基于改进KCF算法的织物折皱回复检测研究

织物折皱回复性能是评价织物形态稳定性的关键指标。传统折皱回复角测试方法存在检测过程依赖人工操作、难以量化折皱动态演变等问题。为实现对折皱回复全过程的自动化监测,文章提出一种基于改进核相关滤波算法的动态折皱回复检测方法。该方法使用高速摄像机捕捉织物折皱形变回复过程,应用改进的核相关滤波算法检测追踪折皱顶点的运动角度变化。通过引入多特征融合提高检测鲁棒性,利用Canny边缘检测自适应调整目标区域,减小边界效应。在此基础上提取感兴趣区域骨架,计算折皱顶角度随时间变化信息。结果表明,不同织物折皱角度变化规律与织物组织结构高度相关。最后与标准测试结果建立线性模型,验证所提方法的有效性。文章实现了对织物折皱回复全过程的自动化检测与定量评估,提供了一种更为高效准确的折皱回复性能检测新思路,具有广阔应用前景。

基于改进KCF的移动机器人视觉行人跟踪系统

针对视觉跟踪机器人在跟踪目标被大面积遮挡和短暂丢失的场景下容易跟踪失败的问题,提出了一种基于改进核相关滤波(kernelized correlation filter,KCF)的移动机器人视觉行人跟踪系统。在传统KCF算法的基础上引入平均峰值相关能量(average peak correla-tion energy,APCE),结合APCE响应值和最大响应值判断目标丢失情况,并加入了两级重检测机制。在OTB2013数据集的目标丢失(out of view,OV)场景中,改进算法的成功率和精度分别达到0.626和0.592像素,比传统KCF算法分别提升了8.7%和10.9%,有效提高了算法在目标遮挡和短暂丢失场景下的跟踪鲁棒性。在有行人干扰的场景中进行跟踪实验,实验结果表明所提视觉行人跟踪系统能够稳定跟踪目标行人。

自适应多策略融合快速KCF跟踪算法

针对KCF算法无法应对跟踪目标尺度变化的问题,提出自适应尺度更新策略,使算法自适应调节窗口尺寸;融合FHOG特征与采用PCA降维后的CN特征,提高KCF算法在复杂背景下的跟踪精度,同时保证改进算法的实时性;通过自适应目标响应策略,使更新的模型更适合目标形变,并利用子网格插值方法代替线性插值方法,减少离散傅里叶变换次数,综合地提高KCF算法的跟踪性能。在OTB2015数据集上进行实验,实验结果表明该方法平均跟踪速度为43.5帧/秒,跟踪精度和成功率比KCF分别提升了11百分点和19.9百分点。该算法在复杂多变的环境中具有良好的识别能力,能够实现快速精准的鲁棒跟踪。

融合YOLOV5+DSST+KCF的目标检测跟踪算法在激光通信中的应用

在空间激光通信中,两通信设备实现激光通信需要经过粗瞄准与精瞄准的过程,而粗瞄准过程在大部分场景下需借助光学望远镜和信标激光等辅助实现,实施不易;针对在粗瞄准过程中如何快速、准确识别出激光通信设备,并辅助完成激光通信,提出将不同目标检测算法与长时跟踪KCF算法相结合;通过对比发现,YOLOV5+DSST+KCF(YDK)算法的平均帧率为12帧,在帧率满足系统要求情况下,YDK算法的响应峰值要比原KCF算法、HAAR+DSST+KCF(HDK)算法分别提高了43.5%、31.4%,且有效解决了目标尺度变化问题。

基于ROS及KCF算法的自主跟随四驱小车的设计

本文主要设计一款利用深度摄像头搭配KCF算法实现对指定目标跟随的四驱小车。小车以Jetson Nano为核心控制器、Arduino驱动板为辅控制器、深度摄像头为主要传感器、ROS为控制系统,采取KCF算法对图像进行分析处理。经过反复测试,小车能平稳顺畅地跟随指定目标,同时深度摄像头也采集出具有清晰鲜艳并且对比度高的环境信息。

融合深度特征的改进KCF行人追踪算法

KCF(kernel correlation filter)算法是目前追踪效果最好的算法之一,但KCF算法无尺度自适应能力且不能有效解决遮挡问题.针对KCF算法的缺陷,设计了1种改进的KCF模型,IKCFMDF(improved KCF mixed with deep feature).该模型先由KCF算法得到目标行人的预测框,然后与通过目标检测得到的所有行人检测框相比较,将交并比最大的检测框作为新的训练目标,从而实现KCF的尺度自适应;引入深度特征代替原KCF使用的HOG(histogram of oriented gradient)特征,以避免HOG特征对行人的姿势改变和颜色信息不敏感的缺陷;在追踪目标丢失时保留其深度特征,与之后视频中行人的深度特征进行对比,如果相似度大于设定阈值,则可判定目标重新出现,从而有效解决KCF的遮挡问题.与原始KCF相比,改进的模型在复杂情况下,对行人追踪的成功率提升了36%,相比主流的神经网络模型也有少量的提升.

