基于颜色纹理联合特征直方图的自适应Meanshift跟踪算法

传统的meanshift跟踪算法利用图像中的颜色直方图作为目标的代表,其鲁棒性不高,容易受光照,目标缩放等因素的影响,造成定位精度不高,跟踪算法的稳定性不好。鉴于此,文中提出一种基于改进LBP特征描述子的方法,并将其与颜色直方图进行巧妙的融合,构建了一种新颖有效的联合直方图目标外观模型,并将其嵌入到meanshift跟踪框架中;另外,通过有效利用目标候选区域的矩信息,估计跟踪过程中目标的尺度和方向的变化。不同场景的跟踪实验结果表明,与传统的meanshift跟踪相比,文中提出的跟踪算法可以有效克服场景中相似目标的干扰,光照及目标尺度的变化,取得了更好的跟踪结果,具有更高的鲁棒性、稳定性、有效性。

基于目标质心的Meanshift跟踪算法

运动目标跟踪涉及到计算机图像处理、视频图像处理、模式识别以及人工智能等诸多领域,是一门交叉性很强的学科。因此,研究一种实时性、鲁棒性好的运动目标跟踪方法依然是该领域面临的一个巨大挑战。快速运动目标跟踪技术是当今目标跟踪领域的难点之一。均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,这就导致了无法准确跟踪快速目标。文中提出了一种基于质心算法的Meanshift跟踪模型算法。初始位置采用运动目标质心,并在质心位置处采用Meanshift迭代,以巴氏系数判断当前目标和参考目标的匹配程度。实验分析,该算法可实现快速、有效跟踪目标。

基于SVM与Meanshift跟踪算法的运动视频目标跟踪

文中提出基于SVM与Meanshift跟踪算法的视频运动目标跟踪方法,在体育视频初始图像中选取跟踪目标所处位置,获取跟踪目标周围目标与背景两部分特征向量,使用目标和背景特征向量训练SVM二分分类器,使用分类器分类下一帧视频图像跟踪目标位置与所处背景图像,获取置信图;使用Meanshift跟踪算法在置信图范围内获取当前跟踪目标中心位置,移动目标框和背景框的中心位置到达目标位置,以10%的比例缩放目标框并选择最优者用以适应目标尺寸变化;确定是否已经跟踪到视频最后一帧图像,如果没有跟踪至最后一帧图像,则需使用此时目标像素和背景像素训练新的SVM分类器,跟踪下一帧图像,直至完成整个视频序列图像运动目标跟踪任务。实验结果表明,所提方法可以实时、准确地跟踪视频内运动目标。

多特征联合的尺度和方向自适应meanshift跟踪算法

经典meanshift跟踪算法因其具有计算量小、实时性强等优点而得到广泛应用。但在目标发生缩放、旋转、光照变化以及目标颜色与周围背景颜色难以区分等情况下,经典meanshift算法的鲁棒性不佳,目标定位精度不高,算法稳定性不好。鉴于此,本文提出一种联合颜色和纹理直方图表示的meanshift算法,其中本文用到的局部二值模式LBP是基于分块思想改进的纹理算子,有效地提取边缘和角点等主要目标模式来更加精炼地表示目标;另外,通过有效利用目标候选区域的矩信息,来解决跟踪目标运动中尺度和方向的变化的问题。通过不同场景视频跟踪实验表明,与经典meanshift算法及改进前的联合特征表示方法相比,文中提出的改进算法在上述复杂场景下的目标跟踪具有更高的稳定性和鲁棒性。

基于自适应卡尔曼滤波的Meanshift跟踪算法

针对传统的Meanshift视频跟踪算法在跟踪目标存在背景干扰或者有遮挡情况下,目标跟踪不准确、丢失的问题,提出了一种基于自适应卡尔曼滤波的Meanshift跟踪算法(AKFMeanshift)。该算法在Meanshift算法的基础上结合自适应卡尔曼滤波,有效解决了系统噪声特性未知时,卡尔曼滤波发散的问题。通过滤波器预测目标在下一帧的中心位置,把该位置作为Meanshift迭代初始位置,最终实现跟踪。实验结果表明:提出的算法能够在系统噪声未知的情况下、存在遮挡的条件下对目标进行准确的跟踪。

