不同质地背景对自由飞行蜜蜂跟踪运动目标的影响

本文研究了不同质地背景对自由飞行蜜蜂跟踪运动目标的影响.质地背景采用了灰度调制度和空间频率均可调整的双正弦波图形构成,其灰度对比幅度为64级,平均灰度为32,运动目标是一个直径3.4厘米,灰度值为32的均匀灰色圆盘.当幅度调制度从小(31%)到大(93%)变化时,蜜蜂目标跟踪系统的水平增益S1也随之增大.这是由于较大的调制度可以给予蜜峰以较大的背景与目标之间的灰度对比.从短(7.6毫米)到长(38毫米)改变质地背景的空间波长,结果显示,在空间波长为30.4毫米处有一个明显的锐起峰值.计算结果表明,质地背景与目标之间在目标边缘的灰度反差,其最大值恰好发生在空间波长等于30.4毫米的情况下.这充分说明,S1的锐起峰值完全是由于形成于此的强烈灰度反差造成的.这一结果表明:无论目标运动与否,无论背景是均匀的还是质地的,背景与目标在目标边缘形成的灰度反差对蜜蜂发现并且跟踪目标起着重要乃至决定性的作用.

无人机复杂环境中跟踪运动目标的实时航路规划

在复杂地形环境中,无人机在跟踪运动目标时,现有的航路规划方法在实时性和可行性上存在一定缺陷.提出了一种新的滚动窗口启发方向计算方法,使其能够跟踪运动目标,同时在滚动窗口内采用流函数法进行避障.根据无人机约束,滚动窗口为三角形,并设计了基于行为的伸缩功能.在流函数中,利用水势能方法克服了陷阱地形并进行了航路平滑.仿真结果表明:这种混合算法对于复杂地形条件下跟踪运动目标的航路规划,能够减小规划算法的时间和空间复杂度,使规划出的航路适于无人机飞行.

卡尔曼滤波在跟踪运动目标中的应用及仿真

在智能监控系统中,通过帧差法对运动物体的识别、定位,利用卡尔曼滤波算法对目标运动进行预测、跟踪,从而控制摄像头转动,跟踪目标物,使目标物体始终出现监控画面的中心。在此采用卡尔曼滤算法,进行目标运动的预估,利用Matlab对其仿真。仿真结果显示跟踪效果非常好,证明采用该算法来跟踪动目标物有效可行,具有一定的研究价值。

跟踪运动目标的新方法

跟踪运动目标的新方法周绍光，熊仁生，吴圣雄（中国科学院西安光机所光工部西安７１００６８）用于跟踪测量的光电探测设备在整个光电仪器领域占据着重要位置。在电子计算机等现代科学技术高度发达的今天，新的光电设备无一不具有＂智能化＂的特点，其控制软件及跟踪测量...

联合光流技术和区域轮廓模型跟踪运动目标

研究了飞机在天空飞行图像中的飞机跟踪问题.在分析飞机在天空飞行图像特点的基础上,提出了联合光流技术和区域轮廓模型跟踪运动目标的方法.首先,对图像进行高通滤波预处理,提取一些高亮度的斑点,获得运动目标的特征图像;然后用特征图像求解运动目标的光流,以光流对运动区域进行分割,获得运动区域的中心和半径,以该中心和半径的圆作为水平集的初始曲线;再采用Song and Chan方法快速检测运动目标的边缘.实验证明,该方法能够快速、准确地自动跟踪运动目标.

稀疏表示下大场景视频图像运动目标跟踪仿真

大场景视频中存在复杂的背景信息,这些背景信息与目标的外观相似,导致难以准确跟踪目标。为了解决这一问题,提出基于稀疏表示的大场景视频图像运动目标跟踪方法。通过提取视频图像haar-like特征并对特征投影压缩,在字典中融入背景信息,构造超完备字典。改进传统粒子滤波,提出基于残差的Unscented粒子滤波算法,在传统稀疏表示中添加判别函数生成判别稀疏表示,利用L1范数最小化求解候选目标稀疏系数,在字典不断更新下通过基于残差的Unscented粒子滤波算法,实现大场景视频图像运动目标跟踪。实验结果表明,所提方法目标跟踪精度和重合度均在0.9以上,且跟踪平均时间短。

