跟蹤目標(biāo)
- 基于深度學(xué)習(xí)的動(dòng)態(tài)目標(biāo)跟蹤研究
框準(zhǔn)確地定位跟蹤目標(biāo)位置，實(shí)現(xiàn)對(duì)全遮擋目標(biāo)、噪聲干擾目標(biāo)的多次跟蹤識(shí)別，提高外部環(huán)境中動(dòng)態(tài)目標(biāo)的跟蹤準(zhǔn)確率。2 基于卡爾曼濾波的孿生(Siamese)網(wǎng)絡(luò)框架2.1 Siamese跟蹤網(wǎng)絡(luò)框架架構(gòu)Siamese跟蹤網(wǎng)絡(luò)是在Faster RCNN網(wǎng)絡(luò)框架的基礎(chǔ)上，建立起的用于區(qū)域候選網(wǎng)絡(luò)確定、目標(biāo)對(duì)象特征提取的卷積神經(jīng)網(wǎng)絡(luò)。[1]其中，RPN網(wǎng)絡(luò)判斷圖像幀的空間環(huán)境中，是否有動(dòng)態(tài)監(jiān)測(cè)目標(biāo)，以及修正anchor 使跟蹤框更準(zhǔn)確，且RPN網(wǎng)絡(luò)的區(qū)域候選框提取、目
電腦與電信 2023年9期2024-01-14
- 基于自適應(yīng)α-β濾波算法的機(jī)動(dòng)目標(biāo)跟蹤方法
工程中較好的跟蹤目標(biāo),一直是機(jī)動(dòng)目標(biāo)跟蹤技術(shù)研究領(lǐng)域中備受重視和關(guān)注的科學(xué)技術(shù)問(wèn)題之一,這不僅在學(xué)術(shù)上具有十分重要的理論意義[4],還有廣泛的科學(xué)技術(shù)應(yīng)用和研究前景。目標(biāo)跟蹤算法的核心問(wèn)題是濾波,而濾波是為了預(yù)估當(dāng)前運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)狀態(tài)。為了跟蹤不同的運(yùn)動(dòng)目標(biāo),人們提出了大量的濾波方法,這些方法有α-β濾波和α-β-λ濾波、最小二乘濾波、線性自回歸濾波、維納濾波、兩點(diǎn)外推濾波、卡爾曼濾波和擴(kuò)展卡爾曼濾波等[5]。而α-β系列濾波算法作為實(shí)際工程中應(yīng)用最多的濾
信息記錄材料 2023年9期2023-10-31
- 基于參數(shù)自適應(yīng)與模板更新的孿生網(wǎng)絡(luò)跟蹤算法①
孿生網(wǎng)絡(luò)學(xué)習(xí)跟蹤目標(biāo)與搜索區(qū)域的相似性,從而將目標(biāo)跟蹤問(wèn)題轉(zhuǎn)換為在整個(gè)搜索區(qū)域上搜索目標(biāo)問(wèn)題。該算法首次將孿生網(wǎng)絡(luò)用于目標(biāo)跟蹤,基于這種結(jié)構(gòu),衍生出一系列孿生網(wǎng)絡(luò)跟蹤算法。例如,在SiamFC 算法的基礎(chǔ)上引入目標(biāo)檢測(cè)算法[5]中區(qū)域候選網(wǎng)絡(luò)的基于孿生區(qū)域候選網(wǎng)絡(luò)的高性能目標(biāo)跟蹤算法(high performance visual tracking with Siamese region proposal network,SiamRPN)[6],該算法由用
高技術(shù)通訊 2023年8期2023-09-24
- 超連續(xù)譜激光對(duì)可見(jiàn)光跟瞄設(shè)備干擾實(shí)驗(yàn)研究
