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。

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。

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。

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。

飞蛾扑火优化的尺度比例感知空间长期跟踪器

针对无人机长期跟踪过程中尺度变换导致目标丢失和跟踪精度低的问题,提出了一种基于飞蛾扑火优化(moth-flame optimization,MFO)的尺度比例感知空间长期跟踪器。首先,设计了高斯初始化以代替飞蛾扑火优化算法的随机初始化策略,降低优化算法在跟踪过程中的计算复杂度,减少算力浪费;其次,结合快速梯度直方图特征,构建了改进的飞蛾扑火优化跟踪器;然后,为了解决无人机航拍长期跟踪中目标尺度变化的问题,设计了一种自适应尺度变换的判别尺度空间跟踪(discriminative scale space tracking,DSST)算法,进一步提出了一种尺度比例感知空间跟踪器,解决了尺度滤波器中因长宽比固定而导致的跟踪漂移;同时,分析了滤波器响应峰值在各背景下的变化情况,提出了一种能反映环境变化下跟踪置信度的指标,并通过置信度将MFO优化跟踪框架与尺度比例感知空间跟踪器相结合,解决了尺度变化与长期跟踪目标丢失的问题;最后,在无人机长期跟踪数据集上开展了性能验证。结果表明:提出的算法可有效防止漂移现象的发生,提升跟踪效率;与目前跟踪领域中12种同类文献算法进行对比可知,提出的算法精度较高,满足实时性,能够有效解决无人机长期跟踪下的尺度变化及目标丢失等问题。

自适应时域参数MPC的智能车辆轨迹跟踪控制

为了解决智能车辆在低附着路面下主动转向跟踪控制的稳定性和控制精度问题,提出了一种基于自适应时域参数的智能车辆轨迹跟踪控制策略。基于车辆动力学模型和模型预测控制算法(MPC)建立线性时变MPC控制器,并加入包括轮胎侧偏角约束、质心侧偏角约束以及前轮转角约束的动力学约束,求解出最优前轮转向角。分析控制器中的时域参数对控制效果的影响,设计了一种自适应时域参数控制器,能够根据获取的车辆速度,将求解得到最优的预测时域和控制时域参数输入到控制器,提高控制器在不同速度下的控制精度和稳定性。通过搭建MATLAB/SimuLink与CarSim联合仿真平台,在低附着路面情况下对固定时域控制器和自适应时域控制器进行对比仿真实验。结果表明:自适应时域控制器能够有效改善控制器的性能、减少横向偏差、提高轨迹跟踪控制精度,同时对不同速度也具有较强的适应性,车辆质心侧偏角也控制在0°~15°内,有效保证了车辆行驶的稳定性。

多特征融合的无人艇视觉目标长时相关鲁棒跟踪

[目的]针对显著海浪遮挡、相机剧烈晃动引起的无人艇视觉目标跟踪脱靶问题,提出一种基于多特征融合的长时相关鲁棒跟踪算法。[方法]首先,采用多特征融合技术,增强目标特征表达,提高目标模型鲁棒性;其次,利用高维特征降维和响应图子网格插值,提高目标跟踪的效率与精度;然后,设计水面目标重识别机制,解决目标完全脱离视野时的稳定跟踪问题;最后,采用多个代表性视频数据集进行验证和比较分析。[结果]实验结果表明,相较于传统的长时相关跟踪算法,平均成功率提升15.7%,平均距离精度指标提升30.3%,F-Score指标提升7.0%。[结论]所提算法能够处理恶劣海况下的目标脱靶问题,对于提升无人船艇及海洋机器人智能感知能力,具有重要技术支撑意义。

信号极化方式对跟踪接收机相位影响研究

移动卫通站大范围机动时可能会出现跟踪接收机相位漂移问题,这与使用的信号极化方式有关,必需采取相应的相位补偿措施才能保持天线的稳定跟踪。以典型卫通地面站天线馈源网络结构为参考,结合圆极化器工作原理,解析了不同状态下各接收端口输出信号的表达式,并根据单通道单脉冲跟踪接收机工作原理及其相位物理含义,全面研究了和、差信号不同极化组合时相位与极化角的关系,据此进行相位补偿,可有效解决地理位置变化引起的跟踪接收机相位漂移问题,并通过多个应用案例进行了验证。最后给出了信号极化方式选择建议,跟踪圆极化卫星时和、差信号极化方式应相同,跟踪线极化卫星时差信号极化方式应保持不变。

火光烟雾条件下无人机激光探测与跟踪实验研究

高能激光在打击低小慢目标时,目标容易燃烧产生火光烟雾,传统的可见光和红外探测方式对目标的跟踪和瞄准在火光烟雾干扰的情况下易受影响进而导致目标失跟。提出了一种基于主动激光雷达体制的高精度探测和瞄准方法。首先,对火光烟雾条件下无人机表面的激光反射特性进行理论分析和仿真模拟,以此设计了基于APD的单光子激光雷达探测系统,获得了仿真探测概率随激光脉冲能量变化的理论曲线;其次,构建了基于InGaAs-SPAD的光子成像探测系统,进行了无人机室内实验。实验结果表明:在无火光烟雾条件下,基于距离像跟踪的目标质心位置相较于基于可见光图像跟踪的目标质心位置平均角偏差小于0.55 mrad,基于距离像序列的跟踪轨迹与基于可见光图像序列的跟踪轨迹基本一致,证明了Mean-Shift跟踪算法用于距离像的跟踪的可行性。在距离30 m处的模拟烟雾干扰条件下,采用选通延时滤除烟雾干扰能够获得轮廓清晰的目标距离像。在模拟火光干扰条件下,跟踪框中心X、Y坐标偏离目标质心约为0.58 mrad和0.39 mrad。

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。

基于反馈线性化的广义预测控制机械臂轨迹跟踪算法

分析了机械臂轨迹跟踪控制问题的特点,建立了二自由度机械臂动力学模型。为解决广义预测控制(generalized predictive control,GPC)算法难以适用于非线性系统的问题,在现有的GPC算法基础上,设计了基于反馈线性化的广义预测控制(feedback linearization-generalized predictive control,FL-GPC)算法框架,即底层为线性系统预测控制,非线性项使用预估值来进行代替,高层为迭代修正预估量,使用迭代计算的方式对非线性项进行预估。使用FL-GPC算法对二自由度机械臂的静态、动态轨迹跟踪任务进行了仿真。仿真结果表明,算法可以进行有效的机械臂轨迹跟踪控制。

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。