一种常用两次扫描算法的改进

针对交会对接最后逼近段光学成像敏感器图像处理中的快速连通域标记问题,将标记融合和两次扫描相结合,改进了连通域标记中常用的两次扫描算法,并基于标志灯成像的几何约束和统计约束给出了可完成目标粗识别的连通域标记算法.仿真结果表明这两种改进措施都可提高有效连通域标记的效率.改进后的连通域标记算法处理一幅1 024×1 024的图像,其50次重复运行的平均耗时小于98 ms,具备实时应用的能力.     

一种FPGA实现的序列图像目标多维特征实时提取方法

目标区域多维特征的建模表征是实现目标跟踪搜索的前提。传统的特征提取方法通常先连通出目标区域，再计算目标特征，实时性不强。提出了一种基于像素的连通域标记及目标特征同步计算方法，建立特征传递机制，利用标号映射表关联标号表与特征属性表，并在区域邻接时进行标号合并和特征属性同步传递计算，保证了目标区域连通完成即可输出目标区域特征。给出一种基于FPGA硬件设计的实现方案。仿真测试结果显示，此方法具有以下几方面优势：连通域标记耗时少，仅为(L×W+2n/m)×T_clk，接近理论最小值(L×W)×T_clk；利用循环缓存区存储图像，资源消耗小；标记与计算并行处理，提升了检测跟踪效率；多目标特征经测试验证结果准确，可有效支持后续的目标跟踪检测；具有理论与实用价值。     

结合空间注意力机制的实时鲁棒视觉跟踪

为提高全卷积孪生网络(SiamFC)跟踪器在复杂场景下的跟踪能力,缓解跟踪器在跟踪过程中出现的目标漂移问题,提出一种结合空间注意力机制的实时目标跟踪算法。在SiamFC框架基础上,将改进的视觉几何组(VGG)网络作为主干网络,增强跟踪器对于目标深度特征的建模能力。对自注意力机制进行优化,提出一种即插即用的轻量级单卷积注意力模块(SCAM),将空间注意力分解为2个并行的一维特征编码过程,减少空间注意力的计算复杂度。保留跟踪过程中的初始目标模板作为第1模板,通过分析连通域在跟踪结果响应图的变化动态选择第2模板,融合2个模板后对目标进行定位。实验结果表明：在OTB100、LaSOT和UAV123数据集上,所提算法相比于SiamFC跟踪成功率分别提高了0.082、0.045和0.045,跟踪精度分别提高了0.118、0.051和0.062;在VOT2018数据集上,所提算法相比于SiamFC在跟踪准确率、鲁棒性和期望平均重叠率上分别提高了0.029、0.276和0.134;跟踪速度达到了70帧/s,能够满足实时跟踪的需求。     

基于自适应估计的光电平台目标跟踪方法

在基于图像的目标跟踪系统中,跟踪器延迟对系统的稳定性和跟踪精度产生不利影响.通过对光电平台伺服系统的理想控制指令的分析,给出了一种基于自适应估计的跟踪器延迟补偿方法.该方法采用自适应估计器快速估计目标速度,预测目标位置,同时结合无人机位置和姿态信息预测控制指令实现延迟补偿.仿真结果表明:该方法在目标机动和载机机动情况下能够有效提高光电平台的跟踪精度.     

基于边缘信息的灰度目标跟踪算法

提出了一种基于边缘信息的跟踪算法,其可以实现对剧烈变化的灰度目标的精确跟踪.首先,利用基于双同心圆窗口算子的非线性边缘检测算法得到高质量的边缘信息;其次,为了解决单一边缘特征空间不能充分表征目标的难题,提出了一种通过组合边缘图像构建特征空间的方法,以便为目标建模提供充分信息;再次,在构建的特征空间中使用核估计方法对目标进行建模;在目标定位阶段,利用Kalman滤波器对目标进行预估后,再由Mean Shift算法在预估位置邻近区域实现目标定位;最后,提出了一种基于形态学的动态模型更新策略,使得算法不仅可以获得精确的目标区域,还可以实现对目标尺寸和形状变化的自适应.实验结果表明,本算法不仅可以有效跟踪剧烈变化的灰度目标,而且跟踪窗口可以实现对目标尺寸和形状的自适应.      

基于随机模型近似的再入目标自适应跟踪算法

针对再入目标跟踪问题,基于加速度动力学模型和随机模型近似思想,提出了分段匀Jerk自适应模型及跟踪算法.该算法引入Jerk动力学模型和Jerk分段均匀假设,给出了机动加速度的递推模型;根据随机模型近似思想提出了新的过程噪声定义方法并给出了分段匀Jerk模型和过程噪声的自适应方法;结合状态扩展方法和分离差分滤波算法实现了再入目标的实时自适应跟踪.仿真实验表明,相比基于分段匀加速模型的跟踪算法,该算法在保证了再入目标稳态跟踪精度的同时,对目标突变状态具有较强的跟踪能力.      

一种改进的运动目标抗遮挡跟踪算法

为解决运动目标在遮挡情况下的跟踪问题,提出一种基于目标运动预测与自适应多子块模板匹配相结合的抗遮挡跟踪算法.该算法建立了多子块模板匹配相关算法中遮挡情况的判定、子块模板匹配及自适应更新等准则,采用卡尔曼滤波模型预测目标在遮挡时的运动轨迹,并利用一种基于目标速度矢量的模板定位规则实现目标在遮挡结束后的接力跟踪.将该算法应用于存在多种遮挡情况下的实际视频中进行测试,实验结果表明:该算法不仅能够实现在部分遮挡情况下的目标跟踪,而且能在严重遮挡、甚至完全遮挡情况下对刚体和非刚体目标进行稳定有效地跟踪,保持目标运动轨迹的可靠性和完整性.     