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。

基于尺度自适应和遮挡重定位机制的KCF改进算法

针对传统KCF跟踪算法在实际场景中存在特征提取不准确、尺度不能自适应以及遮挡适应能力差等问题,对该算法进行了三方面的改进:一是特征融合改进,在FHOG特征和CN特征的基础上,加入边缘特征,提升了目标定位的准确性;二是尺度自适应改进,通过尺度的调整动态改变目标定位搜索框的大小,提高了算法对目标尺度变化的适应性;三是抗遮挡改进,在出现遮挡时,通过遮挡判断和重定位机制,使得算法具有一定的抗遮挡能力,实现了对目标的长时间跟踪。将改进KCF跟踪算法与传统KCF跟踪算法在OTB-50数据集下进行对比测试,结果表明,改进算法的跟踪精确度提升了55.21%,跟踪成功率提升了74.33%。

基于改进KCF的跟踪注册方法

针对三维注册易受环境以及目标跟踪检测算法耗时严重、精度低的影响,提出改进KCF(IKCF)的跟踪注册方法。该方法分为4步:(1)利用正则最小二乘分类器的样本训练来获取尺度核相关滤波器和位置信息;(2)搜索尺度核相关滤波器和位置输出响应最大值,完成尺度和目标位置的检测;(3)借鉴MOSSE跟踪器更新方法对模型更新;(4)采用ORB算法对目标位置特征检测并计算出注册矩阵。选取视觉跟踪基准数据集中的6组数据以及拍摄的视频序列仿真实验。仿真结果表明,当目标位置发生旋转、缩放、部分遮挡、光照和运动模糊时,I-KCF在精确度、成功率以及效率上总体优于KCF、TLD、Struck和CT算法;且目标位置与OpenGL立方体注册融合度较高;基于I-KCF的AR系统具有较好的实时性、稳定性和鲁棒性。

基于KCF跟踪算法的目标轨迹记录系统

为了确保跟踪算法能够实时跟踪上高速移动的目标并且记录目标的三维坐标.本系统使用了一种基于KCF(Kernelized Correlation Filters)的高速跟踪算法来保证系统能够跟踪到移动速度较快的目标.首先,使用KCF跟踪算法来跟踪目标;然后,利用ORB特征点检测来计算目标特征点从而找到多摄像机中对应的点,找到对应点之后利用多摄像机的三维重建原理计算出每一帧中目标物体的三维坐标点;最后,用多项式对每一帧运动轨迹的离散点进行拟合得到最终的运行轨迹.实验结果证明该算法能够有效跟踪目标,整个系统能够满足实际的需求.

基于KCF与改进ORB的增强现实方法

针对增强现实(AR)系统在进行虚拟信息叠加时待注册区域被遮挡的情况,提出一种基于实时特征检测与目标跟踪的AR系统三维注册方法。使用KCF算法对待注册目标区域与模板进行实时FAST特征匹配,通过改进ORB算法,提出SIFT-ORB-MRANSAC融合算法,完成特征点的提取、匹配以及误匹配去除。在此基础上,根据特征点之间的匹配关系计算注册矩阵,通过注册矩阵叠加虚拟信息实现对现实世界的增强。实验结果表明,该方法在光照变化、遮挡以及旋转变换的情况下,可将虚拟信息快速、准确地叠加到待注册区域,提高AR系统的运算效率。

基于KCF算法的足球运动员体能录像跟踪技术研究

基于对现有视频跟踪技术的分析,提出一种基于KCF算法的多视角、多目标足球跟踪技术,通过调整学习率和样本范围提高准确率,并结合多视角视频信息加权定位球员位置。测试结果显示:该方法能够提高抗遮挡能力,保证跟踪处理速度,减少相似跟踪目标带来的误差,解决足球比赛中录像跟踪的多目标跟踪问题。

基于DSP6678的KCF算法实现及优化系统设计

核相关滤波算法在目标旋转、部分遮挡等情况下具有很强的鲁棒性,但是其在实际工程上无法满足实时性跟踪的要求。借助DSP嵌入式平台,提出一种实时目标跟踪系统实现方案。首先,基于TMS32C6678处理器的硬件平台,对二维快速傅里叶变换(FFT2D)进行算法优化;其次,对KCF算法进行C语言级代码优化,包括循环展开、使用内联函数、使用关键字const等。实测结果表明,对640×480像素的图像,跟踪目标为32×64像素时,波门大小为64×128。在满足跟踪效果的同时,其跟踪速度最高达到25ms/帧,符合实时性要求。

基于数据关联融合KCF与Kalman滤波的车辆多目标跟踪

在复杂交通场景下的车辆多目标跟踪,由于车辆之间较高的相似性和交互性,跟踪算法为了保证精度一般都较为复杂,无法满足智能分析应用需求。为此,结合简单有效的数据关联算法和快速精准的单目标跟踪算法,提出在线数据关联的多目标跟踪新方法。方法利用目标检测算法获得的当前目标集,通过关联算法建立目标与已形成轨迹集的关联矩阵,并通过行列耦合原则选出最佳关联对作为关联结果,针对不同的关联结果尤其是漏检和严重遮挡的情况,引入KCF算法与Kalman滤波联合完成目标轨迹的持续更新。实验表明,本文算法可以很好地解决目标误检、漏检以及严重遮挡情况,并且对目标轨迹的实时准确获取,可以为交通视频智能分析提供可靠的轨迹数据。

