跟踪目标
- 基于深度学习的动态目标跟踪研究
框准确地定位跟踪目标位置，实现对全遮挡目标、噪声干扰目标的多次跟踪识别，提高外部环境中动态目标的跟踪准确率。2 基于卡尔曼滤波的孪生(Siamese)网络框架2.1 Siamese跟踪网络框架架构Siamese跟踪网络是在Faster RCNN网络框架的基础上，建立起的用于区域候选网络确定、目标对象特征提取的卷积神经网络。[1]其中，RPN网络判断图像帧的空间环境中，是否有动态监测目标，以及修正anchor 使跟踪框更准确，且RPN网络的区域候选框提取、目
电脑与电信 2023年9期2024-01-14
- 基于自适应α-β滤波算法的机动目标跟踪方法
工程中较好的跟踪目标,一直是机动目标跟踪技术研究领域中备受重视和关注的科学技术问题之一,这不仅在学术上具有十分重要的理论意义[4],还有广泛的科学技术应用和研究前景。目标跟踪算法的核心问题是滤波,而滤波是为了预估当前运动目标的运动状态。为了跟踪不同的运动目标,人们提出了大量的滤波方法,这些方法有α-β滤波和α-β-λ滤波、最小二乘滤波、线性自回归滤波、维纳滤波、两点外推滤波、卡尔曼滤波和扩展卡尔曼滤波等[5]。而α-β系列滤波算法作为实际工程中应用最多的滤
信息记录材料 2023年9期2023-10-31
- 基于参数自适应与模板更新的孪生网络跟踪算法①
孪生网络学习跟踪目标与搜索区域的相似性,从而将目标跟踪问题转换为在整个搜索区域上搜索目标问题。该算法首次将孪生网络用于目标跟踪,基于这种结构,衍生出一系列孪生网络跟踪算法。例如,在SiamFC 算法的基础上引入目标检测算法[5]中区域候选网络的基于孪生区域候选网络的高性能目标跟踪算法(high performance visual tracking with Siamese region proposal network,SiamRPN)[6],该算法由用
高技术通讯 2023年8期2023-09-24
- 超连续谱激光对可见光跟瞄设备干扰实验研究
备仍能够稳定跟踪目标。当跟瞄设备入瞳处辐射功率密度进一步增大时,无法正常跟踪目标。实验时,当入瞳激光功率密度为4.9×10-2W/cm2时,跟瞄设备探测器饱和像素个数约为43,此时跟瞄设备探测器处在饱和状态下,激光光斑如图2(a)所示,图中央的白色亮点即为激光光斑中较强部分的像点。图2(b)表示该状态下三维能量分布情况,z轴表示光斑区域的灰度值。此时,目标与干扰光斑存在一定的位置偏差,如图2(c)所示,干扰光斑小于目标且无法覆盖目标,跟瞄设备仍能稳定跟踪目
激光与红外 2023年8期2023-09-22
- 融合时空上下文信息的双分支孪生网络跟踪算法
一帧图像和待跟踪目标大小和位置的情况下预测后续帧中感兴趣目标的大小和运动轨迹，实时分析跟踪目标状态的一门计算机视觉任务.目标跟踪算法可以分为两大类：生成式模型方法和判别式模型方法[2，3].生成式模型方法在当前帧中对跟踪目标的外观进行建模，在后续视频帧中寻找与模型最为相似的区域作为预测的位置.比较著名的生成类方法有STC[4]、粒子滤波、mean-shift[5]等方法.与生成类方法不同的是，判别类方法将跟踪问题看做分类问题，使用机器学习方法训练一个分类器
小型微型计算机系统 2023年1期2023-01-31
- 基于Hu不变矩相似关联度的Mean-shift运动跟踪算法研究
法由于缺乏对跟踪目标遇到大比例遮挡状况的预测能力，无法准确定位跟踪目标，会出现跟踪迭代次数较多及目标丢失现象。为优化以上传统Mean-shift跟踪算法存在的问题，本文提出了一种基于Hu不变矩相似关联度的Mean-shift运动跟踪方法。该方法采用Hu不变矩特征描述子提取跟踪目标特征向量矩，由历史帧位移矢量通过线性回归拟合目标运动方向，并依据视频帧率及目标位移速度预估Mean-shift初始迭代搜索的位置。基于位移矢量方向及预估位置，本文进行8步态方向迭代
自动化仪表 2022年11期2022-11-24
- 基于MF-DeepSORT的交通多目标跟踪
是在交通场景跟踪目标密集情况下，DeepSORT跟踪算法难以保持目标的跟踪状态，并且高度依赖目标检测器的检测性能。为了在交通目标跟踪场景获得更好跟踪性能，本文引入YOLOv5算法[12]作为DeepSORT的目标检测器，并在以下两个方面提出改进：① 提出用检测框和跟踪目标预测框二者的IOU度量运动相似度替代原本的马氏距离度量方式；② 外观相似度度量采用深度特征距离融合HOG[13]特征距离，提升外观相似度度量的准确性，从而提高跟踪的鲁棒性。将改进的Deep
