背景抑制直方图模型的连续自适应均值漂移跟踪算法

针对传统连续自适应均值漂移(CAMshift)跟踪算法在建立目标颜色模型阶段容易包含大量背景颜色信息从而使跟踪效果变差的问题,该文提出一种改进算法。利用混合高斯模型背景法(GMM)将原始图像分割成前景和背景的叠加,在原始图像和背景图像上运动物体所在区域分别建立色调分量直方图,利用背景图像的色调分量直方图计算原始图像中对应色调分量的权值,抑制原始图像中与背景颜色相同的色调,扩大前景与背景颜色的差异性。该方法通过对原始颜色模型中属于背景的色调进行抑制,扩大了目标颜色模型的显著性,提高了跟踪的准确性和稳定性,目标定位的最大中心误差小于20%,能够准确跟踪不发生丢失。

尺度自适应的HLBP纹理特征目标跟踪算法

为解决传统均值漂移跟踪算法难以适应目标的快速性以及尺度变化的问题,提出一种尺度自适应的目标跟踪算法,以HLBP纹理特征(Haar型特性局部二元模式)均值漂移跟踪算法为基础,结合帧差法、最大类间方差法以及形态学处理得到的二值图进行区域生长,确定目标真实大小,更新跟踪框,对搜索结果进行修正。实验结果表明,该算法可以跟踪快速移动的目标,实现尺度自适应,算法复杂度低,有着良好的跟踪性能。

部件级表观模型的目标跟踪方法

因受遮挡、运动模糊、剧烈形变等因素的影响,稳定且准确的目标跟踪是当前计算机视觉研究领域重要挑战之一.首先采用中层视觉线索的超像素描述目标/背景的部件,以部件颜色直方图作为其特征,并通过聚类部件库的特征集构建初始表观模型,部件表达的局部性和灵活性使该模型能够准确描述目标/背景;然后,利用贝叶斯滤波模型计算目标框的初始状态,并提出相似物体干扰的检测和处理算法以避免跟踪漂移,得到更健壮的结果;最后,为了减弱形变、遮挡、模糊对表观模型的影响以更好地保持目标特征,提出一种基于部件库的特征补集的在线表观模型更新算法,根据部件变化实时反映目标/背景的变化情况.在多个具有跟踪挑战的视频序列上的实验结果表明(共12个视频序列):与现有跟踪方法相比,该算法跟踪结果的中心误差更小,成功帧数更多,能够更准确并稳定、有效地跟踪目标物体.

基于距离信息的Mean-Shift跟踪算法

针对图像制导目标跟踪系统在跟踪过程中,成像视角和距离的变化带来的跟踪漂移问题,提出了利用距离信息动态更改Mean-Shift算法跟踪窗口尺度的算法。依据初始跟踪时选定的目标模板,建立目标的灰度特征模型,确定初始跟踪窗口尺度;在跟踪过程中依据距离信息来动态更新跟踪窗口尺度,保证在跟踪系统逐渐接近目标的过程中跟踪窗口能够完全包括或者绝大部分包含目标;在每一帧跟踪收敛后利用Bhattacharyya相关系数对目标模板进行非线性更新。以Vega产生的模拟飞行视频数据进行了算法仿真,结果表明:该算法能够适应目标不断膨胀的情况,在很大程度上降低跟踪漂移。

压缩感知W-HOG特征的运动手势跟踪

运用单一特征或较简单的特征进行手势跟踪容易产生跟踪偏差。为提高手势跟踪的精确性,将压缩感知运动目标跟踪运用到手势跟踪中,并提取运动区域的HOG特征替换原来广义的类Harr特征进行压缩感知目标跟踪。为减少不同图像块HOG特征等权值串联对手势跟踪所产生的累积跟踪误差,需计算HOG特征权值,并将特征权值与HOG特征进行有效融合,形成W-HOG压缩特征。实验数据统计结果表明本文所改进的算法在精确度方面较CT算法提高近16%,较HOG-CT算法提高6%左右。且在复杂背景下能够较精确地检测出运动手势,提高了手势跟踪在光照变化、背景存在类肤色物体等情况下的鲁棒性,减少手势跟踪漂移的发生。

