一种基于背景自适应的运动目标检测与跟踪算法

背景图像差分法是运动目标实时检测中常用的方法,但缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了该方法的适应性。对此,文章首先提出了一种自适应背景更新方法;然后利用最大类间方差法实现运动目标的自适应阈值分割,并利用基于形态学方法的连通区检测算法检测运动目标;最后以Kalman滤波为运动模型实现对运动目标的连续跟踪。实验结果表明:所提方法可随着光照条件的变化,实时、准确地检测出运动目标并实现稳定跟踪。     

基于人工神经网络的多模型目标跟踪算法

针对在目标跟踪中单模型跟踪算法难以应对目标运动形式的变化,而多模型跟踪算法存在结构固定、跟踪精度被非匹配模型削弱且模型切换缓慢的矛盾,文章提出了一种基于人工神经网络的多模型目标跟踪算法。通过分析目标几种基本运动模式的轨迹特点,归纳出目标运动轨迹的特征向量。利用训练好的BP神经网络对滑窗里的轨迹段进行运动模型识别,按结果进行跟踪模型切换,达到使跟踪算法实时适应目标运动状态的目的。仿真结果证明了该算法的有效性,且与传统的多模型算法相比,具有结构更加简单、更强的灵活性和拓展性的特点。     

改进的图像相关匹配算法

将遗传算法用于低对比度小目标图像相关匹配跟踪,提出了改进的快速图像相关匹配算法。结合图像匹配本身的特点,采用新的编码方式克服了二进制编码的缺点。采用NPROD匹配准则在同样的匹配效果条件下,提高了匹配精度,该算法在计算速度上较原始算法提高了至少12倍以上,同时该算法还具有每帧图像匹配计算时间基本恒定的优点,便于在实际系统中采用。实验结果表明该方法可以有效地跟踪低对比度小目标。     

飞行小目标自适应双波门跟踪算法

波门跟踪是一种利用实际图像处理的区域范围的视觉跟踪算法。在飞行小目标信噪比较低的情况下,现有方法往往不能获得稳定的跟踪结果。针对小目标跟踪的特点,提出了一种自适应双波门的跟踪算法。该算法采用帧间差分算法检测小目标,通过质心标定修正当前帧目标的初始位置,并利用最小二乘估计预测算法实现目标范围的估计,从而实现自适应跟踪的目的。实验结果表明,即使在飞行小目标被短时遮挡情况下,利用本算法也能稳定地检测出它的位置,能根据目标的轮廓自适应地确定目标波门形状,并能有效解决目标跟踪偏移和短时丢失等问题。     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

基于多传感器的机动目标跟踪与融合技术综述

在分析了目标跟踪技术的重要地位之后，对目标跟踪要素进行了简要介绍。同时，描述了机动目标建模、滤波算法、航迹管理、传感器管理以及目标身份识别技术常用的方法，试图对基于多传感器的机动目标跟踪和识别算法构建一个轮廓和框架。     

基于联合双边滤波的融合图像跟踪算法研究

为了提高跟踪精度,提出一种基于联合双边滤波的融合图像自动跟踪算法.采用帧问差分法并通过形态学处理获得运动目标大致区域,在此基础上采集目标区域及相邻背景区域的代表颜色集合,由此生成草图作为联合双边滤波的引导图,进而生成完整的目标描述,通过边缘检测获得精确的跟踪结果.实验结果表明,方法能够获得清晰准确的跟踪结果,能够较好地避免跟踪中的漂移问题,且算法复杂度低,跟踪精度高.     

改进的特征匹配雷达视频运动目标跟踪算法

针对密集杂波和复杂多目标情况下,特征匹配跟踪算法定位跟踪精度较低的问题,提出一种改进的特征匹配雷达视频运动目标跟踪算法。首先,从单帧雷达图像检测结果中提取目标的面积、位置、不变矩信息,在运动目标得到判定后,利用卡尔曼滤波的预测位置以及上一帧特征信息进行目标匹配;然后,根据匹配位置和预测位置给出目标估计位置,并进行特征信息更新;最后,输出目标的特征信息、位置信息和运动参数。利用某型导航雷达上采集的实测数据验证了算法的有效性。     

一种改进的高超声速滑翔目标跟踪方法

针对临近空间高超声速滑翔目标跟踪问题，提出一种基于反向传播神经网络修正改进迭代扩展卡尔曼滤波(Back Propagation Neural Network-aided Improved Iterative Extended Kalman Filter, BP-IIEKF)的目标轨迹跟踪方法。在雷达站坐标系下建立目标运动模型和量测模型。引入阻尼因子修正IEKF算法中的协方差预测矩阵，并定义算法的代价函数，给出迭代终止条件，保证了算法收敛精度，减小状态的观测更新误差，提高了目标状态估计精度。利用BP神经网络修正滤波结果，补偿系统滤波误差，进一步提高了跟踪精度。仿真结果表明所提算法对高超声速滑翔目标具有更高的跟踪精度。     

基于神经网络的机动目标信息融合与并行自适应跟踪

基于“当前”统计模型和 BP神经网络 ,提出一种新的机动目标神经网络信息融合与并行自适应跟踪算法 ( NIFPAT)。该算法采用双滤波器并行结构 ,利用全状态反馈 ,通过 BP网络调整系统方差以适应目标的运动变化 ,具有对目标各种运动状态的良好自适应跟踪能力     