空间移动小目标的检测算法

空间序列图像中移动小目标检测与轨迹提取是空间目标监视、跟踪及编目的关键技术之一.为了及时有效地处理星载可见光相机输出的多维海量数据,提出了一种基于四邻域二值量化方法和改进概率Hough变换的目标检测及轨迹提取算法.相较于美国空间目标在轨检测(MTI,moving target indicator)算法,改进算法虚警噪声点及候选路径数目明显减少,计算复杂度降低,运行效率提高.实验结果表明,算法可有效检测序列图像中快速移动的弱小目标并提取其直线运动轨迹.     

序贯相似度检测法在实时跟踪中的改进方法

对序贯相似度检测算法(SSDA)进行了重要改进,提出了新的搜索域确定方法。其结果是减小了算法的计算时间,改善了跟踪系统的快速实时性能;同时还剔除了原算法中可能产生的伪匹配位置。     

多模型GGIW-GLMB算法跟踪机动群目标

针对多个机动群目标跟踪问题,提出了一种多模型伽马高斯逆威夏特-广义标签多贝努利（MM-GGIW-GLMB）算法。采用多模型算法对群目标进行运动建模,利用最适高斯（BFG）近似在预测阶段对多模型进行融合,减小了多模型算法的运算量,为进一步提高算法在目标机动阶段的跟踪性能,引入强跟踪滤波器（STF）对BFG算法得到的预测状态协方差进行修正。利用最优次模式分配（OSPA）距离及其一倍标准差和航迹标签正确率衡量算法对机动群目标的跟踪性能。仿真结果表明,本文算法能够提升对机动群目标的跟踪精度和稳定性。      

基于相关滤波器的嵌入式动态目标跟踪系统设计

针对空间非合作运动目标监控,提出了一种基于嵌入式技术的动态目标实时检测与跟踪方法,并完成了跟踪系统的研制设计和测试。该视觉目标跟踪系统以嵌入式处理器为控制器,通过相机模组获取实时视频图像,图像经过视觉检测与跟踪算法程序分析,得到目标的位置信息后,控制伺服运动系统调整相机姿态实现对动态目标跟踪。提出了基于相关滤波原理的跟踪算法,搭建了树莓派嵌入式测试系统,完成实时检测与跟踪的实验评估。实验结果表明,嵌入式处理器中检测与跟踪程序的平均运行帧率达到25FPS,伺服机构在水平360°和俯仰±60°范围内实现了对移动速度90°/s的目标的实时、稳定监控与跟踪。     

基于改进YOLOv3和卡尔曼滤波器的飞机检测追踪方法

精确的飞机检测与追踪方法可以有助于提升我国军事实力,但是目前对小目标飞机进行有效追踪方法较少。基于深度学习的目标追踪方法较传统的方法性能更佳优越,因此针对传统方法对于小目标追踪性能不佳,本文提出了一种基于YOLOv3以及卡尔曼滤波器的飞机追踪方法以获得更好的追踪性能,该算法首先通过改进的YOLOv3算法对视频中的图像进行检测,在识别到视频中的飞机之后,通过卡尔曼滤波器对飞机的运动轨迹进行预测,并通过匈牙利算法进行数据关联。实验结果显示,该算法对小尺度飞机的检测性能较传统的YOLOv3有接近5%的提升,且对飞机的追踪效果精度高且实时性能,具有较高的军事应用价值。     

基于Hu相关滤波的光学卫星视频点目标跟踪

针对光学卫星视频运动目标跟踪问题进行研究,提出一种鲁棒的特征描述和匹配跟踪方法。引入相关滤波的思想,首先利用样本集的Hu不变矩和中值滤波,建立目标的跟踪模板并进行目标特征描述。然后,将目标跟踪的判断区域降维处理,建立判断区域的Hu置信模型。利用FFT推导了快速相关法,进而通过求得跟踪置信图最大值实现目标跟踪。针对跟踪轨迹采用卡尔曼滤波辅助和优化跟踪处理,提高算法的鲁棒性。试验数据采用SkySat和吉林一号拍摄的视频各两段,对5个点目标进行跟踪试验,跟踪精度优于90%,跟踪过程目标不丢失,且轨迹平滑。针对13×13的判断区域,与一般相关性方法相比,处理速度可提升约5倍。可为光学卫星视频点目标实现快速可靠跟踪提供技术基础。     

基于AVSIMM算法的高超声速再入滑翔目标跟踪

针对跟踪高超声速目标的交互式多模型（IMM）算法中存在模型数量过多,模型之间竞争导致滤波精度降低的问题,在自适应网格交互式多模型（AGIMM）算法的基础上,提出了一种自适应变结构交互式多模型（AVSIMM）算法跟踪高超声速再入滑翔目标。根据高超声速无动力再入滑翔目标当前机动状态的角速度参数,在自适应调整当前时刻模型集中参数的同时,针对AGIMM算法运动学模型的单一性,设计了具有多种跟踪滤波运动学模型的AVSIMM算法,通过模型集参数与算法结构的双重自适应调整实现了对目标高精度的跟踪。仿真结果表明,与AGIMM算法相比,所设计的AVSIMM算法不仅对结构和参数都具有更强的自适应性,同时提高了高超目标的跟踪精度和跟踪效率。