无线电通信技术 2022年5期2022-09-27
- 面向视频的人员入侵检测方法研究及应用
踪节点If 跟踪目标没有处于入侵状态If 跟踪目标被判断准则判断为入侵状态修改目标为入侵状态，并累加入侵帧数If 跟踪目标处于合并状态在跟踪目标上显示所有参与合并的目标的信息else //跟踪目标没有处于合并状态在跟踪目标上显示其相关信息EndEndifelse//跟踪目标处于入侵状态if 跟踪目标被判断准则判断为仍处于入侵状态if 报警次数没有达到入侵阈值累加入侵帧数if 跟踪目标处于合并状态在跟踪目标上显示所有参与合并的目标的信息else//跟踪目标没
计算机技术与发展 2022年4期2022-05-10
- 基于上下文感知的自适应目标跟踪算法
在复杂环境下跟踪目标,主要技术思路:1) 在滤波器训练时,将目标运动方向上的背景信息作为先验信息,对运动状态上的目标样本训练时降低非运动方向上背景样本的权重,增加运动方向上背景样本的权重,增强上下文的作用;2) 融合目标跟踪算法到CACF中,设计一个提取训练集的模块,根据上一帧图像确定的目标尺度大小,实现目标尺度自适应;3) 在模型进行更新时引入平均峰值相关能量(average peak correlation energy,APCE)作为遮挡判据指标,当
南京工程学院学报（自然科学版） 2022年1期2022-05-10
- 通道可靠局部秩变换的目标跟踪算法
，以上算法在跟踪目标的过程中遇到跟踪目标被大面积遮挡，这时获取的训练样本会被污染，从而导致跟踪模型漂移，致使跟踪算法不能够准确跟踪目标的问题.本文利用通道可靠性系数和经验选择方法评估各个特征通道响应图，以此提高跟踪器对跟踪目标的描述能力，从而提高目标跟踪的成功率.2 核相关滤波跟踪算法核相关滤波KCF(KernelCorrelation Filters)跟踪算法[9]在目标视频序列的第一帧中，初始化目标的中心位置，之后使用目标的位置信息去预测下一帧目标的最
小型微型计算机系统 2022年5期2022-05-10
- 一种小型四轴飞行器目标跟踪控制算法
为了能够持续跟踪目标、获取目标信息，无人机执行任务的实时性和飞行稳定性是两个主要指标。四轴飞行器的目标检测与跟踪是指接收无人机传回的图片帧，处理后标记出识别出的物体类别，并跟踪选定目标飞行。现有的目标检测算法主要包括one-stage和two-stage两种。two-stage检测算法一般分两步进行，先获取候选区域再进行分类，比如循环卷积神经网络(Region-based CNN，R-CNN)[16]系列目标检测算法；而one-stage则一步到位，不用再
西安电子科技大学学报 2021年5期2021-11-12
- 基于背景约束的抗遮挡目标跟踪算法研究
效划分图像内跟踪目标识别前景与背景，采用由下向上的视觉注意模型生成图像马尔科夫矩阵，获取显著图[9]。过程如下：Step 1：在对图像进行降采样后提取图像颜色c、亮度l、方向d三类低级特征，调整每一个尺度下的图像低级特征生成“activation maps”；Step 2：归一化处理“activation maps”，过程为：其中，H(φ)是归一化过程的哈密顿算符，h表示欧氏距离，t表示尺度。1.1.2 背景约束机制视频图像背景内通常存在大量情景信息，这些
电子设计工程 2021年17期2021-09-05
- 欠驱动无人船的运动控制设计*
]，设计曲率跟踪目标。将其与欠驱动无人船的数学模型相结合设计基于逆动力学的自适应轨迹跟踪控制器。所提出的控制方法充分利用了欠驱动无人船在非完整约束下的运动规律，从根本上解决了轨迹跟踪的精确性问题。1 欠驱动无人船运动学方程欠驱动无人船的状态由其重心O在惯性坐标系的位置(x，y)及偏航角φ来表示。p=(x，y，φ)T，q=(υ，ω)T由于欠驱动无人船只有控制输入前向推力Tυ和旋转力矩Tω，所以欠驱动无人船的运动状态依靠前向速度υ和偏航转速ω。图1 欠驱动无人
重庆工商大学学报（自然科学版） 2021年4期2021-07-21
- 基于UWB 的智能跟随小车的系统设计
设计3.1 跟踪目标的定位实要想对目标进行准确跟踪，首先要准确计算目标的方位。本设计通过建立参考坐标系后再确定被跟踪目标方位的方式来进行方位解算，其过程如下:1、建立参考坐标系如图4所示，基站1和基站2放置于小车的车头，他们之间的距离为lcm，标签挂在跟踪目标上。接下来，以基站1和基站2所在直线为x轴，基站1和基站2的中点o为原点，建立如图4所示的直角坐标系。图4 整机坐标图2、方位解算假设基站1、基站2 和标签的坐标分别为(x1,y1)、(x2,y2)和