融合边缘特征的MeanShift跟踪算法

经典MeanShift跟踪算法通常用颜色特征进行跟踪,算法简单、速度快、跟踪效果较好,但用单一的颜色特征描述跟踪目标,当背景颜色和目标颜色接近时易受干扰,导致跟踪失败,鲁棒性较差.文中提出了一种融合边缘特征的MeanShift跟踪算法,用颜色和边缘特征来共同描述目标,根据特征对目标与背景的区分能力进行自适应特征选择跟踪.实验结果表明:文中提出的算法抗干扰性能更强,具有更好的鲁棒性.

基于分块颜色直方图的MeanShift跟踪算法

针对基于MeanShift的跟踪算法对目标尺度变化适应能力差并且不能对目标的旋转进行跟踪的缺点,提出了一种基于分块颜色直方图的MeanShift跟踪算法。新算法引入目标旋转和缩放矩阵使得算法能够适应目标的旋转和尺度变化,分块的颜色直方图包含了目标的空间信息,提高了跟踪算法的鲁棒性和适应能力。实验结果表明新算法能够同时对目标的尺度和旋转变化进行稳定的跟踪,改善了原算法的适应能力。

基于前景的分块meanshift跟踪

遮挡问题是目标跟踪的一个难点,有效处理遮挡,特别是严重遮挡和全部遮挡是评价目标跟踪算法优劣的重要指标。Meanshift算法是目前比较流行,算法鲁棒性较好的跟踪算法。但该法过分依赖目标颜色信息,所以当多个运动物体外表颜色相似时,这种算法往往导致跟踪失败,本文对目标物体采用分块跟踪,并结合kalman滤波器进行预测,加速分块meanshift的收敛速度。同时我们引入一个新的前景权值,减弱被背景遮挡的子块对目标跟踪的影响,提高算法的鲁棒性。

基于简单线性迭代聚类超像素的meanshift跟踪

为了增强目标跟踪算法在被跟踪目标发生运动位移、遮挡、形变、相似物体干扰等情况下的鲁棒性,提出利用超像素构建目标外观模型,将外观模型与候选区域进行匹配,获取候选区域当中目标超像素,并用Meanshift算法确定目标中心点的跟踪算法。仿真实验选取Benchmark库当中在运动位移、遮挡、形变、相似物体干扰方面具有代表性的视频Girl和FaceOcc1。该算法在视频Girl中的跟踪成功率和跟踪精度为0.601、0.856,比对比实验的经典算法当中跟踪效果最好的KCF算法的成功率和精度分别高0.059和0.084;在视频FaceOcc1中跟踪成功率和精度仅次于KCF。表明该跟踪算法在受到相似物体干扰和目标遮挡时具有良好的鲁棒性。

基于积分直方图分块的MeanShift跟踪算法

该文提出了一种新的基于积分直方图分块的Mean Shift运动目标跟踪算法,采用积分图分块作为目标描述算子,融合了颜色直方图和空间信息,有效地解决了原始Mean Shift跟踪算法仅仅利用了颜色信息,而造成颜色相似运动目标之间的误匹配,大量的试验结果表明,该文提出的方法,即使在复杂的场景中,也能够鲁棒准确地实现运动目标的定位并跟踪。

基于YOLO v8n-seg和改进Strongsort的多目标小鼠跟踪方法

多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5 ms,实现了对小鼠身体部位准确且快速地分割,可以满足Strongsort多目标跟踪算法的检测要求。针对Strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对Strongsort做了两点改进:对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后Strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原Strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进Strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。

