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。

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。

KCF算法在车辆目标跟踪上的参数配置研究

对地面车辆目标的视觉跟踪任务首要是满足实时性,其次是在复杂背景下对目标跟踪的鲁棒性。KCF算法作为经典的判别式跟踪算法,凭借其高效的跟踪器学习效率,一直作为主流的实时跟踪算法之一。其中,搜索区域的大小选取在很大程度上决定了能否生成稳定的跟踪器,然而对于不同尺寸的车辆目标,其最优的搜索区域大小通常是不同的。为此,本文以标准数据集OTB2015作为车辆目标视频源,通过分辨率降采样来模拟多组不同尺寸的目标运动场景,论证在不同距离下实现最优车辆跟踪的KCF算法参数配置,为长距离的车辆跟踪任务提供了参数依据。

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。

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YOLOv3-tiny检测和KCF追踪算法的受电弓故障检测

为避免因受电弓脱落、羊角缺失而引发的列车运行安全的问题,提出了一种追踪受电弓的方法,通过监控视频对受电弓脱落、羊角缺失等进行追踪,当受电弓发生故障时及时预警。为解决KCF算法追踪过程中目标丢失无法找回的问题,引入了一种检测机制对KCF追踪算法进行矫正,通过对摄像头捕捉到的约20000张图片以及3个视频作为训练样本,利用训练样本对YOLOv3-tiny网络进行离线训练,生成预测模型;最后利用训练好的模型和改进后KCF算法对摄像头的监控图像进行在线实时追踪,发现对于受电弓脱落、羊角缺失等现象的追踪检测的精确率为91.3%,高于YOLOv2-tiny算法和YOLO-tiny算法。

采用异常值检测及重定位改进的KCF跟踪算法

针对传统核相关滤波器(KCF)跟踪算法受光照变化、严重遮挡和出视野等因素影响,出现目标丢失现象时,跟踪器会将背景信息作为目标继续进行跟踪而不能重新定位目标的问题,在KCF的基础上,引入异常值检测方法作为目标丢失预警机制,同时,提出了目标丢失重检测定位机制。方法对每帧的峰值进行检测,发现异常峰值,则判定目标丢失或即将丢失,预警机制发出警告,停止目标模板更新,启动目标丢失重检测定位机制,在全帧搜索定位目标。实验结果表明,改进的算法精确度为0.751,成功率为0.579,较之传统KCF跟踪算法分别提高了5.77%和12.43%。解决KCF跟踪器在目标丢失后不能重新找回目标继续跟踪的问题,提升了跟踪算法的性能,实现了长期跟踪。

无人船红外图像单目视觉检测与跟踪研究

无人船可用于海洋探测、军事侦查、军事打击等领域,结合GPS、AIS、无线通信技术以及图像视觉技术使得无人船实现智能化控制。无人船红外图像的单目视觉检测对实现目标检测以及跟踪具有至关重要的作用。本文提出使用YOLOV7算法对红外图像目标进行识别,确定红外图像训练集,对图像进行预处理后完成模型的训练及更新,最终实现对红外图像目标的识别。将KCF算法应用于红外图像目标跟踪,研究KCF算法对目标的跟踪流程,使用KCF算法和DCF算法进行仿真分析发现,同等情况下,KCF算法的跟踪准确率为78%,优于DCF算法。

基于KCF的多个同构无人机目标跟踪算法

针对天空背景下多个同构无人机目标表观信息特征高度相似,数量多,相互遮挡频繁所导致的多目标跟踪问题,提出一种基于Kalman滤波位置预测的改进的多个KCF跟踪算法并行运行的多目标跟踪算法。以多个并行的KCF跟踪算法作为基本的目标跟踪框架,通过计算两两目标之间的欧氏距离对目标相互遮挡情况做出判断,基于Kalman滤波对相互遮挡的目标位置做出预测更新。利用拍摄的多个旋翼无人机目标的不同飞行姿态的红外图像序列进行算法验证,结果表明,该算法可以有效解决目标相互遮挡造成的目标轨迹的错误关联和对部分目标跟踪丢失的问题,整体跟踪效果良好。