广西物理 2021年1期2021-07-08
- 基于最近邻数据关联的车辆多目标跟踪
是以上一帧的跟踪目标为中心划分的空间区域。NNDA 算法简单、计算量小并且易于实现，但在目标比较密集的情况下，算法容易出现对检测目标误检和漏检的情况。后来很多学者针对NNDA 算法不足做了一些改进，胡朋启[6]基于最近邻数据关联算法提出了一种最近邻‐点拓扑图的目标关联算法，该算法有效地克服了最近邻方法对系统偏差敏感，显著提高了存在系统误差条件下的关联成功率。本次研究建立了基于多传感器融合的车辆多目标跟踪系统，可实现复杂场景下的多目标跟踪，有效融合数据关联算
电子技术与软件工程 2021年10期2021-07-05
- 基于自适应卡尔曼滤波的Meanshift跟踪算法
），解决了在跟踪目标被遮挡或者视频背景序列存在较大噪声、目标与背景颜色相近时跟踪的问题，进一步提升了Meanshift算法的性能，使得该算法的应用场合多样化。KF-Meanshift算法对初值较敏感，当选取的初值存在一定偏差时，滤波结果将存在明显偏差，从而导致滤波发散，同时该算法对系统数学模型及噪声先验信息存在高度的依赖性，当不能准确地确定系统模型和噪声统计特性时，就会使滤波效果失去最优性或者发散。为了解决上述问题，本文提出一种AKF-Meanshift算
制造业自动化 2021年6期2021-06-23
- 基于无人机跟踪的目标反遮挡算法
和挑战。如，跟踪目标较小，跟踪精度差；相对速度过快，导致目标丢失；以及在实际中跟踪精度受目标旋转，目标遮挡等因素影响。因此，本文为了解决目标遮挡环境下，跟踪精度不高的问题，提出了一种新的目标跟踪算法(MKBP)。该算法在均值漂移(Meanshift)目标跟踪算法[4]的基础上，采用动态参数选择的方法，将卡尔曼(Kalman)滤波算法[5-6]与轨迹预测函数和BP神经网络算法[7]相结合，解决了运动过程中的目标遮挡问题跟踪；为了提高算法性能，在该算法中增加了
计算机测量与控制 2021年4期2021-05-07
- 核相关滤波与孪生网络相结合的目标跟踪算法
伸或收缩使得跟踪目标的尺寸变大或缩小，就会导致对局部上下文区域图像提取的特征图中无法包含跟踪目标的全部信息，对此Danelljan提出DSST[10]算法，该算法对局部上下文区域图像提取单一的HOG特征图并加入33维度尺度池，解决了目标跟踪过程中跟踪目标尺寸变大或缩小时对局部上下文区域图像提取的特征图中无法包含跟踪目标的全部信息的问题；对局部上下文区域图像提取的单一HOG特征图在复杂环境下无法对跟踪目标的外观信息进行准确描述，对此Li提出SAMF[11]算
小型微型计算机系统 2021年4期2021-04-12
- 舰载相控阵雷达跟踪模式收发波形时间分配方法
形效能发挥，跟踪目标模式采用单目标逐次跟踪方式，必然容易造成时间资源浪费。对比传统机械扫描方式，相控阵雷达采用电子波束：控制切换雷达波束，波束的赋形与指向调整都是在瞬间完成，这一控制时间远小于目标机动周期，与雷达波形的切换时间相当或处于同一量级。从计算机操控角度讲，传统跟踪目标模式属于信号层面的串行进程[6]，一个目标回波接收后开始照射接收另一目标回波；使用相控阵跟踪雷达后目标跟踪转为并行进程，减少了雷达收发之间的等待时间。从相控阵雷达执行任务角度讲，相控
舰船科学技术 2021年2期2021-04-10
- 基于加权背景感知框架的相关滤波视觉跟踪算法
中不同区域与跟踪目标运动相似度大小，对不同区域赋予不同的权值，提出基于加权背景感知框架的相关滤波(Weighted Background-Aware Correlation Filter，WBACF)视觉跟踪算法，WBACF跟踪流程如图1所示.通过加权背景信息，WBACF框架跟踪器可以获得很好的跟踪结果.图1 WBACF跟踪流程图本文的主要工作如下：1) 提出了基于加权背景感知的视觉跟踪框架，可以有效利用背景信息，进一步提高CF视觉跟踪器的性能;2) 在主
淮阴师范学院学报（自然科学版） 2021年1期2021-03-30
- 视觉跟踪机器人的设计与实现
踪的目标是被跟踪目标周围的背景信息还是被跟踪目标，如图1所示。KCF通过岭回归分类器的学习来完成对目标的跟踪，通过快速傅里叶变化实现算法的加速运算。KCF跟踪算法在训练阶段，利用循环矩阵理论，对视频目标区域进行稠密采样，获取正负样本，提取方向梯度直方图（HOG)特征，通过岭回归分类器分析所以样本进行训练。在检测阶段，以视频前一帧目标位置为中心进行稠密采样，将得到的所有样本输入到岭回归分类器，经过岭回归分类器的分类，得到目标的位置。图1 KCF算法流程图1.