備仍能夠穩(wěn)定跟蹤目標(biāo)。當(dāng)跟瞄設(shè)備入瞳處輻射功率密度進(jìn)一步增大時(shí),無(wú)法正常跟蹤目標(biāo)。實(shí)驗(yàn)時(shí),當(dāng)入瞳激光功率密度為4.9×10-2W/cm2時(shí),跟瞄設(shè)備探測(cè)器飽和像素個(gè)數(shù)約為43,此時(shí)跟瞄設(shè)備探測(cè)器處在飽和狀態(tài)下,激光光斑如圖2(a)所示,圖中央的白色亮點(diǎn)即為激光光斑中較強(qiáng)部分的像點(diǎn)。圖2(b)表示該狀態(tài)下三維能量分布情況,z軸表示光斑區(qū)域的灰度值。此時(shí),目標(biāo)與干擾光斑存在一定的位置偏差,如圖2(c)所示,干擾光斑小于目標(biāo)且無(wú)法覆蓋目標(biāo),跟瞄設(shè)備仍能穩(wěn)定跟蹤目
激光與紅外 2023年8期2023-09-22
- 融合時(shí)空上下文信息的雙分支孿生網(wǎng)絡(luò)跟蹤算法
一幀圖像和待跟蹤目標(biāo)大小和位置的情況下預(yù)測(cè)后續(xù)幀中感興趣目標(biāo)的大小和運(yùn)動(dòng)軌跡，實(shí)時(shí)分析跟蹤目標(biāo)狀態(tài)的一門計(jì)算機(jī)視覺(jué)任務(wù).目標(biāo)跟蹤算法可以分為兩大類：生成式模型方法和判別式模型方法[2，3].生成式模型方法在當(dāng)前幀中對(duì)跟蹤目標(biāo)的外觀進(jìn)行建模，在后續(xù)視頻幀中尋找與模型最為相似的區(qū)域作為預(yù)測(cè)的位置.比較著名的生成類方法有STC[4]、粒子濾波、mean-shift[5]等方法.與生成類方法不同的是，判別類方法將跟蹤問(wèn)題看做分類問(wèn)題，使用機(jī)器學(xué)習(xí)方法訓(xùn)練一個(gè)分類器
小型微型計(jì)算機(jī)系統(tǒng) 2023年1期2023-01-31
- 基于Hu不變矩相似關(guān)聯(lián)度的Mean-shift運(yùn)動(dòng)跟蹤算法研究
法由于缺乏對(duì)跟蹤目標(biāo)遇到大比例遮擋狀況的預(yù)測(cè)能力，無(wú)法準(zhǔn)確定位跟蹤目標(biāo)，會(huì)出現(xiàn)跟蹤迭代次數(shù)較多及目標(biāo)丟失現(xiàn)象。為優(yōu)化以上傳統(tǒng)Mean-shift跟蹤算法存在的問(wèn)題，本文提出了一種基于Hu不變矩相似關(guān)聯(lián)度的Mean-shift運(yùn)動(dòng)跟蹤方法。該方法采用Hu不變矩特征描述子提取跟蹤目標(biāo)特征向量矩，由歷史幀位移矢量通過(guò)線性回歸擬合目標(biāo)運(yùn)動(dòng)方向，并依據(jù)視頻幀率及目標(biāo)位移速度預(yù)估Mean-shift初始迭代搜索的位置?；谖灰剖噶糠较蚣邦A(yù)估位置，本文進(jìn)行8步態(tài)方向迭代
自動(dòng)化儀表 2022年11期2022-11-24
- 基于MF-DeepSORT的交通多目標(biāo)跟蹤
是在交通場(chǎng)景跟蹤目標(biāo)密集情況下，DeepSORT跟蹤算法難以保持目標(biāo)的跟蹤狀態(tài)，并且高度依賴目標(biāo)檢測(cè)器的檢測(cè)性能。為了在交通目標(biāo)跟蹤場(chǎng)景獲得更好跟蹤性能，本文引入YOLOv5算法[12]作為DeepSORT的目標(biāo)檢測(cè)器，并在以下兩個(gè)方面提出改進(jìn)：① 提出用檢測(cè)框和跟蹤目標(biāo)預(yù)測(cè)框二者的IOU度量運(yùn)動(dòng)相似度替代原本的馬氏距離度量方式；② 外觀相似度度量采用深度特征距離融合HOG[13]特征距離，提升外觀相似度度量的準(zhǔn)確性，從而提高跟蹤的魯棒性。將改進(jìn)的Deep
無(wú)線電通信技術(shù) 2022年5期2022-09-27
- 面向視頻的人員入侵檢測(cè)方法研究及應(yīng)用