基于改进的TLD目标跟踪算法

针对传统跟踪—学习—检测(tracking-learning-detecting,TLD)目标跟踪算法由于检测模块扫描大量子窗口而导致检测时间过长,并且在跟踪过程中当目标发生严重遮挡、形变时,TLD算法会出现跟踪失败的问题进行了研究,提出改进TLD目标跟踪算法。改进算法在检测模块前加入Vi Be模型预估前景目标,极大地缩小了检测区域。追踪模块用SIFT特征匹配算法来代替原算法中的光流法,准确跟踪目标避免发生跟踪漂移,减少了计算的复杂度,提高了算法适应环境的能力。实验表明,改进后的TLD算法运行速度得到提升,并且当目标出现严重遮挡、光照强度剧烈变化时的跟踪精度也得到了很好的改善。

结合尺度估计MST和粒子滤波的视频目标跟踪

在视频序列的实时目标跟踪中,针对经典均值漂移跟踪(MST)方法不能应对遮挡、尺度变化等问题,提出一种结合MST、自学习尺度探测器和粒子滤波的跟踪方法。采用MST算法在视频帧中跟踪目标,当目标收敛到局部最小值时重新初始化目标。提出一种基于在线学习的探测器,用来自适应更新MST的目标模型,使其能够自动调整目标尺度。另外,当出现完全遮挡时,启动粒子滤波器,通过概率计算来估计目标位置,使MST能够在目标离开遮挡时恢复跟踪。在通用数据集PETS视频序列上的实验结果表明,相比其他几种较新的MST方法,提出的方法具有更高的跟踪准确性,可以应用于实时检测和目标跟踪等应用中。

基于局部背景感知的目标跟踪

经典视觉跟踪方法通常仅以目标区域内信息作为目标描述.实际中,目标局部背景信息也影响着跟踪性能.本文首先在目标描述中引入局部背景信息,并将目标表示为一带权点集.然后通过K近邻计算目标观测概率,并联合目标先验信息得到搜索区域内各点后验概率值.最后,利用均值漂移(Mean shift)算法估计目标状态.本文算法优点如下:1)目标描述中联合局部背景信息,增强了目标模型.因此,跟踪过程中提高了目标与背景的区分能力,并进一步使跟踪算法更加稳定,跟踪结果更加精准.2)目标初始化时,利用Mean shift对目标进行一次重定位.由此解决了不精确初始化时跟踪算法容易失效的问题.在不同视频上进行了定性和定量的实验验证.结果表明本文算法具有较高的跟踪稳定性和准确性,尤其当目标初始化比较粗糙时.

融合摄像机位姿信息的模板匹配跟踪算法

针对图像制导目标跟踪系统在跟踪过程中,由于图像旋转、成像视角和目标尺度的变化带来的跟踪漂移问题,提出一种利用摄像机的位姿信息的匹配模板校正和更新方法。根据摄像机与目标的相对位姿信息,建立目标透视成像模型以及不同摄像机位姿情况下的模板校正方程;将校正方程分解为实时图像旋转和模板仿射变换两部分减小模板变换的误差;通过设计与相关系数和距离信息相关的模板更新策略达到适应跟踪系统逐渐接近目标过程中目标的变化。采用基于视景仿真软件Vega Prime产生的模拟飞行视频对算法进行了验证。实验表明所提算法能够适应图像制导跟踪系统在跟踪过程中目标尺度、成像视角以及图像旋转的变化,减小跟踪漂移。