电子世界 2021年22期2021-02-28
- 基于改进CamShift的目标跟踪系统算法
核函数来适应跟踪目标在图像中的大小，能有效解决目标变形和遮挡的问题，同时算法对系统资源要求不高，时间复杂度低，在较简单背景下能够取得较好的跟踪效果，但是传统的CamShift只对HSV中的H分量进行统计分析，易导致跟踪特征单一，当背景较为复杂或有许多与目标颜色相似像素干扰的情况下，会导致跟踪失败，文献[7]引入S分量，通过构建H-S二维直方图对原算法进行改进；文献[8]继续加入V分量，组成三维直方图跟踪模板进一步改进了算法，跟踪性能得到了进一步的提升，但是
探测与控制学报 2021年6期2021-02-18
- 基于通道可靠性的时空正则项目标跟踪算法
移，无法准确跟踪目标，并且STRCF采用多尺度样本对目标的位置及尺度同时进行估计，不能保证位置与尺度求解同时达到最优。为解决上述问题，本文采用通道可靠性对不同特征通道的响应图进行评估，提高模型对目标的表达能力，从而进一步利用时间正则项提高目标完全遮挡后重新跟踪的成功率；单独训练离散尺度滤波器，在目标估计位置处提取多尺度样本对尺度滤波器进行训练，提高跟踪精度。1 基于时空正则项的相关滤波算法假设在当前帧图像的目标处提取的样本为ft，y为理想的目标响应函数，即
计算机应用与软件 2020年10期2020-10-15
- 基于相关滤波器的嵌入式动态目标跟踪系统设计*
工方式给出被跟踪目标，很显然，这样的操作与实际的目标跟踪问题是不相符合的[3]。由此可见，长时间跟踪问题需要结合检测算法与跟踪算法，即由系统自动地锚定被跟踪目标。因此，人们研究了“跟踪-学习-检测”(Tracking-Learning-Detection，TLD)算法[4]，研究表明，该算法的跟踪效果稳定可靠。与此同时，大多数跟踪系统的复杂算法都依赖于高性能的计算机处理器，这严重阻碍了跟踪技术的应用前景。近年来，随着微电子技术和计算机技术不断进步，人们开始
飞控与探测 2020年3期2020-07-16
- 基于矢量线阵的目标低频线谱提取方法
。1 VLA跟踪目标低频线谱提取文献[4]中研究了处理矢量阵信号的矢量矩阵最小方差无畸变响应(Vector array minimum variance distortionless response，VTAMVDR)算法，该算法通过Hilbert 变换对时域宽带信号引入复权向量，不需要进行子带分割，且不需要对数据进行分块处理，获得稳定优化权向量估计所需要的数据长度远小于频域MVDR 方法，数据长度合适时，单次快拍即可实现波束形成，VTAMVDR 算法相比
应用声学 2020年2期2020-06-08
- 一种基于MeanShift改进的移动目标跟踪算法*
失问题，但当跟踪目标快速通过时仍然可能导致跟踪目标丢失[6]；成怡等学者利用Meanshift算法与摄像机标定相结合，实现了无人机定位问题[7]。很多学者对Meanshift算法进行了深入研究，在诸多领域都有很多应用；也有很多学者对该算法进行了多个角度的改进，但跟踪目标在快速行进时容易丢失、跟踪目标中途改变形状等问题仍然不够理想，文章把MeanShift算法应用到车联网中，并针对其缺陷进行改进。1 MeanShift算法Meanshift算法的主要目标是计
九江学院学报(自然科学版) 2020年1期2020-05-29
- 特征融合的尺度估计颜色名跟踪算法
标跟踪过程中跟踪目标出现的尺度变化问题，提出了通过建立独立的一维尺度滤波器去检测目标尺度的变化并且通过最高响应值估计目标的最优尺度。尺度估计步骤：首先CN滤波器作为框架并且融合CN特征和LBP特征进行目标跟踪，并且获取目标及其周围的图像块xs,xs=M×N，在图像块xs采集一系列不同尺度的图像块xsi,xsi=αiM×αiN，其中α=1.02代表尺度因子，i∈{-[(n-1)/2],…,[(n-1)/2]},n=33代表33个不同尺度。然后在这一系列不同尺
计算机工程与设计 2020年5期2020-05-23
- 一种改进相关滤波目标跟踪算法
容易丢失当前跟踪目标.本文提出采用改进后的灰度方向直方图fHOG特征结合颜色特征对目标进行特征融合采样，提高模型表达能力；针对遮挡丢失等问题，提出通过运动方向场结合区域响应程度对目标状态进行评估，调整模型更新机制并在运动惯性下对短暂消失后的目标尝试找回；最后引入自适应尺度因子对目标尺度进行分析，提高算法适应能力.2 传统KCF算法2.1 算法特点在运动目标跟踪算法研究中，一般通过对给定的样本进行特征学习来构建一个相关滤波器h，在检测过程中将待测区域中的候选
小型微型计算机系统 2020年3期2020-05-12
- 智慧交通中形变自适应的目标跟踪算法研究
