基于红外图像处理的移动目标识别跟踪算法

为解决红外热像仪在战场环境多变、背景复杂、目标运动速度过快等情况下难以对目标进行识别与跟踪的问题,本文提出了一种基于红外图像处理的移动目标识别跟踪算法。该算法主要分为移动目标的检测和跟踪两部分。首先采用高斯背景建模方法来提取运动目标,其次应用Kalman滤波来进行运动目标的定位与跟踪,最后通过匈牙利算法来判定目标点的归属。实验结果表明,在MOT基准挑战中的评价指标上,本文算法相比于Sort跟踪器将MOTA提升了1.4%,MT提升了11.9%,ML降低了6.5%,IDs降低了33.3%,FN降低了13.6%,提高了跟踪准确性,成功实现了对多个移动目标的跟踪。本文算法在军事领域具有广泛的应用前景。

红外成像型制导系统舰船目标实时识别技术研究

研究了红外成像型制导系统舰船目标实时识别技术 ,提出一种新的舰船红外成像目标识别算法 .该算法采用聚类准则二值化图像 ,通过线形区域增长技术得到准目标区域 ,最后利用模糊综合评判技术进行目标识别 .在DSP硬件系统上应用 ,结果表明识别率高 。

舰船红外成像目标实时识别与跟踪系统研究

同时考虑硬件设计、算法研究、软件实现三个方面,成功高效地设计了一个舰船红外成像目标实时识别与跟踪系统。硬件上采用主从式结构,主机为控制计算机,从机为TMS320C6201芯片及其外围电路构成的图像处理系统。算法研究尽量实用化,提出了一种新的目标识别和跟踪算法。软件实现时,基于硬件和软件采取了许多优化措施。该系统已成功应用于光电干扰效果评定实验中。

舰船红外成象目标实时识别跟踪算法研究

对前视海面舰船红外成象目标的实时识别与跟踪技术进行了研究，提出了一种新的海面舰船红外成象目标的识别跟踪算法。重点论述了其中的跟踪算法；同时基于本文算法及实际系统使用性能的要求，设计了一种适合本文算法的舰船红外成象识别跟踪系统，给出了硬件原理框图，对系统的实时性进行了分析。本文中提出的算法用实际红外图象进行实验仿真。仿真结果表明本文算法是可行的和实用的。

舰船红外成像目标智能跟踪算法研究与实现

研究了舰船红外成像目标的智能跟踪技术。通过对成像阶段和跟踪算法的分析,提出了一种新的复合跟踪算法,对MAD跟踪算法和形心跟踪算法作了改进,跟踪算法之间的切换依据高亮点数原则。设计了一个舰船红外成像目标智能跟踪系统,硬件平台是以TMS320C6201芯片为核心、采用DSP+FPGA技术构建的。为了保证跟踪系统的智能性和稳定性,提出了置信度因子和局部分割技术。外场实验表明,该跟踪系统能够对目标进行稳定、智能的跟踪。

结合局部差分的CamShift动目标跟踪算法

Cam Shift算法具有计算量小、对目标形变适应能力强、执行效率高等优点,其在图像处理领域具有重要地位。但仅采用颜色直方图作为目标特征,忽略目标位置信息,会造成该算法在目标形态调整的过程中容易将颜色相似的背景纳入跟踪目标,从而发散甚至跟踪漂移。针对这一现象,提出了一种结合局部差分的Cam Shift跟踪算法,以进一步改善该算法的实际应用效果。改进后的算法首先结合Mean Shift迭代结果和扩展后统计区域的背景差分结果,综合判断移动物体的中心位置、长度、宽度等信息;然后通过此信息对运动目标形态变化的调整进行约束,使调整后的范围更加符合实际情况。试验结果显示,改进后的算法能够在复杂背景下准确地锁定跟踪目标,证明了结合局部背景差分技术的Cam Shift算法可以在增加较少计算量的情况下排除相似颜色的干扰,减少了跟踪过程中出现的不稳定现象,提高了算法的准确性和鲁棒性。