蹤節(jié)點(diǎn)If 跟蹤目標(biāo)沒(méi)有處于入侵狀態(tài)If 跟蹤目標(biāo)被判斷準(zhǔn)則判斷為入侵狀態(tài)修改目標(biāo)為入侵狀態(tài)，并累加入侵幀數(shù)If 跟蹤目標(biāo)處于合并狀態(tài)在跟蹤目標(biāo)上顯示所有參與合并的目標(biāo)的信息else //跟蹤目標(biāo)沒(méi)有處于合并狀態(tài)在跟蹤目標(biāo)上顯示其相關(guān)信息EndEndifelse//跟蹤目標(biāo)處于入侵狀態(tài)if 跟蹤目標(biāo)被判斷準(zhǔn)則判斷為仍處于入侵狀態(tài)if 報(bào)警次數(shù)沒(méi)有達(dá)到入侵閾值累加入侵幀數(shù)if 跟蹤目標(biāo)處于合并狀態(tài)在跟蹤目標(biāo)上顯示所有參與合并的目標(biāo)的信息else//跟蹤目標(biāo)沒(méi)
計(jì)算機(jī)技術(shù)與發(fā)展 2022年4期2022-05-10
- 基于上下文感知的自適應(yīng)目標(biāo)跟蹤算法
在復(fù)雜環(huán)境下跟蹤目標(biāo),主要技術(shù)思路:1) 在濾波器訓(xùn)練時(shí),將目標(biāo)運(yùn)動(dòng)方向上的背景信息作為先驗(yàn)信息,對(duì)運(yùn)動(dòng)狀態(tài)上的目標(biāo)樣本訓(xùn)練時(shí)降低非運(yùn)動(dòng)方向上背景樣本的權(quán)重,增加運(yùn)動(dòng)方向上背景樣本的權(quán)重,增強(qiáng)上下文的作用;2) 融合目標(biāo)跟蹤算法到CACF中,設(shè)計(jì)一個(gè)提取訓(xùn)練集的模塊,根據(jù)上一幀圖像確定的目標(biāo)尺度大小,實(shí)現(xiàn)目標(biāo)尺度自適應(yīng);3) 在模型進(jìn)行更新時(shí)引入平均峰值相關(guān)能量(average peak correlation energy,APCE)作為遮擋判據(jù)指標(biāo),當(dāng)
- 通道可靠局部秩變換的目標(biāo)跟蹤算法
，以上算法在跟蹤目標(biāo)的過(guò)程中遇到跟蹤目標(biāo)被大面積遮擋，這時(shí)獲取的訓(xùn)練樣本會(huì)被污染，從而導(dǎo)致跟蹤模型漂移，致使跟蹤算法不能夠準(zhǔn)確跟蹤目標(biāo)的問(wèn)題.本文利用通道可靠性系數(shù)和經(jīng)驗(yàn)選擇方法評(píng)估各個(gè)特征通道響應(yīng)圖，以此提高跟蹤器對(duì)跟蹤目標(biāo)的描述能力，從而提高目標(biāo)跟蹤的成功率.2 核相關(guān)濾波跟蹤算法核相關(guān)濾波KCF(KernelCorrelation Filters)跟蹤算法[9]在目標(biāo)視頻序列的第一幀中，初始化目標(biāo)的中心位置，之后使用目標(biāo)的位置信息去預(yù)測(cè)下一幀目標(biāo)的最
小型微型計(jì)算機(jī)系統(tǒng) 2022年5期2022-05-10
- 一種小型四軸飛行器目標(biāo)跟蹤控制算法
為了能夠持續(xù)跟蹤目標(biāo)、獲取目標(biāo)信息，無(wú)人機(jī)執(zhí)行任務(wù)的實(shí)時(shí)性和飛行穩(wěn)定性是兩個(gè)主要指標(biāo)。四軸飛行器的目標(biāo)檢測(cè)與跟蹤是指接收無(wú)人機(jī)傳回的圖片幀，處理后標(biāo)記出識(shí)別出的物體類別，并跟蹤選定目標(biāo)飛行。現(xiàn)有的目標(biāo)檢測(cè)算法主要包括one-stage和two-stage兩種。two-stage檢測(cè)算法一般分兩步進(jìn)行，先獲取候選區(qū)域再進(jìn)行分類，比如循環(huán)卷積神經(jīng)網(wǎng)絡(luò)(Region-based CNN，R-CNN)[16]系列目標(biāo)檢測(cè)算法；而one-stage則一步到位，不用再
西安電子科技大學(xué)學(xué)報(bào) 2021年5期2021-11-12
- 基于背景約束的抗遮擋目標(biāo)跟蹤算法研究