基于超宽带技术的运动目标跟踪高精度定位系统设计

为克服运动目标不断变化导致跟踪定位精度较低的问题,设计基于超宽带技术的运动目标跟踪高精度定位系统;图像采集模块由FPGA单元、VGA显示单元、帧缓存单元以及图像采集单元构成,以此实现运动目标跟踪与定位中的图像采集,在超宽带技术模块中,设计超宽带运动目标定位所需的天线、定位基站、移动节点,完成超宽带动态组网,实现硬件系统的设计;基于硬件系统采集到的图像,实施图像灰度化处理、形态学滤波处理,以增强图像中有用的信息,设计TLD运动目标跟踪算法,随着运动目标开始运动,TLD模型会不断学习跟踪的运动目标,获取目标在距离、景深、角度等层面的改变,并不断学习、识别,达到良好的跟踪效果,基于超宽带技术设计运动目标动态定位算法,依据跟踪结果实现运动目标的高精度定位,完成软件系统的设计;实验测试结果表明,该系统在中、远距离目标跟踪与定位实验中跟踪错误率低于0.60%、2.4%,沿着S型运动时,路线弯折处的定位误差较低,与实验运动目标的飞行路线相贴合,具有良好的定位能力。

基于DSP的视频运动目标实时跟踪系统研究与实现

智能视频监控系统中的关键技术主要用于检测和跟踪运动目标,其能够在监控场景中实现对运动物体的自动检测,并且还具有运动轨迹分析功能,将重要的信息提供给了高级运动分析。随着社会的不断发展,人们需要更高水平、更智能化的设备来保证社会安全,所以,必定会将运动目标检测和跟踪技术应用到各个领域中。以DM642DSP芯片为基础,设计和实现了能够实时跟踪运动目标的视频监控系统,该系统能够在简单背景下有效跟踪单个目标,抗干扰能力较强,且具有实时跟踪的功能。

基于TLD-KCF算法的运动视频目标跟踪技术研究

随着技术和经济高速发展,计算机视觉图像化技术被引入到各个领域。如何在愈发复杂的自然或者城市环境下保持视频目标追踪的准确性、实时性和稳定性是当下值得研究的问题。此次研究提出一种结合TLD算法和KCF算法的运动视频目标跟踪模型,该模型以KCF算法代替TLD算法跟踪模块中的中直光流算法,并在KCF算法添加采样窗口尺度变化模块,通过跟踪无人机在复杂环境下的变速运动验证性能,相较于主流的改进KCF算法和改进TLD算法,整体性能提高10%到20%左右,在面对遮挡、光暗变化、形变等问题均有良好表现。

无人机跟踪运动目标航迹规划算法

对无人机跟踪运动目标的原理进行了分析,设计了跟踪系统的动力学模型,提出了一种基于切线法的航迹规划算法。在动力学约束条件下实现了对无人机的航迹、速度、加速度等的最优控制,从而解决了无人机跟踪运动目标问题,并给出了算法的具体设计步骤。仿真结果表明,该算法能够快速、有效地为无人机规划出跟踪运动目标的最优航迹。

机载视频影像运动目标检测与跟踪技术

针对运动物体的检测和追踪,目前已有多种技术手段,但大多是针对静态场景下的运动物体进行探测和追踪。这是由于在静态环境中运动目标较易于探测和追踪;而在移动环境中,物体的识别和追踪是比较困难的,尤其是在无人机上,由于其图像的纹理特性和快速的变化,使得运动对象的识别和追踪成为一个很大的难题。目标检测与追踪技术分为三大类:图像预处理、目标检测和运动追踪。本文对无人机机载视频影像运动目标检测与跟踪技术进行了分析和探讨。1机载视频影像概述视频影像又叫动象,是对静止象的一种扩充,相对于静止象,动象的最大特征是其灰度的改变,从而能反应出运动讯号。

基于双目视觉的运动目标跟踪与测量

在研究融合运动目标位置预测的MeanShift跟踪算法和双目立体视觉中的空间点定位算法的基础上,基于双目视觉设计了双目立体视觉运动目标跟踪和测量系统,并在所进行的跟踪与测量实验中,提取了运动目标质心的三维坐标序列,实现了对目标深度和速度的测量。