井下目标跟踪与测距方法研究

矿井下存在某些危险区域,这些区域不允许工人在未采用安全措施的情况下进入,然而由于一些环境或人为因素,使得常用的警示标志不够有力,导致了井下事故的发生。因此,文章介绍了一种采用基于计算机视觉的自动检测方法检测工人是否进入危险区域的方法,该方法首先使用核相关滤波算法KCF(Kernel Correlation Filter)跟踪目标,然后利用双目视觉原理对跟踪的目标进行测距,同时利用Kalman滤波算法优化所得到的距离信息,使得测距方法对于遮挡目标有一定的鲁棒性,保证目标在危险区域之外。井下目标跟踪与测距方法具有价格低廉,计算量少,测量距离范围大,测距准确度高等优点。

基于均值漂移交互多模型粒子滤波算法

针对交互多模型粒子滤波计算量大的问题,将视觉跟踪领域的均值漂移算法(Mean Shift)与交互多模粒子滤波(PF)算法相结合,该算法利用均值漂移算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,在提高定位精度的同时减少所采用的粒子数,减少了算法的运行时间。通过被动跟踪仿真实例,同时使用均值漂移粒子滤波与传统粒子滤波进行跟踪仿真,分析了跟踪性能,利用均方根误差比较了误差性能。结果表明,新算法具有更高的跟踪精度,并且运行时间显著减少。

基于多尺度建议框的目标跟踪误差修正方法

随着深度学习技术引入视觉目标跟踪领域,目标跟踪算法的精度和鲁棒性有了很大的提高。但在低空无人机跟踪目标的实际场景中,情况比较复杂,如相机的抖动、大量的遮挡、视角和焦距的改变等,使得跟踪算法的准确性受到极大挑战。目前的算法大多建立在目标外观变化缓慢的前提假设下,在跟踪的过程中不具备检测和修复漂移(跟踪误差)的能力。针对该问题,提出了一种基于多尺度建议框的目标跟踪误差修正方法。离线阶段,利用大量的已标注的目标样本训练基于多尺度建议框的目标跟踪修正模型,获取不同类别目标的先验知识。在线阶段在核相关滤波跟踪的基础上,依据相关响应置信度自适应评价的结果,通过目标跟踪修正模型不定期重新初始化目标的位置,避免了因为误差累积而导致跟踪失败。算法在无人机航拍数据集上进行了测试,结果表明,该跟踪算法在目标发生较大形变的情况下能较好的修正跟踪漂移问题。相比于其他几种算法,目标跟踪的成功率和精度分别提高了14.3%和3.1%。

血液净化系统的高可靠性漏血监测方法研究

为提高血液净化系统中漏血监测的可靠性,减少漏血检测易出现的误报、漏报现象,提出一种可靠的漏血检测方法。采用小波分析技术对检测的光电转换信号进行处理,去除气泡通过时对漏血检测的噪声影响,并针对管壁污染的现象,采取漂移跟踪算法进行报警阈值自适应调整,以减少检测的误报和漏报。实验结果表明采用小波分析技术和漂移跟踪算法用于血液净化系统的漏血监测取得了较好的效果。

基于多尺度核函数的散乱点云数据过滤方法

针对光滑曲面采样散乱点云含有噪声及异常数据的问题,提出了一种基于多尺度核函数的过滤处理方法。采用核密度估计技术及均值漂移跟踪算法对原始点云数据进行聚类,结合局部似然函数来测度一个三维点位于采样曲面上的概率,利用过滤后的极大似然点集精确地逼近采样曲面,最后结合经典网格化算法能够获得较好的曲面重构效果。处理实例证明,该方法实用性好,不仅能够很好地抑制不同幅值的噪声,同时也能够探测到异常数据并进行自动清除。