雷达告警态势图在小型舰船跟踪预警系统中的应用

提出了一种多目标跟踪目标态势显示、目标自动告警的雷达告警态势图。通过可见光探测装置来被动地发现目标,获取目标的视频图像和方位信息,采用数字图像处理和模式识别的方法,来计算所跟踪目标的各种图像信息及运动信息,生成目标态势,以实现雷达的部分功能,并结合全景图成像技术,通过雷达告警态势图的方式在显示设备上实时显示、告警。采用数字图像处理技术及目标识别算法进行目标测距,取代光电跟踪系统中较为昂贵的激光测距仪。通过小型舰船实验证明,这种图像测距的方法同样可以取得较为理想的效果,尤其是针对中长距离的目标,系统可以实现较为准确、稳定的跟踪,同时,这种方法有效地降低了系统的成本。

简评基于图像融合的目标识别和跟踪算法

传统的目标识别和跟踪算法都是基于单传感器图像的。随着多传感器图像融合技术的深入发展,其在目标识别和跟踪领域的应用也越来越广泛。评述了基于图像融合的目标识别与跟踪算法,包括融合预处理、融合识别和融合跟踪,说明了图像融合思想在目标识别与跟踪领域的优越性。

目标识别跟踪系统的图像收集处理软件流程设计

详细介绍了目标识别跟踪系统中图像收集处理软件的设计流程。首先介绍了目标识别跟踪系统,然后从视频图像显示到目标图像获取和发送的整个流程进行详细阐述,并针对流程节点中获取目标图像的两种方式加以深入研究。

利用近距离目标红外图像的机动检测问题研究

机动检测问题是目标跟踪 (尤其是对近距离目标跟踪 )过程中的一类关键性问题 .传统的机动检测方法一般将目标看做点目标来处理 ,而在能得到目标红外图像的情况下 ,依据红外图像跟踪可以得到更快、更准确的机动检测性能 ,本文提出了一种针对近距离目标红外图像的依据类散度的小波包变换、初始聚类后叠代逼近以及能量最强直线段提取的图像处理方法 ,该方法在较低信噪比情况下依然能够保持较好的目标中心的跟踪精度 。

图象目标的识别模型与检测技术

在电视跟踪系统中，对图象目标的模型描述及目标检测是至关重要的。系统地描述了跟踪系统中有关的图象目标模型，研究图象目标的检测技术及适用于跟踪系统的实现方法，给出对实际图象的处理结果。

图像目标的可视识别与智能跟踪

本文研究图像目标的可视识别与跟踪，给出了图像目标识别印章模型和系统总体设计方案。在此基础上，采用智能跟踪算法，实现了正常跟踪、判断、预测和记忆跟踪的功能，而且跟踪方式随着环境条件的变化而变化。正常跟踪算法的图像代数描述是简明的，与算法是内在一致的。通过给出两个实时可视跟踪的实例说明在实时ＤＳＰ可视跟踪系统上算法的性能及其可行性。

基于Blackfin BF549的嵌入式动态目标实时跟踪系统设计

基于ADI公司Blackfin系列DSP BF549数字图像处理芯片,提出了一种在动态背景下对所采集图像中的动态目标进行实时跟踪与显示的嵌入式设计方案。对系统的工作原理、硬件及软件设计三方面进行了介绍。该设计方案充分利用BF549芯片的高性能视频处理能力,采用基于图像配准的运动目标检测方法,首先将采集的4幅相邻帧图像的背景进行配准,之后再利用差分相乘法,实现了动态背景下运动目标的检测,并利用球机对运动目标进行实时跟踪,最后将跟踪结果显示在TFT液晶屏幕上。

基于空间多路重叠成像的多目标跟踪方法研究

针对传统成像系统大视场连续跟踪的问题,提出一种新的基于空间多路重叠成像技术的可直接判定宽视场中目标位置的目标跟踪方法,以实现大范围持久监视及多目标跟踪。首先,分析了多路成像探测、跟踪机理,提出利用球面透镜阵列设计一种空间多路、共焦平面、宽视场凝视成像系统结构,各透镜单元对应的视场之间有特定的空间重叠编码关系,以便同时成像之后解算目标位置。其次,重点研究了运动多目标解码跟踪原理,在提取所有重叠空间目标像点后,按照位置和速度判断准则对重叠空间目标像点进行分类,然后在这个分类集合上解码目标所在位置。最后,对目标解码算法做了仿真,结果表明,此方法能很好地实现在宽视场中对目标的解码跟踪。

自适应图像增强的差值哈希算法对运动目标的跟踪定位研究

对于运动目标的跟踪定位研究成为当前的研究热点,利用北斗卫星定位系统对微小运动目标进行跟踪定位尚存在一定难度.文中借助无人机的摄像机设备,采用跟踪算法进行对运动目标的跟踪,通过对无人机的定位获取到相应的坐标信息,实现目标定位的精准化。为了更好地实现对于目标跟踪的效果,文中采用自适应图像增强的方式提高图像质量,通过拉普拉斯变换的差值哈希算法能够提高对运动目标跟踪的效果,在跟踪速度上有了明显的提升.