类器来识别被跟踪目标，常见有相关滤波器[3-7]和深度学习算法[8-10]。当前，判别式模型已成为跟踪领域的主流研究方向。Zhang在相关滤波器跟踪算法的基础上提出了基于贝叶斯框架的时空上下文跟踪算法，有效利用了上下文信息提高分类器的判别性能[5]。Martin等[11]提出了ECO(Efficient Convolution Operators)跟踪算法，融合了深度特征和相关滤波器进行跟踪，具有较高的跟踪性能。Pan等[12]提出了融合相关滤波器和Sia
山西建筑 2020年6期2020-04-14
- 基于核相关滤波和运动模型的多目标轨迹跟踪*
有效地传递给跟踪目标，跟踪算法对目标尺寸适应性较差。随着深度卷积神经网络的迅速发展，使用深度神经网络实现目标检测、协同检测、跟踪信息，能够实现多目标轨迹信息获取。使用YOLO［1］系列神经网络模型实现多目标检测、分类具有良好的实时性，核相关滤波（KCF）［2］跟踪算法能够从被跟踪目标中提取特征训练检测器，具有良好的跟踪实时性和稳定性。Wojke等［3］结合卷积神经网络和Kalman算法提出了一种在线的实时目标检测跟踪网络deep-SORT，使用级联匹配方法
汽车工程 2019年10期2019-11-02
- 基于核相关性滤波的长时间目标跟踪方法∗
值的位置作为跟踪目标位置。训练目标检测器时选取目标区域为正样本，通过循环矩阵，循环位移得到负样本，越靠近正样本可能性越大。通过使用［0，1］范围的值作为样本的回归值，从而得到不同偏移下得到的样本的不同权重。核相关性滤波算法中将分类器的训练过程是一个岭回归问题［6］。其目的是找到一个目标函数f(z)=wTz，在此函数下所有的样本xi以及回归目标yi下最小化均方差即：式中，λ为正则化参数。通过式（1）回归器预测到的样本标签与真实目标标签差距最小。得到最小化平方
舰船电子工程 2019年8期2019-09-03
- 结合自适应特征选择和蕨类分类器的相关滤波跟踪算法
序列中的任意跟踪目标。这类算法由于不需要预先采集大量训练样本以及对跟踪目标的普适性,近年来获得了很大的关注。跟踪的主要问题是目标外观的变化,例如遮挡、形变、出视场等,会对跟踪算法的性能有很大影响。当目标出现严重遮挡或者显著形变时,算法的预测结果将会变得不太可靠,同时滤波器模型也将会被污染。因此,跟踪结果的可靠性需要进行验证,因为它会影响到后续的模型更新。一些算法通过分块来提高滤波器模型对于形变和遮挡的鲁棒性[1-2],有些算法着力解决跟踪过程中的特征鲁棒表
西安交通大学学报 2019年6期2019-06-13
- 懒交互模式下散乱不规则分块引导的目标跟踪*
采用懒交互将跟踪目标分成多个散乱不规则分块，基于核相关滤波算法实现对各个分块进行建模和跟踪。根据每个分块的置信度值等进行异常判定，采用懒交互方式对异常判定进行重采样。最后运用霍夫投票算法确定跟踪目标在新一帧中的位置。其中,懒交互处理将目标分成多个散乱不规则分块，保证分块对目标特征描述的有效性以及通过对目标典型特征进行多次不规则的采样，能够更好的适应目标状态的变化。与现有跟踪方法相比，本文跟踪算法在旋转、复杂背景、光照变化等挑战的跟踪准确度和成功率具有显著提
中山大学学报(自然科学版)(中英文) 2018年4期2018-08-08
- 基于Markov跳变非线性系统的粒子滤波跟踪算法
可以视为一个跟踪目标，目标与目标之间的关系靠节点之间的边来维系，每一个边上都记录着跟踪目标之间概率依赖程度。在Markov随机场中，随机场由链式结构转化为网络结构，将目标与目标之间的相互影响加入多目标跟踪中的网络结构中，这样就解决了多个跟踪目标之间的数据关联问题，从而解决多目标跟踪当中的目标被遮挡问题。多目标跟踪的Markov网络[6]如图1所示。图1 多目标Markov跟踪框图该Markov网络结构分为两层，状态层和观测层，其中状态节点用圆形表示，观测节
沈阳理工大学学报 2018年2期2018-06-15
- 基于Kalman和Surf的Camshift目标跟踪研究
列中手动框选跟踪目标作为目标模板。将传统Camshift算法得到的目标候选区域与目标模板进行直方图对比，得到的巴氏系数若大于设定的阈值则说明目标跟踪丢失。采用Surf算法，在该帧图像中匹配出新的目标候选区域，最终得到候选区域的位置信息更新Kalman滤波。仿真实验表明，改进后的算法在复杂背景下仍然具有良好的跟踪效果。关键词：Camshift算法；Kalman预测器；Surf算法；颜色干扰；目标遮挡DOIDOI：10.11907/rjdk.172315中图分
软件导刊 2018年1期2018-02-01
- 基于 Android的自学习视觉跟踪系统设计∗
以实时准确地跟踪目标。2 TLD目标跟踪算法如图1所示，TLD视觉跟踪算法是由跟踪（Tracking）、学习（Learning）和检测（Detection）三个重要模块组成，它们相辅相成，相互协作共同完成特定目标跟踪的任务。跟踪模块以相邻视频帧之间物体的运动速度有限且被跟踪目标可见为前提条件，金字塔LK光流法［2］的前后向跟踪器作为TLD的跟踪模块对目标进行跟踪。如果跟踪目标在视频流中被遮挡或者消失，必然引起跟踪模块的跟踪失败［3］。检测模块由方差分类器、