CNN-Transformer特征融合多目标跟踪算法

在卷积神经网络(CNN)中,卷积运算能高效地提取目标的局部特征,却难以捕获全局表示;而在视觉Transformer中,注意力机制可以捕获长距离的特征依赖,但会忽略局部特征细节。针对以上问题,提出一种基于CNN-Transformer双分支主干网络进行特征提取和融合的多目标跟踪算法CTMOT(CNN-transformer multi-object tracking)。使用基于CNN和Transformer双分支并行的主干网络分别提取图像的局部和全局特征。使用双向桥接模块(two-way braidge module,TBM)对两种特征进行充分融合。将融合后的特征输入两组并行的解码器进行处理。将解码器输出的检测框和跟踪框进行匹配,完成多目标跟踪任务。在多目标跟踪数据集MOT17、MOT20、KITTI以及UADETRAC上进行评估,CTMOT算法的MOTP和IDs指标在四个数据集上均达到了SOTA效果,MOTA指标分别达到了76.4%、66.3%、92.36%和88.57%,在MOT数据集上与SOTA方法效果相当,在KITTI数据集上达到SOTA效果。由于同时完成目标检测和关联,能够端到端进行目标跟踪,跟踪速度可达35 FPS,表明CTMOT算法在跟踪的实时性和准确性上达到了较好的平衡,具有较大潜力。

结构因素对遥感天线跟踪精度影响分析及对策

在遥感地面站天线设备中,跟踪精度是伺服控制系统的关键技术指标。重点分析影响跟踪精度的机械结构谐振频率、摩擦两个结构因素,给出了影响因素与天线跟踪误差之间的理论关系:天线机械结构谐振频率主要影响伺服动态滞后误差和高仰角跟踪性能;摩擦力矩主要影响跟踪随机误差和伺服低速跟踪平稳性能。给出了改善低速平稳性能的解决措施;提出了一种数字复合控制融合新型结构滤波器(数字凹口滤波器+一阶惯性环节)的动态跟踪控制方法,解决了窄波束天线机械结构谐振频率较低影响伺服跟踪性能的问题。测试结果表明,天线最低平稳运行速度达0.005 (°)/s,速度误差优于10%;天线加速度在0.393 (°)/s^(2)时,方位动态跟踪均方根误差优于0.006 2°。遥感地面站天线设计方法实用有效,为今后同类天线伺服控制系统设计提供了理论依据。

多约束条件下四旋翼机动轨迹跟踪一体化控制方法

四旋翼无人机高动态飞行需求的增加使其成为一个越来越热门的研究主题。针对四旋翼执行废墟裂缝和树林缝隙穿越任务时的大机动轨迹状态跟踪控制问题,提出基于模型预测控制的一体化控制方法,包含多约束条件下的高机动轨迹规划和多参考状态量的一体化跟踪控制,并通过飞行试验验证了所提方法相比前馈PID控制方法在跟踪规划的高机动轨迹时的优越性能。在飞行试验中,四旋翼成功穿越了60°滚转角的窄框,其实际滚转角达到60°大角度的同时,z轴误差仅为0.065 m。

跟踪算法下的果树修剪机器人路径规划设计

以果树修剪机器人为研究对象,基于轨迹跟踪算法对修剪机器人进行作业路径规划,并分别与传统的往复式路径规划算法和跟踪算法进行仿真对比实验分析。分析结果表明:与传统往复式路径规划算法相比,修剪机器人作业过程中漏剪率降低3%,重复率降低2.5%;与传统跟踪式路径规划算法相比,修剪机器人作业过程转角范围增大36°,横向轨迹误差降低600mm。

运用路径动态预览模型的低速智能汽车侧向跟踪控制研究

采用速度自适应的动态预瞄距离是提高智能车侧向跟踪控制效果的有效办法。针对目前基本采用基于当前车速的预瞄距离自适应策略,提出一种结合规划路径和规划速度信息的动态预瞄距离跟踪控制算法以提高智能车在低速侧向跟踪控制的精确性。本文以几何学纯跟踪算法为基础,推导了前行和倒车时的侧向跟踪控制律;依据实时规划的路径和速度信息,设计了预瞄距离动态调整方法,最终获取具有速度自适应性的前视距离-车辆前轮转角关系。最后,在CarSim-MATLAB/Simulink联合仿真环境下验证了算法的有效性和准确性,并通过实车测试,验证了所提出的方法较基于动力学模型的LQR算法具有更低计算消耗和更高跟踪精度。

