目标运动趋势预测跟踪算法及其软件实现

在实时监控系统的应用背景下,介绍了一种改进的运动目标检测跟踪算法。通过对目标运动区间进行预测,将图像目标的检测范围缩小到小块区域,从而达到降低程序的计算复杂度,缩短目标检测时间的目的。同时提供了视频监控系统的实例及结果,验证了该算法的准确性和实用性。

一种融合运动预测的三维点云目标跟踪算法

随着人工智能技术的发展以及对目标跟踪理论的研究深入,目标跟踪技术在实际生活中得到了广泛的应用,对于许多视觉应用,目标跟踪更是一项必不可少的技术。目前,针对二维图像的目标跟踪研究已取得了丰硕的成果,但基于三维点云的目标跟踪技术还处于研究发展阶段。近年来,由于激光雷达的广泛应用以及深度学习技术在三维点云领域的研究,基于激光雷达点云的目标跟踪技术也取得了一些进展。现有的基于激光雷达点云目标的跟踪算法主要分为两大类:传统滤波算法和深度学习算法。虽然基于传统滤波的点云目标跟踪算法可以达到更好的效果,但是很难给这类算法赋予最优的参数,并且这类算法在一些剧烈变化的场景中很容易失效。而基于深度学习的激光雷达点云目标跟踪算法大多是“检测-跟踪”的架构,这种架构最大的问题是后端跟踪任务严重依赖于前端检测结果,当前端检测器失效时,后端跟踪模块就无法进行跟踪,这会造成大量的目标丢失问题。针对以上问题,本文使用了一种以运动预测为中心的深度学习架构。该架构将检测和运动预测相结合,主要分为两个阶段:第一阶段通过点云特征提取对目标进行检测,将目标从点云中分割出来,并将目标定位到连续帧中;第二阶段通过运动预测更新分支对目标框进行优化,以得到更准确的目标位置。实验结果表明,该方法有效,且跟传统滤波方法相比,能更好的应对一些剧烈变化的场景;跟深度学习方法中的“检测-跟踪”架构相比,减少了目标丢失的情况。针对激光雷达点云目标跟踪,能得到更精确的跟踪结果。

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。

多步预测融合Mean-Shift的运动目标跟踪算法研究

对运动目标跟踪时,主流Mean-Shift(均值偏移)算法对环境的影响较为敏感。针对目标遮挡时准确跟踪这一问题,提出了多步预测融合Mean-Shift的优化运动目标跟踪算法。在目标跟踪的过程当中采取Bhattacharyyacoefficient(巴氏系数)辨别目标是否出现了遮挡。当目标产生遮挡的情况,采取多步预测算法,根据目标前一帧的特征信息对下一帧中目标位置信息进行判断。当运动目标离开遮挡时,则继续采取Mean-Shift实施后续跟踪。通过对不同场景下的视频序列实行测试,其结果表明该算法可以对发生遮挡后的目标进行连续、稳健的跟踪。

基于改进TDOA与卡尔曼预测模型的目标定位跟踪算法研究

针对无人机集群无源定位领域的目标跟踪问题,提出了一种基于改进到达时间差(TDOA)算法与卡尔曼预测模型的目标定位跟踪算法。首先,针对现有基于Chan的TDOA算法在时差值精度不够时定位精度差,以及现有基于Taylor的TDOA算法受迭代初始值影响大导致算法稳健性不足的问题,提出基于Chan-Taylor的改进TDOA算法,该算法通过Chan算法快速求解出目标位置初始估计值,然后使用Taylor算法迭代求解出目标位置,在提高定位效率、缩短定位时间的基础上,提高了定位精度。其次,利用卡尔曼预测模型,将目标运动模型产生的目标位置预测值作为先验信息带入目标定位算法,通过将预测信息与定位信息有效融合,进一步提高目标定位精度。最后,通过实验仿真,从累积分布函数(CDF)、定位精度几何因子(GDOP),以及定位跟踪RMSE多个方面验证文中所提算法的正确性及有效性。

基于参数学习和运动预测的在线多目标跟踪算法

针对在线多目标跟踪中的短时遮挡和检测器误差造成的误检和漏检问题,提出一种结合参数学习和运动预测的在线多目标跟踪算法。采用逐帧关联的方式,首先利用目标的历史轨迹建立卡尔曼滤波器模型预测目标当前帧的可能位置,然后计算目标和当前观测之间的关联度建立代价矩阵。对于多目标跟踪被建模为指派问题,采用Hungarain算法求解,此外制定策略处理目标出现、消失和遮挡等异常情况。而对于多目标跟踪系统中的参数,设计一种新的二分类参数学习方案。实验结果验证了参数学习的有效性以及对误检、漏检和遮挡的鲁棒性,并且与若干经典算法的性能比较中,在多个指标上表现出一定优势。