效劃分圖像內(nèi)跟蹤目標(biāo)識(shí)別前景與背景，采用由下向上的視覺(jué)注意模型生成圖像馬爾科夫矩陣，獲取顯著圖[9]。過(guò)程如下：Step 1：在對(duì)圖像進(jìn)行降采樣后提取圖像顏色c、亮度l、方向d三類低級(jí)特征，調(diào)整每一個(gè)尺度下的圖像低級(jí)特征生成“activation maps”；Step 2：歸一化處理“activation maps”，過(guò)程為：其中，H(φ)是歸一化過(guò)程的哈密頓算符，h表示歐氏距離，t表示尺度。1.1.2 背景約束機(jī)制視頻圖像背景內(nèi)通常存在大量情景信息，這些
電子設(shè)計(jì)工程 2021年17期2021-09-05
- 欠驅(qū)動(dòng)無(wú)人船的運(yùn)動(dòng)控制設(shè)計(jì)*
]，設(shè)計(jì)曲率跟蹤目標(biāo)。將其與欠驅(qū)動(dòng)無(wú)人船的數(shù)學(xué)模型相結(jié)合設(shè)計(jì)基于逆動(dòng)力學(xué)的自適應(yīng)軌跡跟蹤控制器。所提出的控制方法充分利用了欠驅(qū)動(dòng)無(wú)人船在非完整約束下的運(yùn)動(dòng)規(guī)律，從根本上解決了軌跡跟蹤的精確性問(wèn)題。1 欠驅(qū)動(dòng)無(wú)人船運(yùn)動(dòng)學(xué)方程欠驅(qū)動(dòng)無(wú)人船的狀態(tài)由其重心O在慣性坐標(biāo)系的位置(x，y)及偏航角φ來(lái)表示。p=(x，y，φ)T，q=(υ，ω)T由于欠驅(qū)動(dòng)無(wú)人船只有控制輸入前向推力Tυ和旋轉(zhuǎn)力矩Tω，所以欠驅(qū)動(dòng)無(wú)人船的運(yùn)動(dòng)狀態(tài)依靠前向速度υ和偏航轉(zhuǎn)速ω。圖1 欠驅(qū)動(dòng)無(wú)人
- 基于UWB 的智能跟隨小車的系統(tǒng)設(shè)計(jì)
設(shè)計(jì)3.1 跟蹤目標(biāo)的定位實(shí)要想對(duì)目標(biāo)進(jìn)行準(zhǔn)確跟蹤，首先要準(zhǔn)確計(jì)算目標(biāo)的方位。本設(shè)計(jì)通過(guò)建立參考坐標(biāo)系后再確定被跟蹤目標(biāo)方位的方式來(lái)進(jìn)行方位解算，其過(guò)程如下:1、建立參考坐標(biāo)系如圖4所示，基站1和基站2放置于小車的車頭，他們之間的距離為lcm，標(biāo)簽掛在跟蹤目標(biāo)上。接下來(lái)，以基站1和基站2所在直線為x軸，基站1和基站2的中點(diǎn)o為原點(diǎn)，建立如圖4所示的直角坐標(biāo)系。圖4 整機(jī)坐標(biāo)圖2、方位解算假設(shè)基站1、基站2 和標(biāo)簽的坐標(biāo)分別為(x1,y1)、(x2,y2)和
廣西物理 2021年1期2021-07-08
- 基于最近鄰數(shù)據(jù)關(guān)聯(lián)的車輛多目標(biāo)跟蹤
是以上一幀的跟蹤目標(biāo)為中心劃分的空間區(qū)域。NNDA 算法簡(jiǎn)單、計(jì)算量小并且易于實(shí)現(xiàn)，但在目標(biāo)比較密集的情況下，算法容易出現(xiàn)對(duì)檢測(cè)目標(biāo)誤檢和漏檢的情況。后來(lái)很多學(xué)者針對(duì)NNDA 算法不足做了一些改進(jìn)，胡朋啟[6]基于最近鄰數(shù)據(jù)關(guān)聯(lián)算法提出了一種最近鄰‐點(diǎn)拓?fù)鋱D的目標(biāo)關(guān)聯(lián)算法，該算法有效地克服了最近鄰方法對(duì)系統(tǒng)偏差敏感，顯著提高了存在系統(tǒng)誤差條件下的關(guān)聯(lián)成功率。本次研究建立了基于多傳感器融合的車輛多目標(biāo)跟蹤系統(tǒng)，可實(shí)現(xiàn)復(fù)雜場(chǎng)景下的多目標(biāo)跟蹤，有效融合數(shù)據(jù)關(guān)聯(lián)算