基于特征点的多运动目标跟踪

该文针对智能监控的需求,提出基于特征的多运动目标跟踪算法。通过自适应Marr小波核函数背景建模算法,在冗余离散小波域进行多运动目标识别。运动跟踪采用SIFT特征粒子滤波算法,并采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低了运算的复杂度。实际测试表明,该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性,在智能监控领域具有较广泛的应用前景。

基于图像误差的机器人运动目标自适应跟踪

讨论了机械手运动目标跟踪问题，直接利用图像误差达到注视目的．利用手部摄像机于期望位置获取待跟踪物体图像，以此作为期望图像，而后可以对同类运动物体进行注视跟踪，使实时采样图像收敛于期望图像．该控制方案与通常基于图像特征的控制方法不同，其为直接图像反馈方法，控制律由图像差反馈和物体运动自适应补偿组成，可以完成“眼注视”这种具有局部收敛要求的运动目标跟踪。

基于光流技术的运动目标检测和跟踪方法研究

光流技术作为一种重要的二维运动估计技术,在运动目标检测和跟踪中有着重要的作用。为了更好地将光流技术运用到实时的运动目标检测和跟踪系统中,针对微分光流信息量丰富但计算量大、特征光流计算量小但信息量不足的现状,提出了一种基于最优估计的点匹配技术和光流均匀采样策略的光流场计算方法,并通过对灰度化后的光流场进行自适应阈值分割、形态学滤波等处理,实现了实时的运动目标检测和跟踪。通过对图像序列取700个样本点的仿真实验表明,该方法帧间处理时间基本小于100ms,同时基本解决了信息量和计算量的矛盾。

运动目标跟踪系统的遮挡问题处理

遮挡是运动目标跟踪研究中的一个重要问题,介绍了基于Markov Chain Monte Carlo(MCMC)的运动物体遮挡问题解决方法。该方法通过建立贝叶斯模型,确定先验概率和条件概率,将车辆分割问题看成求后验概率最大时的车辆状态;然后运用MCMC方法对后验概率进行估计,设计MCMC标准对后验概率进行采样,用长方形模型来近似车辆外形。实验证明MCMC方法在不需对车辆单独初始化的前提下能有效的将相互遮挡的车辆分割出来,检测出车辆之间的相互遮挡。

基于Kinect的运动目标跟踪与三维测量

首先利用微软Kinect的图像传感器获得RGB图像,并且利用CamShift算法实时跟踪一个选中的目标物体,然后获得该目标物体的质心,最后将该质心映射到Kinect深度传感器获得的深度图像中,从而实时得到该运动目标质心的三维坐标.实验结果表明,在目标与背景的色彩空间有一定偏差的情况下,该方法能够实时跟踪目标物体并获得目标物体质心的三维坐标.

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。

一种基于粒子滤波的自适应运动目标跟踪方法

该文提出了一种基于粒子滤波的自适应运动目标跟踪方法。均值漂移算法是一种最优梯度下降法,通过迭代来搜索目标,从而实现对运动目标的跟踪。而粒子滤波是一种在非线性和非高斯情形下进行跟踪的强有力方法。该文首先对图像的直方图进行改进,提出了一种基于统计直方图分布的目标模型,然后通过这个模型将这两种方法有效地结合起来。根据跟踪的过程,自适应地调整参数,能够较好地处理图像序列中由于光线变化或遮挡所带来的影响。实验证明,该文所提出的方法与均值漂移方法相比,即使在复杂的情形下,也能够准确地对目标进行跟踪。

一种改进的Mean-shift算法在运动目标跟踪系统中的应用

为解决复杂背景下运动目标的跟踪,提出一种新的基于Mean-shift的目标跟踪算法,该方法首先通过运动检测方法分割出跟踪目标区域,然后通过卡尔曼滤波算法预测下一帧跟踪窗口的起点,在此基础上采用Mean-Shift算法跟踪目标区域;实验结果表明在有干扰的条件下算法仍能实时有效地进行跟踪,与传统方法相比具有更好的自适应性、稳定性、鲁棒性以及更高的识别率。