算对目标位置进行估计,并在线实时更新滤波器。仿真实验表明,该算法具有快速、简单、鲁棒等特点,能够实现对运动目标的实时跟踪。     

基于局部稀疏表示的目标跟踪算法

目标跟踪是计算机视觉领域重要的研究方向之一。基于l1最小化稀疏表示的目标跟踪算法跟踪精度高,但是在跟踪部分遮挡目标或当背景中存在与目标相似的干扰物时会发生漂移。这主要是因为算法仅关注目标的整体特征,而忽略了目标局部特征的变化情况。为了解决该问题,提出基于目标外观局部稀疏表示的跟踪算法。首先,对待选样本进行分块,然后利用采集得到的模板对各分块进行稀疏表示并计算重构误差,最后选取累积误差最小的待选样本作为跟踪目标。实验结果表明,该算法在跟踪被部分遮挡的目标时相比l1跟踪算法有更高的准确度。     

一种复杂背景下运动目标识别和跟踪方法

针对在复杂静态背景下对运动目标点识别和跟踪的问题,本文将复杂静态背景下运动中的小车作为动态目标,根据目标特征采用图像预处理和图像配准的方法完成了对目标的探测和跟踪实验结果表叫：该方法可以基本满足复杂背景下运动目标自动识别和跟踪的要求．     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼(Kalman)滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

一种基于多特征融合的俯视行人检测与跟踪方法

针对俯视的行人,提出一种基于俯视行人特征、矩形分块特征、颜色均匀特征等多特征融合的行人检测和跟踪方法。该方法主要由4个部分组成：运动检测、目标识别、目标跟踪建模、目标跟踪。系统在整张图像上用检测窗遍历扫描的方式检测是否含有人头目标,每次移动都是在原图像的一个采样,将所有候选目标都依次检测,保留目标图像;同时,对检测到的目标重新建模以便后续跟踪;最终利用MeanShift算法跟踪检测到的目标。实验表明：该算法精度高、速度快,能有效避免漏检、误检等情况,可以很好地适应复杂场景下的行人检测     

智能视频监控系统中的目标跟踪方法研究

针对单一的传统目标跟踪算法计算量大、跟踪易丢失等问题,采用均值漂移算法嵌入到粒子滤波的跟踪框架中,遇到遮挡时,算法切换到粒子滤波进行跟踪,并采用重采样方法来抑制粒子退化现象;而在无遮挡时,采用均值漂移算法来提高跟踪的实时性和鲁棒性。实验结果表明,该算法可以增强算法目标在遮挡情况下的实时性和鲁棒性。     

群目标重心跟踪过程中的群合并算法研究

在目标跟踪过程中,当目标满足群目标条件时,多目标跟踪由于跟踪波门交叉严重,往往会误相关,因此传统的多目标跟踪方法在群目标跟踪中并不适用。为了能够有效跟踪群目标,及时获得群目标的动态信息,研究人员提出了群目标重心跟踪的思想。合并是群的一大特征,也是群跟踪过程中的一大难点。在群重心跟踪算法基础上,把合并分为点迹与航迹合并,以及航迹与航迹合并两种情况。后者采用双门限方法判断群是否可以合并,并分析了群跟踪门的构建过程。仿真验证结果表明,在群合并过程中,依然能够稳定跟踪。因此,该算法能够有效跟踪群目标,及时获取群目标的动态信息。     

基于背景优化和模型更新的目标跟踪算法

针对传统MeanShift跟踪算法在进行目标跟踪时,由背景因素带来的定位偏差和缺乏相应的模型更新策略而易陷入局部最小值的情况,提出了两方面的改进措施。一方面在建立目标模型时,对背景像素建立新的模型以弱化对目标模型的影响,另一方面在跟踪过程中,融合目标颜色特征和连续两帧目标中心的欧氏距离动态的决定目标模型更新策略。实验结果表明,该算法在目标姿态、环境光照变化强烈时均能取得较好的跟踪效果。     

基于 CMT 的红外可见融合跟踪算法

现有大部分融合跟踪算法都使用分类器型跟踪算法,这种算法在目标尺度发生变化时会存在一定误差。虽然已有一些解决方案,但仍不能从根本上解决该问题,而且一般无法估算目标的旋转状态。为此,基于CMT 算法提出一种新的基于点的多传感器融合跟踪算法。在获取目标状态上综合了多传感器信息,并对目标中心使用卡尔曼滤波进行修正,能够跟踪目标并获得目标的尺度及旋转信息。实验结果表明,该算法在常见分辨率下跟踪非旋转目标,重叠率与现有算法相当,在分辨率较高的情况下,在实时性上具有优势。     

物联网数据融合方法研究

目标跟踪是物联网数据融合技术的一个关键技术,相互作用多模型——概率数据关联算法(IMMPDAF)适用于电磁波较为复杂的环境中目标的跟踪问题,是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增,会出现计算组合爆炸现象。因此,有必要对算法进行改进和完善,即基于混合状态估计预测状态估计和量测,以量测的预测值为中心建立跟踪门,在每一个滤波器中用量测值进行估计,更新模型概率,最后以模型为条件进行组合优化。经算例验证表明,该方法克服了IMMPDAF算法在跟踪问题中的缺陷,提高了关联概率和跟踪精度,能有效解决杂波干扰和目标高度机动情况下的物联网中的目标跟踪问题。     

基于稀疏表达特征选择的压缩感知目标跟踪算法

目标跟踪是计算机视觉领域重要研究方向之一。压缩感知跟踪速度快、精度高,但是跟踪被遮挡目标时使用被遮挡的哈尔特征构建分类器,导致分类器性能降低,目标容易丢失。为了解决该问题,提出了根据l1稀疏表示判断哈尔特征是否被遮挡,然后使用未被遮挡的特征构建贝叶斯分类器。首先对每一帧跟踪结果运用稀疏表示提取出未被遮挡特征的集合,在构建贝叶斯分类器时仅使用未被遮挡的特征。然后使用训练好的分类器对下一帧候选样本进行分类,选取具有最大分类响应的候选样本作为跟踪结果。实验结果表明,该算法在跟踪目标部分遮挡时相比CT算法有更高跟踪准确度,算法能够实时得到高效、准确的目标跟踪结果。     

基于均值移动重要性采样的粒子滤波人脸跟踪算法

针对condensation目标跟踪算法中用先验转移概率作建议分布函数时没有充分考虑最新观测信息的缺点,提出了一种基于均值移动重要性采样的粒子滤波人脸跟踪算法.算法首先利用均值移动跟踪器粗略定位人脸目标,然后再用此跟踪结果去构造建议分布函数进行粒子传播.由于通过该方法所构造的建议分布函数中包含了最新的观测信息,所以它可以使大多数粒子点都能分布在真实状态区域周围,进而提高了粒子传播的准确性.人脸跟踪结果表明,该算法的跟踪性能明显优于标准condensation方法.