交直流两用低功耗低成本电子计价秤的研制

以８９Ｃ５１单片机为核心，配以少量的低成本的硬件和功能较强的软件完成物体重量的测量，该电子计价秤具有准确度高、功耗低、成本低等特点。

改进孪生网络无人机跟踪算法在牛场中的应用

为了提高牛场无人机目标跟踪算法的实时性和鲁棒性,试验以无人机跟踪牛只图像为研究对象,提出了一种基于残差累积模板的轻型孪生网络(siamese tracker with residual accumulation template, SiamRAT)目标跟踪算法,即采用轻量级卷积网络MobileNetV2为特征提取网络及以锚框比率变化为契机的模板更新机制,提高了算法的实时性;采用高置信度残差累积模板和多峰欧式距离检测模块来解决因相似牛只干扰而产生的跟踪漂移问题;最后将SiamRAT算法与SiamRPN++、SiamDW、DaSiamRPN、SiamRPN、ECO-HC算法在由无人机采集牧场牛只视频制作的测试数据集和VOT2018数据集中相同属性视频构成的测试数据集上,以平均精确度、鲁棒性及帧率(frames per second, FPS)为指标进行性能比较,并分析改进模块(包括残差累积模板、高置信度更新和峰值距离检测3个模块的改进)对SiamRAT算法的贡献。结果表明:与SiamRPN++、SiamDW、DaSiamRPN、SiamRPN、ECO-HC算法相比,SiamRAT算法鲁棒性最优,平均精确度稍有下降,但仍处于所有算法的第二位;FPS较SiamRPN++算法有了较大提升,性能较优。改进模块的SiamRAT算法的鲁棒性和FPS有了较大提升,平均精确度达到了0.909。说明SiamRAT算法能够很好地适应于牛场无人机跟踪环境。

面向显著灰度差异的SAR海冰图像特征点匹配研究

SAR海冰图像易受斑噪声影响而导致特征显著性下降。利用一些传统的非线性特征描述符进行特征提取,可以克服使用线性特征在降噪时无区别滤波导致局部特征缺失的问题,但是当待配准图像存在显著性灰度差异时,这一类方法配准效果不理想。针对存在显著性灰度差异SAR海冰图像,提出一种新的配准方法。考虑到LDB描述子对灰度差异适应性的固有优势,以及GLOH描述子在配准主方向判断上的优势,将二者结合提出GLDB描述子,使得主方向的选择更加准确。在特征点匹配阶段,提出一种基于几何对应匹配和灰度差异对应匹配的两步匹配策略。通过实验对比在一定程度上验证了该算法的有效性。

An improved mean shift tracking algorithm based on double weighted color histogram

In practical application,mean shift tracking algorithm is easy to generate tracking drift when the target and the background have similar color distribution.Based on the mean shift algorithm,a kind of background weaken weight is proposed in the paper firstly.Combining with the object center weight based on the kernel function,the problem of interference of the similar color background can be solved.And then,a model updating strategy is presented to improve the tracking robustness on the influence of occlusion,illumination,deformation and so on.With the test on the sequence of Tiger,the proposed approach provides better performance than the original mean shift tracking algorithm.

低功耗低成本电子计价秤的研制

以89C51单片机为核心．配以少量的低成本的硬件和功能较强的软件完成物体重量的测量，该电子计价秤具有精度高、功耗低、成本低等特点．

自适应上下文感知的目标追踪方法

针对相关滤波方法容易受到背景干扰导致跟踪漂移的问题,提出自适应上下文感知图像跟踪方法.为了减少背景干扰,选取离目标位置远的高响应区域为自适应上下文区域,赋予该区域自适应的低响应值.根据上下文区域与目标区域响应的相对差值,给上下文区域自适应的惩罚因子,使得该算法具有更好的鲁棒性.该算法在OTB2013、OTB2015及Temple-Color128标准数据集上都展现了优秀的跟踪性能,OTB2015的重叠率精度达到61.53%,超过大部分已有的优秀算法,特别是在背景混叠及部分遮挡的情况下有着更卓越的表现.该算法的平均跟踪速度为24.5帧/s,实时性较好.