基于DSP的运动目标识别与跟踪的系统设计

分析了目前可视跟踪系统中存在的主要问题及DSP与主控计算机之间的数据传输效率 ,提出了符合实时处理要求的可视跟踪系统结构、图像滤波和图像分割的方法 ,经在计算机上模拟表明 ,该方法效率高 ,效果好 。

动态多目标自动识别及自适应多波门跟踪

本文针对实战环境的复杂性和动态多目标的存在，研究了电视跟踪系统中动态多目标的自动识别方法，分析了自适应多波门跟踪和目标选择跟踪的诸多问题。模拟实验结果表明本研究具有实现的可行性。

基于双隐含层BP算法的激光主动成像识别系统

在传统激光主动成像系统的基础上,结合目标识别技术搭建了一个激光主动成像识别系统实验平台,用于研究激光主动成像后的目标识别。介绍了实验平台的工作原理,基于Hu矩特征的双隐含层BP神经网络算法以及实验处理流程和实验结果。特征量由7个不变Hu矩构成,通过240张原始目标样本库对由136个权值系数构成的双隐含层BP神经网络算法进行了训练。利用训练好的双隐含层BP算法对黑夜条件下远处的运动目标--43式冲锋模具枪进行了实验研究,成功获得了清晰的红外激光主动成像效果。实验显示对450m处2 740帧和550m处2 420帧激光主动成像图像的统计识别率达到了68.87%和72.11%,其中旋转变换下的统计识别率可达80.05%和84%,好于仿射变换的识别效果。

利用Kalman滤波和Hungarian算法的多目标奶牛嘴部跟踪及反刍监测

针对奶牛养殖场复杂环境下多目标奶牛嘴部自动跟踪及反刍监测困难的情况,该研究提出了一种基于嘴部区域跟踪的多目标奶牛反刍行为智能监测方法。在YOLOv4模型识别奶牛嘴部上下颚区域的基础上,以Kalman滤波和Hungarian算法跟踪上颚区域,并对同一奶牛目标的上颚和下颚区域进行关联匹配获取嘴部咀嚼曲线,以此获取反刍相关信息,从而实现多目标奶牛个体的嘴部跟踪和反刍行为监测;为解决奶牛快速摆头运动和棚舍栏杆遮挡引发奶牛标号变化的问题,提出未匹配跟踪框保持及扩大的方法。采集并选择实际养殖场环境下的反刍奶牛视频66段,对其中58段视频采取分帧操作得到图像,制作YOLOv4模型数据集,以其余8段视频验证跟踪方法和反刍行为判定方法的有效性。试验结果表明,YOLOv4模型对奶牛嘴部上颚、下颚区域的识别准确率分别为93.92%和92.46%;改进的跟踪算法可实现复杂环境下多目标奶牛嘴部区域的稳定跟踪,且有效解决了栏杆遮挡、快速摆头运动造成的奶牛标号变化现象,上下颚匹配率平均为99.89%,跟踪速度平均为31.85帧/s;由反刍行为判定方法获取的咀嚼次数正确率的平均值为96.93%,反刍时长误差的平均值为1.48 s。该研究可为实际养殖中多目标奶牛反刍行为的智能监测和分析提供参考,也可供其他群体动物运动部位的跟踪和行为监测借鉴。

基于图像识别的用电安全检查子系统设计与实现

用电安全检查是保障电网正常运行的重要途径,传统的用电安全检查主要依赖人工的形式对存在安全隐患的场所、设备进行逐一排查。随着人工智能技术的发展,基于图像数据的智能分析可协助及时排查相关安全隐患,也可减少对于检查人员的经验要求,在提升效率的同时,保障安全检查准确性。为了更好地提升用电安全检查的准确性,提出了基于YOLO神经网络的用电隐患识别算法,该算法可对用电设备的指示灯进行识别,并与正常状态进行比对,发现异常状态及时发出告警信息。基于该算法,还设计并实现了基于图像识别的用电安全检查子系统。通过实际数据验证,系统对设备指示灯状态不一致性检测等可达到较高水平,满足对用电安全检查的需求。