用于多目标跟踪的高斯混合轨迹预测模型

针对视频中目标之间的遮挡会增加轨迹关联难度的问题,提出了一种高斯混合轨迹预测模型来改善遮挡情况下的关联效果.该模型采用Transformer结构,从对象的历史运动信息中提取更长的时间依赖性,以便更准确地预测跟踪对象在未来的轨迹分布;同时,将模型的输出设置为高斯混合分布,采用多个高斯分布相加来定义跟踪对象在未来的轨迹分布,以利用轨迹分布来计算检测目标和跟踪对象之间的空间相似性.实验结果表明:该模型能够改善跟踪性能,在MOT17数据集上HOTA达到了56.3%.

基于均值漂移与卡尔曼预测相结合的视频运动目标跟踪算法

传统的均值漂移算法是基于颜色直方图的迭代跟踪算法,在跟踪目标出现尺度变化的情况下,其跟踪结果往往出现偏差,甚至跟踪失败。鉴于此,提出了一种基于空间边缘方向直方图的均值漂移跟踪算法,使用空间分布和纹理信息作为匹配信息,将卡尔曼预测器融于均值漂移跟踪算法。实验表明,该方法能在尺度缩放等复杂背景下对目标进行准确有效的跟踪。

视频监视中运动目标的检测与跟踪算法

提出一种视频监视中运动目标的精确检测、提取以及跟踪算法。该算法采用基于自适应背景图像估计与当前多帧图像的混合差实现快速精确地检测和提取目标 ,使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域 ,缩小了目标跟踪时的搜索范围。充分利用运动目标检测的结果 ,提高了目标的匹配效率及跟踪速度。

一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法 .它以一种改进的自适应混合高斯模型为背景更新方法 ,用连通区检测算法分割出前景目标 ,以 Kalm an滤波为运动模型实现对运动目标的连续跟踪 .在目标跟踪时 ,该算法针对目标遮挡引起的各种可能情况进行了分析 ,引入了对运动目标的可靠性度量 ,增强了目标跟踪的稳定性和可靠性 .在对多个室外视频序列的实验中 ,该算法显示了良好的性能 ,说明它对于各种外部因素的影响 ,如光照变化、阴影、目标遮挡等 ,具有很强的适应能力 .

目标基视频编码中的运动目标提取与跟踪新算法

自动、快速的视频目标提取与跟踪是目标基视频编码中的一项关键技术 .本文提出一种运动目标提取与跟踪新算法 .首先 ,根据多帧运动信息和高阶统计检测方法得到二值运动掩模图像 ,然后提出一种改进分水岭算法对运动区域及其周围部分进行分割 .将二者所得结果进行投影运算 ,得到最终运动目标 .最后提出一种运动目标跟踪新算法 ,能对目标进行有效的跟踪 .

基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法

针对穿墙雷达运动人体目标图像"闪烁"与"抖动"的特点,提出基于改进Camshift的穿墙雷达运动人体目标成像跟踪算法。首先,针对形成的连续多帧穿墙雷达图像以及对应的颜色概率分布图,引入目标预测过程以确定图像中运动目标搜索波门,消除波门外的杂波干扰;然后,利用颜色概率分布图,在波门内自适应迭代调整目标搜索窗尺度,匹配形状与大小变化的目标图像以提取目标位置;最后,对提取的目标位置进行α-β滤波,形成连续平滑的目标运动跟踪航迹,实现基于穿墙雷达成像的建筑物内运动人体稳定航迹跟踪。多输入多输出(MIMO)穿墙雷达实验结果显示,与传统Camshift和Meanshift算法相比,改进后算法的跟踪航迹误差分别降低了40.99%和43.09%,获得了更加准确和平滑的目标运动航迹。

视频监视中的运动目标跟踪算法

提出了一种新的运动目标跟踪算法。通过预测运动目标下一时刻的位置以及缩小目标搜索范围来提高跟踪速度。该算法使用运动目标加速度运动位移方程预测下一时刻目标可能出现的位置,使用预测位置误差方程估计运动目标搜索范围,并使用IIR滤波器对目标运动速度、加速度等参数自适应地修正。实验证明,该算法即使当运动目标做加速运动时,也可准确地预测运动目标的位置,缩小目标搜索范围,进而提高目标跟踪速度。