空中“低慢小”目标检测跟踪算法的应用研究

由于目前空中“低慢小”目标存在无法快速、准确地检测和跟踪的问题,本文基于全景相机与变焦吊舱的多源信息融合方法,提出了一种检测跟踪方案。首先,基于YOLOv4-Tiny模型,本文在其颈部网络中引入坐标注意力机制,提出了YOLOv4-TCA算法,新算法所得的mAP较改进前提升2.3%。另外,本文利用间隔取帧手段,借助目标检测结果实时校正被跟踪目标尺度,改进得到AS-KCF目标跟踪算法。通过将上述算法应用到搭载全景相机和变焦吊舱的检测跟踪平台,实现了对空中“低慢小”目标的检测跟踪。实验结果表明,本方案目标重捕成功率较基线方案提升11.66%,目标重捕平均时间缩短2.6 s,具有一定的理论研究和工程应用价值。

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。

基于交叉滑动窗口模型算法的非接触心率测量方法

为解决传统接触式心率测量系统设备昂贵、操作复杂的问题,在远程光电容积描记法(remote photoplethysmography,r PPG)测量心率的基础上,提出一种基于交叉滑动窗口模型(cross sliding window model,CSWM)算法的非接触心率测量方法。首先调用人脸检测模型SSD300检测视频中的人脸,然后使用Otsu算法对人脸皮肤区域进行分割,并用形态学方法腐蚀皮肤之间的眼睛、嘴巴区域,同时用KCF算法跟踪人脸,并将人脸区域均分为2×2的大小,然后使用CHROM算法提取rPPG波形,最后运用CSWM方法对rPPG波形进行处理,得到实时变化的心率。实验结果表明:该方法计算出的心率与同时用脉搏血氧仪测出的心率之间的平均准确率为97.9217%,Bland-Altman一致性系数达0.962302,完全满足临床要求。

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。

基于核相关滤波算法的层级遮挡检测目标跟踪

基于核相关滤波的快速跟踪算法在与除机器学习之外的大部分传统算法相比,该算法在时效性和跟踪精度方面优势明显。但在目标发生严重遮挡或全部遮挡时,KCF的跟踪精度会明显下降。通过对其分析发现,当目标发生遮挡时,分类器会引入错误信息,从而导致跟踪精度下降甚至跟踪失败。因此在KCF算法的基础上引入遮挡检测机制,当跟踪器判断出目标发生遮挡时,停止分类器参数的更新;同时利用局部二值模式（local binary pattern,LBP）特征进行层级遮挡检测可以有效地区分目标变形和遮挡。对于满足线性运动的目标,利用卡尔曼滤波器对目标进行位置预测以解决目标发生遮挡后的定位问题。实验证明,提出的算法对具有遮挡和变形情况的目标跟踪具有较高的鲁棒性。

一种改进相关滤波目标跟踪算法

针对运动目标跟踪算法在复杂环境中精度下降、跟踪目标出现遮挡或形状尺度变化时导致跟踪失败等问题,提出一种改进的相关滤波跟踪算法.采用改进方向梯度直方图与图像颜色进行特征融合增强算法对目标特征的表达能力,通过引入运动方向场并结合响应因子对当前跟踪状态进行评价,在发生形变、遮挡等情况下对目标进行找回,最后加入自适应尺度调整策略,提高算法在目标尺度变化时的适应能力.通过实验分析,本文算法在复杂场景下检测性能与传统算法相比有较明显提升.

融合多层深度特征的核相关滤波跟踪算法

针对核相关滤波算法(KCF)难以处理目标尺度变化、旋转、遮挡等问题,本文在KCF的框架下提出了一种融合多层深度特征的抗遮挡目标跟踪算法。首先,在频域中,利用岭回归分类器训练VGG-2048上的conv3和conv6两层深度特征,分别得出置信度,将两者特征加权相连,替代原KCF的方形梯度直方图(HOG)特征,同时引入第1帧目标的残留信息,获得更为出色的位置响应输出。然后,针对遮挡问题,提出一种响应峰值判断抗遮挡机制。最后,通过双线性插值建立深度特征尺度池,解决目标尺度问题。在测试集(OTB-100)上的实验结果表明,改进后的算法能解决复杂环境下的目标跟踪问题,算法具有鲁棒性。