舰船电子工程 2017年11期2017-12-25
- 基于图割理论的尺度自适应人脸跟踪算法
是否需要重新跟踪目标;最后,再以该团块作为下一帧跟踪目标。实验结果表明,基于图割的Camshift人脸跟踪算法有效地克服了跟踪时其他肤色区域的干扰,能有效地反映人体快速运动中人脸真实尺度变化,同时防止Camshift算法丢失跟踪目标而陷入局部最优解,具有较好的可用性和鲁棒性。图割;Camshift算法;目标跟踪;真实尺度;最大流0 引言基于视觉的人脸识别是人机交互领域的一个重要研究课题[1]。这种交互方式自然、直观,其具有广泛的应用前景。连续自适应的Mea
计算机应用 2017年4期2017-06-27
- 基于Contourlet和MeanShift的交通视频车辆跟踪算法
感兴趣区域下跟踪目标的纹理特征和轮廓，并用其直方图统计跟踪目标的纹理特征；然后，通过Kalman滤波技术来进行跟踪目标轨迹的相关性函数计算，并将计算结果迭代到MeanShift跟踪算法中选取最优估计值，进而实现对交通视频车辆在复杂场景中的精确定位.通过与传统的MeanShift跟踪算法以及基于Kalman滤波的MeanShift跟踪算法等比较表明，此算法不仅能够对复杂场景中的视频车辆进行有效跟踪，同时还具有较好的稳定性和抗干扰性.Contourlet直方图
辽宁师范大学学报（自然科学版） 2017年2期2017-06-27
- 改进的核相关滤波目标跟踪算法
跟踪算法，在跟踪目标时有不错的效果.然而,当目标尺度发生变化或旋转时，目标模型不能充分描述目标的表观特征，而容易跟踪失败.本文在KCF跟踪算法的基础上，通过引入特征点匹配的方法对目标尺度和角度进行估计，实现目标的尺度、角度自适应跟踪.1 核相关滤波模型传统的相关滤波跟踪算法被视为线性岭回归模型,即(1)式(1)中：xi为输入;yi为相应的标签;w为相应的系数.这种模型在处理非线性问题上会受到限制，通过使用核方法[10]，可以解决非线性问题.Henrique
华侨大学学报（自然科学版） 2017年3期2017-06-05
- 基于自适应背景的目标跟踪算法研究
向与特征进行跟踪目标的计算，建立比较完善整体的运行模型，再根据这个运动模型以及整体的状态对监督目标进行检测与控制，这期间就会形成一种遮挡掩膜;对于掩膜是一种将程序数据等绘制成光刻板，在程序使用期间非常可靠，并且制造成本比较低，使用方便；最后在不同的使用情况下将不同参数进行收集，自动地适应运动模型的运行;针对这种计算方式的实验主要是利用两种在国际上经常使用的CAVIAR、York数据进行测试，并且根据这两种数据对测试的精准度与多重目标跟踪等进行评定，检测跟踪
计算机测量与控制 2017年4期2017-05-10
- 基于改进TLD的自动目标跟踪方法
标跟踪算法在跟踪目标发生光照变化、尺度变化等情况时，具有更加优良的跟踪性能，准确将跟踪目标形心位置提供给控制部分，控制算法高效灵活，在获取信息后精确、快速地控制摄像头方位，使其正对跟踪目标。该系统对目标跟踪技术、安防技术、自动瞄准系统具有重大意义。TLD算法；金字塔光流法；图像定位；比例-积分-微分(PID)控制算法0 引 言目标跟踪是机器视觉的研究热点，在机器视觉研究领域，对任意目标的锁定和跟踪具有很大的研究意义。目标跟踪要求设备根据输入视频流检测发现目
重庆邮电大学学报(自然科学版) 2016年6期2017-01-03
- 连续同色调背景下运动目标自适应跟踪
法准确、持续跟踪目标的问题，提出一种基于Kalman-optical flow(KOF)的改进Meanshift目标跟踪算法。首先，通过基于色调空间的光流检测对Meanshift窗口区域内的特征点进行建模，获得其图像坐标；然后，利用Kalman滤波的速度预估排除背景特征点，得到基于目标模型特征点的空间约束条件；最后，将得到的空间约束条件结合传统Meanshift算法中的色调约束条件，构建新的反投影直方图，并将新的反投影图作为Meanshift的概率密度图进
计算机应用与软件 2016年11期2016-12-26
- 一种基于Meanshift算法的目标跟踪改进
， 无法正确跟踪目标； 其次， 目标运动速度太快， 超出了Meanshift向量计算范围， 该算法将无法继续跟踪目标； 最后， 目标遇到遮挡或存在相似干扰， 该算法无法自适应地重新构建目标模型及候选模型进行跟踪.2 Kalman滤波算法卡尔曼滤波是一种线性递归滤波器， 通常运用于解决最佳估计问题. 其主要分为两个阶段： 预测阶段和更新阶段[11]. 预测阶段包括状态预测和误差协方差预测； 更新阶段包括卡尔曼滤波计算增益系数、 使用增益系数修正和误差协方差的
中北大学学报(自然科学版) 2016年6期2016-12-23
- 在线低秩表示的目标跟踪算法