电视跟踪系统中图像目标的预测跟踪算法研究

基于目标图像信息，研究了在短暂遮挡情况下，应用最小二乘法的N点线性及平方预测跟踪算法，并分析了跟踪预测值在正常跟踪条件下的作用。将提出的方法用于实际系统，效果较好。

短程线主动轮廓跟踪算法的研究——在复杂背景和非刚性运动目标跟踪中的应用

在复杂背景下对多个非刚性目标进行跟踪是计算机视觉中的一个难点 在短程线主动轮廓模型的基础上 ,利用力场正则化方法 ,并加入运动边缘信息 ,提出了一种在复杂背景下多个非刚性目标进行跟踪的方法 该方法由运动检测和跟踪两部分组成 :运动检测利用运动边缘信息对运动目标的运动做出检测 ,让轮廓曲线运动到目标轮廓附近 ;跟踪利用当前帧中的静态边缘信息对运动检测的结果加以修正 而跟踪这一步引入的偏差将在下一帧的运动检测中得到修正

基于视觉预测的运动目标实时跟踪系统

针对机器人控制系统中更高的视觉反馈实时性要求,提出一种基于最小二乘法预测的目标实时跟踪方法.该方法采用最小二乘法预测运动目标的位置,以限定目标搜索范围,从而提高跟踪速度.实验结果表明该方法能满足快速视觉伺服响应的实时性要求.

模糊技术与神经网络的混合算法在运动目标的识别与跟踪中的应用

图象跟踪是运动图象处理中的关键环节，但是如何在强噪声下实现快速有效的图象跟踪却一直是难点。该文提出了一种模糊技术与神经网络结合的算法，它充分吸收了模糊算法与神经网络的优点，在近距离目标下以神经网络识别的静态可能性为主，而在远距离目标时以模糊算法识别的动态可能性为主，使其不仅在目标近即大时有很高的识别率，而且更令人鼓舞的是在目标远即几乎为点目标时也有很高的识别率。另外，该文还提出了计算各个目标优先级的算法。最后，以红外序列图象为例表明该文提出的算法的高识别率。

基于二次多项式运动建模的WSN目标跟踪预测

针对无线传感器网络(WSN)目标跟踪线性预测模型误差较大的问题,提出一种基于二次多项式运动建模的WSN目标跟踪预测新方法(PQPMM),该方法根据机动性目标运动学原理建立预测模型,利用最小二乘法拟合目标定位坐标、定位时间的二次多项式函数来逼近目标运动模型.结果表明,PQPMM方法的总体预测准确度相比线性预测法明显提高,当拟合点数N=14时,PQPMM方法均方根误差RMSE比线性预测法减小53%.

体育视频序列中基于IMM的运动目标跟踪算法

在视频处理领域的运动目标跟踪问题中,卡尔曼滤波器(KF)与扩展卡尔曼滤波器(EKF)已经得到了广泛的应用,但在复杂背景或是目标高机动运动的情况下跟踪效果并不理想。提出一种基于交互多模型算法(IMM),并采用去偏转换测量卡尔曼滤波器(CMKF-D)对运动目标进行跟踪的算法。该算法有效地解决了单一模型无法与运动特性相匹配的问题,并克服了KF、EKF对非线性模型线性化所引入的误差。以足球视频为例进行仿真实验,结果表明该算法有效地提高了视频序列中运动目标跟踪的准确率。

基于主动漂移矫正的运动目标跟踪算法

针对传统的图像仿射配准(Affine image alignment,AIA)算法无法有效兼顾算法效率和鲁棒性的问题,提出了一种快速鲁棒的新仿射配准算法—主动漂移矫正(Active drift correction,ADC)算法用于跟踪视频运动目标.该算法的基本思想是:通过引入一个漂移矫正项,来改进传统算法的目标能量函数,使算法具备抗漂移的能力,从而提高算法的鲁棒性.改进后的算法不需要传统算法中为增强鲁棒性而采用的许多复杂措施(如:被动漂移矫正).实验结果表明:本文提出的算法简单、有效,在不必牺牲算法效率和复杂度的条件下,可以获得比传统算法更好的鲁棒性.