基于KCF框架的长时间视频目标跟踪算法

针对视频目标跟踪中因遮挡产生的目标丢失后无法重新自动锁定目标的问题,提出了一种能够对视频目标进行长时间跟踪的算法。基于KCF(Kernelized Correlation Filters)算法的框架,增加筛选模块,通过三重分类器的筛选,对目标重新自动锁定。实验结果表明,提出的算法能够实现对目标的稳定跟踪,并且在目标跟丢后自动重新锁定并继续跟踪,实现对目标长时间跟踪的目的。

基于高置信度更新KCF的移动机器人行人跟随

针对移动机器人对行人目标的实时跟随过程中容易出现目标尺度变化、遮挡、形变等问题,提出了一种基于模型和尺度高置信度更新策略的核相关滤波算法(OURS算法)。采用一维快速判别尺度空间的方法解决了核相关滤波算法不能应对尺度变化的问题;提出了一种新的置信度判断方法,对OURS算法模型的检测结果进行判断,当目标发生完全遮挡时,切换为卡尔曼滤波算法预测目标的位置;对尺度检测的结果进行置信度判断,避免跟踪框发生错误的尺度更新。通过视频序列仿真实验和真实环境实验对OURS算法的目标跟踪效果进行验证,并与核相关滤波算法(KCF)和快速判别尺度空间相关滤波(fDSST)算法进行对比。结果表明:改进后OURS算法的整体精度和成功率分别为0.758和0.711,与KCF、fDSST算法相比有明显提升;在人物目标发生尺度变化、遮挡、形变等情况后,跟踪框依然可以准确框住目标;采用图像伺服控制策略的移动机器人行人跟随系统可根据行人的位置调整线速度和角速度,保持稳定的跟随。

基于运动检测与KCF算法的目标跟踪方法

近年来机器视觉技术广泛采用于各个领域,本文设计实现了一种基于运动检测与KCF算法的目标跟踪方法,该方法相对于传统单一的运动检测算法与目标跟踪算法在运动目标跟踪方面有很大优势。单一运动检测算法无法在目标停止运动后很好检测,而单一目标跟踪算法需要前期指定跟踪目标。本文设计的方法以运动检测作为触发条件,一旦检测到运动目标即开启目标跟踪器进行目标跟踪,因此可以对运动目标进行实时,高效,稳定的跟踪。该方法对于智能安防,视频监控技术有巨大应用潜力。

基于YOLO和KCF的目标跟踪算法研究

为了解决在目标跟踪过程中因录制设备发生偏移带来的跟踪偏移和目标丢失问题,提出了基于YOLO和KCF的目标跟踪算法。本文使用基于回归的端到端设计思想的YOLO算法实现目标检测,在目标检测前,对视频图像帧进行灰度化和均值滤波法实现图像增强,减少冗余数据,去除噪点。随后通过YOLO算法进行KCF算法跟踪框的初始化,在跟踪过程中设置偏移误差率(Offset error rate, OER)实时调整跟踪窗口位置,实现目标实时准确跟踪。实验结果表明,本文所提出的方法在面对录制设备发生偏移时相比于KCF算法、Camshift算法有较高的跟踪准确率和鲁棒性。

改进KCF与轨迹关联的监控视频目标跟踪

监控视频受到现实场景、周边环境与拍摄设备的限制,所记录的信息会受到一定的噪声影响。论文以核相关滤波提取方法为基础,结合了现有的深度学习技术及跟踪方法,针对目标检测与跟踪算法中的特征表达和ID转换等难点问题进行了研究。结果显示该方法在针对目标漂移形变时具有良好的鲁棒性,且能很好地改进跟踪过程中的ID转换问题。

融合轻量级YOLOv4与KCF算法的红外舰船目标识别

红外舰船目标识别在反舰导弹成像制导过程中起到十分关键的作用。针对如何在复杂环境下准确识别出红外舰船目标,提出了一种融合轻量级YOLOv4与KCF算法的红外舰船目标识别方法。识别过程中并行运行YOLOv4目标检测线程与KCF多目标跟踪线程,比较两者所得目标框的置信度,选取置信度高的作为最终的目标识别结果。设计对比试验将本研究方法与传统的目标跟踪算法meanshift、CSRT以及基于深度学习的跟踪算法centerTrack进行了对比。对比结果表明:综合考虑检测精度、跟踪稳定性和实时性因素,本研究方法对舰船的目标识别效果最好,能够在保证目标检测准确率的同时,对舰船目标进行稳定持续的跟踪,具有较强的鲁棒性和实时性,适合复杂背景条件下的舰船红外目标识别。