基于改进SURF和P-KLT算法的特征点实时跟踪方法研究

 针对视频序列中运动目标的实时跟踪问题,提出一种基于改进SURF算法和金字塔KLT算法相结合的特征点跟踪方法。首先人工标定目标区域,利用改进的SURF算法分块快速提取具有高鲁棒性、独特性的特征点;然后在后续帧中应用金字塔KLT匹配算法对特征点进行稳定跟踪,采用基于统计的方法剔除错误匹配对;最后利用Greedy Snake分割算法提取轮廓确定更加精准的位置信息,更新目标区域。为使算法更具鲁棒性,还设计了离散点筛选、自适应更新策略。利用飞行视频数据库进行了大量的仿真,结果表明:该算法适用于多尺度图像序列中位置、姿态发生快速变化且结构简单的飞行器的稳定跟踪。帧平均时间为31.8 ms,比SIFT+P-KLT跟踪算法减少47.1%;帧几何中心、目标轮廓面积平均误差分别为5.03像素、16.3%,分别比GFTT+P-KLT跟踪算法减少27.2%、56.9%,比SIFT跟踪算法减少38.6%、68.4%。     

一种基于矩特征和特征光流的运动目标跟踪方法

提出了一种基于矩特征和特征光流的运动目标跟踪方法.首先进行角点特征提取,按照提出的基于矩特征的局部范围内匹配角点的策略,完成了序列图像的角点匹配;然后,按照本文提出的光流聚类准则完成了两个图像目标的聚类.仿真实验表明,本文算法在减少计算量的同时可提高跟踪精度,且可克服目标做小角度旋转时的失跟问题.     

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。     

融合明度特征的V-SAD立体匹配算法

针对SAD算法难以对图像中纯色与弱纹理部分进行准确匹配的问题,提出了将HSV空间明度特征与SAD算法相融合的立体匹配算法,称为V-SAD算法.首先将图像从RGB空间转化至HSV空间,并根据H、S、V值将像素点按照颜色分为10类,同时得到明度特征图.然后结合SAD算法需要的灰度特征图计算匹配代价,得到初步的视差图.接着,根据HSV空间的颜色信息对图像进行分割,结合数学形态法求解分割区块中的独立连通域.再利用边缘生长法对每一个连通域的视差进行恢复.最后,使用左右一致性检测方法对视差图进行优化.实验结果表明,利用图像的明度信息衡量纯色与弱纹理区域的匹配点的相似度是有效的,该V-SAD算法有效改善了SAD算法在弱纹理和纯色区域的匹配效果,平均误匹配率下降了13.02％.     

基于飞行器图像的目标跟踪方法研究

提出了一种利用飞行器图像进行目标跟踪的方法，建立了飞行器图像跟踪系统。该系统利用一种云台控制算法搜索飞行器的图像，通过对飞行器图像的边缘检测、图像中心点提取等处理，实现了飞行器图像定位。理论计算和实际应用表明，该系统可以对低马赫数和高马赫数飞行器进行图像跟踪。     

复杂环境下一种基于改进核相关滤波的视觉鲁棒目标跟踪方法

目标跟踪在自动驾驶和智能监控系统等实时视觉应用中发挥着重要作用。在遮挡、相似干扰等情况下，传统的基于相关滤波的跟踪算法容易发生漂移，鲁棒性有待进一步提高。基于此，提出了一种扩展特征描述的检测辅助核相关滤波目标跟踪架构。首先，在传统的核相关滤波目标跟踪算法的基础上，通过目标检测辅助对跟踪结果进行质量判断，实现对遮挡以及目标丢失的判别；然后通过拓展特征模板的构建与匹配，实现抗干扰相似目标判断及目标重定位；最终，以行人跟踪为例进行了试验，分别通过OTB数据及验证试验和移动机器人平台视觉跟踪验证试验，验证了算法的可行性，并对算法的跟踪性能进行了测试。试验结果表明，所提方法能够稳定地跟踪移动目标，对遮挡、相似干扰具有较强的鲁棒性。     

基于 SURF算法和 Kalman预测的运动目标跟踪

SURF(Speeded Up Robust Feature)特征提取方法是SIFT(Scale Invariant Feature Transform)算法的改进,具有速度快和精度高等特点,但其对于较大尺寸图像的匹配速度仍然有待提高。文章提出了一种将基于SURF特征匹配算法与卡尔曼滤波相融合的目标跟踪算法,该算法用特征点的中心近似目标最佳位置;通过卡尔曼滤波预测出当前的目标位置,建立自适应匹配窗口;最后,应用SURF算法提取窗口内的特征向量进行匹配。实验表明,该算法在目标发生大尺度旋转和缩放、部分遮挡时能够稳定跟踪,其跟踪速度比SURF算法有很大的提高。     

基于组合跟踪的景象匹配分析评估方法

景象匹配飞行试验中,图像序列中存在的剧烈尺度变化及多种外界因素影响导致的几何变形等成像质量变化,增加了景象匹配全流程自动评估的难度.为了解决这个问题,提出1种基于组合跟踪的景象匹配图像全流程评估方法.首先,基于序列图关键帧选取原则,提出序列图关键帧匹配方法;然后将该方法与多种目标跟踪算法进行对比分析;再根据对比分析的结...     

一种基于相关的分层匹配与目标跟踪方法

提出了一种基于相关的自适应阈值区域匹配、匹配区域分层加权和模板自适应更新的目标跟踪方法,该方法能在序列图像中自适应地寻找最佳的动态阈值与更新模板;采用区域分层加权后经相关图形分析及实验验证,能使相关的目标最佳匹配区域更小,匹配中心更加突出且易于匹配,从而缩小了匹配范围,提高了匹配精度。同时提出了一种区域分层快速搜索算法,该算法能较大地提高匹配速度。实验结果表明该方法匹配精度高、匹配速度快、能克服不同光强背景及噪声干扰等影响,具有较强的实用价值。