标跟踪看成把跟踪目标从背景目标块中分离出来的二值分类问题,这类方法的运算耗时少,可实现实时的目标跟踪;生成模式将跟踪问题看成是从候选样本中选出与目标区域重构误差最小的样本作为跟踪目标,可以实现鲁棒的目标跟踪,跟踪精度较高,但是耗时大,难以实现实时跟踪.文献[5]提出了增量在线目标跟踪算法,在粒子滤波框架下,通过增量主成分学习在线学习跟踪目标的外观模型,实现目标的跟踪.文献[3]将稀疏表示应用到目标跟踪领域,并提出用琐碎模板解决跟踪过程中出现的遮挡问题,但是
西安电子科技大学学报 2016年5期2016-11-23
- 运动目标的自动选取与跟踪
的区域确定为跟踪目标.根据跟踪目标的色度直方图模型利用反向投影建立跟踪图像的概率分布图，采用自适应均值漂移方法实现目标跟踪.仿真结果表明：该方法能够有效提取目标的显著性色度等级，从而确定出易于区分背景的跟踪目标，可有效抑制背景对目标跟踪的影响，改善复杂背景情况下目标跟踪的性能，单帧平均跟踪时间小于15 ms，满足跟踪系统实时性的要求.运动目标；自动选取；目标跟踪；显著性；复杂背景；直方图运动目标的检测与跟踪是机器视觉研究的重要方向之一，在军事、工业、安防等
天津工业大学学报 2016年4期2016-09-15
- 模板匹配跟踪的哈希增强算法
征二值化生成跟踪目标的哈希序列；将哈希序列作为匹配跟踪的模板，通过比较汉明距离在每一帧中寻找最为相似的目标以达到跟踪的效果；运用抽屉原理缩短汉明距离比较的时间。给出一种基于汉明距离的自适应模板更新算法，保证了跟踪的连续性。仿真实验结果与基于SSD、NCC的模板跟踪算法比较，在目标灰度或亮度变化情况下匹配精度高出一个数量级，跟踪速度能够满足实时性需求。关键词哈希增强模板匹配目标跟踪汉明距离0引言基于模板匹配的跟踪方法原理简单、便于实现，因此得到了广泛应用。模
计算机应用与软件 2016年7期2016-08-05
- 指数基金跟踪基准“掉队”
好。ETF的跟踪目标一般定为日均偏离度不超过0.2%，年化跟踪误差不超过2%；非ETF产品的跟踪目标一般定为日均偏离度不超过0.35%，年化跟踪误差不超过4%。 然而，各家公司对期内跟踪偏离度和跟踪误差的披露情况都不相同，以规模最大的前三只产品为例，华夏上证50ETF在最近两份年报中仅披露年累计偏离度，华泰柏瑞沪深300ETF（510300.OF）披露了年累计偏离度、日均绝对偏离度和日均跟踪误差，南方中证500ETF（510500.OF）则披露了自建仓完毕
证券市场周刊 2016年28期2016-07-29
- 把迷你导弹 装进背包
标反射的激光跟踪目标，并及时射向目标。不过即使这么小的发射系统也并非一个人能完成操作，往往需要两个人共同协作，一个人负责用激光器跟踪目标，另一个人负责发射，最适合用于远距离攻击敌方坦克、运输车队、碉堡等。普通导弹发射后要对攻击的目标立即进行照射，这样容易暴露目标。而迷你导弹发射后无需立即对目标照射，导弹发射后15秒才完成照射，这样保证了士兵的生命安全。迷你导弹的前世今生追溯迷你导弹的由来，还得从越南战争说起。当时美军装备中使用了一种M79的榴弹发射器，这种
青少年科技博览（中学版） 2016年1期2016-06-01
- 把导弹装进背包
标反射的激光跟踪目标，并及时射向目标。不过这么小的枪械并非一个人能完成，往往需要两个人共同协作，一个人负责用激光器跟踪目标，另一个人负责发射。普通导弹发射后要对攻击的目标立即进行照射，这样容易暴露目标。而迷你导弹发射后无需立即对目标照射，导弹发射后15秒才完成照射，这样保证了士兵的生命安全，这种武器最适合用于远距离攻击敌方坦克、运输车队、碉堡等。挖挖迷你导弹的“族谱”追溯迷你导弹的由来，还得从越南战争说起。当时美军装备中曾使用一种M79的榴弹发射器，这种发
下一代英才 2016年2期2016-05-30
- 基于Mean Shift多特征融合跟踪的改进算法
，否则会导致跟踪目标的丢失。为解决这种缺陷，文献［3］将卡尔曼滤波与Mean Shift跟踪算法相结合，先通过卡尔曼滤波器预测目标在下一帧图像中的位置，然后调节使Mean Shift算法收敛的搜索窗口中心，使算法收敛的目标中心更准确，同时Mean Shift跟踪算法仅仅以颜色特征描述目标，当跟踪窗口中出现相似颜色干扰或者跟踪目标变暗时，其跟踪效果同样不理想；文献 ［4］通过融合颜色特征和边缘特征，解决了在相似颜色干扰或者光照条件变化情况下，原始的Mean
计算机工程与设计 2015年8期2015-12-23
- 高动态临近空间飞行器海上组网测控方案设计*
:(1)相对跟踪目标飞行轨迹，临近空间飞艇布于前方，测量船布于后方，两者搭接对跟踪目标进行测控，并在两者对目标同时可见的弧段内形成备份。1艘测量船、1艘飞艇形成一个海上测控组合，根据跟踪目标飞行距离不同，可灵活配置相应数量的测控组合;(2)鉴于临近空间飞艇尺寸不宜过大，载荷能力有限，可考虑先搭载遥测、光学测量设备，在有余量情况下再加装遥控、外测设备;(3)测量船与临近空间飞艇可见，由测量船为飞艇提供下行通信路由支持[5]，与采用卫星通信相比，可有效降低飞艇
