界面附近非刚性目标的高频回波特性研究

研究了界面附近非刚性目标的高频回波特性,给出了相应的计算形态函数和目标强度的Kirchhoff近似公式。计算对比了界面上非刚性和刚性球形目标以及自由空间中的刚性球形目标的形态函数和目标强度,结果表明:由于界面导致的附加回波的干涉影响,界面附近目标的回波幅值变大且起伏特性明显。界面附近目标采用吸声材料或透声材料后,将降低界面引入的附加回波的干扰,有利于沉底目标的隐身。

基于改进的均值漂移算法的非刚性目标跟踪

针对现有的均值漂移算法不能适应非刚性目标的复杂运动情况,本文首先利用基于边缘的背景减方法去除背景干扰;然后利用GVF Snake技术提取出目标轮廓,结合目标轮廓改进了传统的颜色直方图;最后基于该颜色直方图结合卡尔曼滤波器或粒子滤波器改进了传统的均值漂移算法。实验表明,该算法可以实现快速的非刚性目标跟踪,对目标的不规则运动和严重遮挡有很好的鲁棒性。

基于Hough模型和分割模型的非刚性目标跟踪

对非刚性目标的跟踪算法是机器视觉领域研究的热点之一。在线半监督或无监督的机器学分类器算法,因为正负样本选取不准确,从而使跟踪产生漂移现象。本文针对跟踪目标产生的漂移问题,提出了一种基于Hough模型的像素级特征描述符,同时,采用基于目标和背景分割的分割模型进行最大概率目标分割,获得了良好的跟踪性能,这种算法能准确提取目标的正确位置。在视频序列上的测试结果证明了本算法有良好的抗目标形状和外观的非刚性变化性能。

基于Mean Shift和自适应预测的非刚性目标跟踪算法

传统Mean Shift跟踪算法在目标发生机动或存在遮挡的情况下跟踪效果不理想.对此,结合目标的形状特征和颜色的可区分度对传统的颜色直方图进行改进,给出了将Mean Shift和卡尔曼滤波器或粒子滤波器相结合的目标运动自适应跟踪算法,并针对粒子滤波器计算量大的问题,给出了运用两种不同运动模式粒子进行有效预测的方法.结果表明,该算法可实现快速的非刚性目标跟踪,对目标的不规则运动和严重遮挡具有很好的鲁棒性.

一种非刚性运动目标图像跟踪的改进算法

针对玉米秸秆粉碎后抛撒运动的特点,提出一种改进的变形模板跟踪算法实现非刚性目标的运动跟踪,在两个方面对原有的算法进行了改进:1)选择适当的预测方法,减少遮挡物体对研究目标的影响。2)通过选择适当的特征区域把运动目标限制在局部区域,而不是对整帧图像进行处理。试验证明了该算法在目标跟踪的实现效率、精确性方面有一定的优势。

非刚性运动目标识别跟踪研究现状

基于非刚性目标运动跟踪问题进行分析,针对运动过程中目标会出现旋转、比例变化及形变等情况,在复杂的背景中通过特征识别匹配实现跟踪。以运动目标的检测识别方法及特征识别方法为出发点,对目前几种经典方法进行分析、比较。结果表明:与光流法及背景差分法相比,MHI在非刚性目标运动的检测准确率、实时性以及鲁棒性方面均占优势;特征匹配技术SURF则可更好地平衡处理速度和效果性能。以SIFT使用不同尺度确定稳定特征点的思路为基础,提出多小波变换图像分析方法,用于实现对序列图像运动目标的特征匹配。

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

基于双注意力擦除和注意力信息聚合的弱监督目标检测

现有的弱监督检测方法主要采用多示例检测网络,但在这些方法中应用分类特征提取网络易使目标尤其是非刚性目标的检测结果收敛到目标最显著局部区域。提出一种基于双注意力擦除和注意力信息聚合的端到端的弱监督检测框架DAENet。双注意力擦除模块的目的在于擦除生成的最显著性局部前景区域和部分背景区域,以此来扩展目标显著性区域,使网络能够尽可能地关注目标整体,从而更好地捕获目标整体区域。此外,为准确定位不同目标区域并精确生成注意力擦除掩码,提出注意力信息聚合模块,该模块可提取通道的全局特征和局部特征,并引入空间依赖性进一步提高检测精度。通过将双注意力擦除和注意力信息聚合进行协同工作,从而更好地提高弱监督检测性能。在PASCAL VOC 2007和VOC 2012数据集上的实验结果表明,DAENet框架在两个数据集上的检测精度分别达到50.5%和47.4%,相比基准模型,在部分非刚性目标上的检测精度提高了约5%~20%。

基于Mean Shift算法非刚体跟踪的性能分析

介绍一种通过目标特征提取和定位实现的自下而上的运动物体跟踪方法,并通过实验对其性能进行分析和研究。该方法首先对某帧图像中的目标对象进行核函数空域加权的像素直方图特征提取。将目标对象的定位问题等价变换为在空域中求最优解的问题。通过Mean Shift算法在空域对相似程度求最优解,找到与目标对象模式最相似的搜索对象模式,从而完成目标对象的定位。在此通过仿真实验对Mean Shift算法在非刚性目标跟踪应用上的适用性、鲁棒性以及实时性进行分析和研究。最后还提出一些对该方法的改进算法。

基于代价敏感Adaboost目标跟踪

目的当前,目标跟踪问题常常会通过在线学习、检测的方法来解决。针对在线学习过程中,分类器训练需要花费大量时间以提高其识别准确率的问题,提出使用Adaboost算法级联弱分类器,在训练一定帧数后仅进行检测的方法来达到实时和准确的折中。方法首先针对跟踪问题简化了haar特征,以降低特征计算量。同时考虑到经典的Adaboost算法可能并不适合跟踪过程中存在的正负样本不均衡问题,提出在样本权重更新公式中引入一个新的调整因子项并且结合代价敏感学习来提高目标识别率的方法。最终给出使用简化的haar特征作为描述子,改进的代价敏感Adaboost作为分类器的目标跟踪算法。结果对20组视频进行跟踪实验,本文算法的平均代表准确率高于压缩跟踪算法约26%,高于原始代价敏感算法约11%;本文算法的视频处理平均帧率高于压缩跟踪算法约38%。结论本文提出的新代价敏感Adaboost算法对目标的识别、跟踪具有较高的准确率及较快的处理速度,并具有一定的抗干扰能力。特别对人等非刚性目标能够进行较好跟踪。