实时跟踪和虚拟成像技术辅助创伤骨科手术机器人治疗股骨颈骨折

目的:探究实时跟踪和虚拟成像技术(real-time tracking and virtual reality technology,RTVI)辅助创伤骨科手术机器人术中配准治疗股骨颈骨折的治疗效果。方法:回顾分析2020年9月至2022年9月应用创伤骨科机器人手术治疗的60例股骨颈骨折患者,根据术中是否使用RTVI技术辅助机器人手术将患者分成两组:RTVI组28例,男12例,女16例;年龄28~60(46.2±9.3)岁。单纯天玑手术机器人组32例,男15例,女17例;年龄32~58(48.2±7.8)岁。观察并记录两组配准透视次数、手术时间、术中透视次数、术中出血量、住院时间。所有患者术后接受定期随访,常规复查髋关节X线片,记录Garden对线指数、骨折愈合时间、术后并发症、Harris评分。结果:60例患者均获得随访,其中RTVI组随访9~16(13.0±1.2)个月,单纯天玑手术机器人组随访10~14(12.0±1.3)个月,两组比较差异无统计学意义(P>0.05)。随访期间两组股骨颈骨折均愈合良好,无内固定松动、切口感染等并发症发生。RTVI组配准透视次数、手术时间、术中透视次数优于单纯天玑手术机器人组(P<0.01)。而两组术中出血量、住院时间、Garden对线指数、骨折愈合时间、髋关节Harris评分比较,差异无统计学意义(P>0.05)。总结:RTVI技术辅助天玑手术机器人治疗股骨颈骨折手术虽然对其术后疗效影响不大,但可以有效减少手术时间,减低术中X线投射次数,降低患者术中辐射暴露风险。同时也缩短了术者的学习曲线,更好体现创伤骨科手术机器人的精准和高效。

稀疏约束与时间一致的背景感知相关滤波目标跟踪

背景感知滤波算法通过循环移位采集真实负样本,有效解决了边界效应.但在复杂场景例如遮挡、快速移动、背景干扰等,其较大的采样区域导致过多背景在杂波干扰,从而影响跟踪效果.针对这一问题,本文首先提取灰度HOG特征与颜色CN特征来提高目标外观模型,在基准目标函数基础上引入L1稀疏正则约束形成弹性网络以自适应筛选关键特征,增强滤波器在复杂背景下的判别能力.同时针对BACF在跟踪过程中目标快速变化,本文引入时间正则项提高滤波器抑制畸变的能力.最后,本文提出了一种独立的尺度滤波器算法,准确提供目标尺度大小.实验仿真结果表明,在公开数据集OTB-2013和OTB-2015上,本文算法较基准算法有很大提升,能够较好应对不同复杂场景下的跟踪难题.

台湾地区跟踪骚扰行为犯罪化的体系构建与价值镜鉴

严重的社会危害性是跟踪骚扰行为法律治理的逻辑起点。20世纪90年代以来,跟踪骚扰行为逐渐演变为全球性社会问题。为有效应对跟踪骚扰行为,世界各国普遍采取犯罪化的形式加以回应。台湾地区借鉴国外相关法律规定,修改传统分散式规制模式,制定专法“跟踪骚扰防制法”,对跟踪骚扰行为进行统一而全面的立法规定。内地地区同样面临跟踪骚扰行为带来的社会问题和法律难题。因此,应当借鉴台湾地区的经验,制定跟踪骚扰行为专门法律。在完善法律机制的进程中,应当防范网络科技为犯罪行为注入的新元素,加强立法的前瞻性,发挥法律的预防功能,为中国式现代化社会治理提供丰富的理论智慧和实践根据。

无人驾驶拖拉机路径跟踪控制方法综述

为加快农业现代化的发展,农机自动化、智能化是我国农业机械的发展趋势。无人驾驶拖拉机能够提高作业精度与作业效率,减少投入成本,是近年来智能农机装备领域的重要研究对象。为此,介绍了无人驾驶拖拉机的两种主要建模方法以及5种路径跟踪控制方法。同时,对该技术发展提出了建议:应进一步深入研究曲线行驶和转弯控制方法,分析不同路面的影响,综合考虑成本与控制方法鲁棒性、适应性之间的平衡关系。