电讯技术 2015年2期2015-09-28
- After Effects“模块化”学习策略之镜头匹配技术
，应使选择的跟踪目标具备明显的、与众不同的特征，这就要求在前期拍摄时有意识地为后期跟踪做好准备。（2）添加合适的跟踪点当在Tracker（跟踪）面板中设置了不同的Track Type（跟踪类型）后，After Effects会根据不同的跟踪模式在Layer（图层）预览窗口中设置合适数量的跟踪点。（3）选择跟踪目标与设定跟踪特征区域在进行运动跟踪之前，首先要观察整段影片，找出最好的跟踪目标（在影片中因为灯光影响而若隐若现的素材、在运动过程中因为角度的不同而在
中国信息技术教育 2015年13期2015-08-18
- 基于卡尔曼和图像信息量的Mean Shift改进跟踪算法
带宽。但是当跟踪目标尺度发生变化时，如果带宽保持不变，就会导致跟踪目标偏差或丢失。因此一个自适应窗口算法就很有必要。文献[4]对核窗宽进行±10%的修改，Bhattacharyya系数最大时的带宽即为最佳窗口带宽，此方法比较适合目标物体变小的情况。文献[5]将尺度空间理论运用于Mean Shift算法，带宽可以实时更改，但在复杂背景下的跟踪效果不佳且计算量大。本文针对在Mean Shift算法中尺度固定不变的跟踪窗口不能有效地跟踪存在明显尺度变化的目标，引
电视技术 2015年5期2015-06-22
- 一种基于卡尔曼预测的mean shift跟踪算法
景下容易丢失跟踪目标，因此其改进算法成为研究的热点［7－9］．文献［10－11］在提高准确度的同时增加了算法的复杂度，忽视了实时性，不适合运用于实时性要求较高的真实的交通路口，尤其当跟踪目标处于与自身颜色相近的背景中．本文通过比较卡尔曼预测位置与mean shift算法计算位置确定跟踪目标的最终位置，提出一种卡尔曼预测与mean shift相结合的跟踪算法．1 本文算法在实时的视频中，相邻两帧图像的时间间隔很短，运动目标变化不明显，因此可以假设目标在相邻两
扬州大学学报（自然科学版） 2014年2期2014-07-06
- 一种基于稀疏表达和光流的目标跟踪方法
较低，表现为跟踪目标易发生漂移并很快中断跟踪任务.近年来，随着模式识别技术的发展，研究人员开始将跟踪问题看成目标检测、目标识别等模式识别问题，提出了很多算法，其中最具有代表性的有:Online Adaboost［2］，BeSemiT［3］，TLD［4］等.这类方法在实际应用中跟踪的准确率较高，但是需要提前学习并且在新的一帧到来时需要进行大量的识别操作，对于对实时性要求比较高的跟踪问题来说是一个瓶颈问题.本文鉴于上面两类算法的优缺点，提出一种光流算法和稀疏表
大连交通大学学报 2014年2期2014-07-02
- 自适应模板匹配在自主空中加油跟踪中的应用
证。1.3 跟踪目标搜索范围通过计算视频中每一帧跟踪目标在图像中的位置，然后利用视频中连续几帧图像之间的跟踪目标的位置，这样就可以得到跟踪目标在图像中的运动轨迹，从而利用目标前几帧得到的的运动轨迹来预测跟踪目标在下一帧可能出现的位置，然后在该位置附近进行相关匹配运算，这样就减小了搜索范围即减少搜索次数，从而减少了大量的运算，故提高了模板匹配的速度。在此，我们采用了多项式为拟合函数[6]，根据跟踪目标在最近前3帧的位置，拟合得到跟踪目标的运动轨迹，从而预测下
电子设计工程 2014年20期2014-01-21
- 均值漂移算法在无人机侦察目标图像跟踪中的研究
泛，可以将要跟踪目标的特征信息与其环境信息有效的结合起来，并根据计算、分析得到的数据，做到及时、准确的对无人机侦察目标图像跟踪进行定位。本文针对比较复杂的侦察目标图像跟踪需要使用改进的均值漂移算法进行研究，以期对无人机侦察目标图像跟踪提供参考依据。1 均值漂移算法均值漂移（mean shift）算法最早来源于一篇估计概率密度梯度函数的重要文献，后来Yizong Cheng对其做了两个方面的推广：第一，定义了一族核函数；第二，设定了一个权重系数，使得均值漂移
装备制造技术 2013年6期2013-06-26
- 无人机导引飞行设计与误差探讨＊
要目的是实时跟踪目标，确定地面目标点相对于无人直升机光电吊舱的方位、俯仰角度信息。光电吊舱需提供给无人直升机的飞控计算机如下信号：1）光电吊舱跟踪目标的俯仰角，相对平台轴线，向上为正；2）光电吊舱跟踪目标的方位角，向右为正；3）光电吊舱跟踪目标的俯仰角速度，向下为正；4）光电吊舱跟踪目标的方位角速度，向右为正。光电吊舱跟踪目标后可直接给出相对于目标的方位俯仰角信息，而光电吊舱的方位俯仰角速度信息不能直接给出。但是由于光电吊舱安装有陀螺稳定装置，可以保持视轴
舰船电子工程 2012年12期2012-10-16