電子技術(shù)與軟件工程 2021年10期2021-07-05
- 基于自適應(yīng)卡爾曼濾波的Meanshift跟蹤算法
），解決了在跟蹤目標(biāo)被遮擋或者視頻背景序列存在較大噪聲、目標(biāo)與背景顏色相近時(shí)跟蹤的問(wèn)題，進(jìn)一步提升了Meanshift算法的性能，使得該算法的應(yīng)用場(chǎng)合多樣化。KF-Meanshift算法對(duì)初值較敏感，當(dāng)選取的初值存在一定偏差時(shí)，濾波結(jié)果將存在明顯偏差，從而導(dǎo)致濾波發(fā)散，同時(shí)該算法對(duì)系統(tǒng)數(shù)學(xué)模型及噪聲先驗(yàn)信息存在高度的依賴性，當(dāng)不能準(zhǔn)確地確定系統(tǒng)模型和噪聲統(tǒng)計(jì)特性時(shí)，就會(huì)使濾波效果失去最優(yōu)性或者發(fā)散。為了解決上述問(wèn)題，本文提出一種AKF-Meanshift算
制造業(yè)自動(dòng)化 2021年6期2021-06-23
- 基于無(wú)人機(jī)跟蹤的目標(biāo)反遮擋算法
和挑戰(zhàn)。如，跟蹤目標(biāo)較小，跟蹤精度差；相對(duì)速度過(guò)快，導(dǎo)致目標(biāo)丟失；以及在實(shí)際中跟蹤精度受目標(biāo)旋轉(zhuǎn)，目標(biāo)遮擋等因素影響。因此，本文為了解決目標(biāo)遮擋環(huán)境下，跟蹤精度不高的問(wèn)題，提出了一種新的目標(biāo)跟蹤算法(MKBP)。該算法在均值漂移(Meanshift)目標(biāo)跟蹤算法[4]的基礎(chǔ)上，采用動(dòng)態(tài)參數(shù)選擇的方法，將卡爾曼(Kalman)濾波算法[5-6]與軌跡預(yù)測(cè)函數(shù)和BP神經(jīng)網(wǎng)絡(luò)算法[7]相結(jié)合，解決了運(yùn)動(dòng)過(guò)程中的目標(biāo)遮擋問(wèn)題跟蹤；為了提高算法性能，在該算法中增加了
計(jì)算機(jī)測(cè)量與控制 2021年4期2021-05-07
- 核相關(guān)濾波與孿生網(wǎng)絡(luò)相結(jié)合的目標(biāo)跟蹤算法
伸或收縮使得跟蹤目標(biāo)的尺寸變大或縮小，就會(huì)導(dǎo)致對(duì)局部上下文區(qū)域圖像提取的特征圖中無(wú)法包含跟蹤目標(biāo)的全部信息，對(duì)此Danelljan提出DSST[10]算法，該算法對(duì)局部上下文區(qū)域圖像提取單一的HOG特征圖并加入33維度尺度池，解決了目標(biāo)跟蹤過(guò)程中跟蹤目標(biāo)尺寸變大或縮小時(shí)對(duì)局部上下文區(qū)域圖像提取的特征圖中無(wú)法包含跟蹤目標(biāo)的全部信息的問(wèn)題；對(duì)局部上下文區(qū)域圖像提取的單一HOG特征圖在復(fù)雜環(huán)境下無(wú)法對(duì)跟蹤目標(biāo)的外觀信息進(jìn)行準(zhǔn)確描述，對(duì)此Li提出SAMF[11]算
小型微型計(jì)算機(jī)系統(tǒng) 2021年4期2021-04-12
- 艦載相控陣?yán)走_(dá)跟蹤模式收發(fā)波形時(shí)間分配方法
形效能發(fā)揮，跟蹤目標(biāo)模式采用單目標(biāo)逐次跟蹤方式，必然容易造成時(shí)間資源浪費(fèi)。對(duì)比傳統(tǒng)機(jī)械掃描方式，相控陣?yán)走_(dá)采用電子波束：控制切換雷達(dá)波束，波束的賦形與指向調(diào)整都是在瞬間完成，這一控制時(shí)間遠(yuǎn)小于目標(biāo)機(jī)動(dòng)周期，與雷達(dá)波形的切換時(shí)間相當(dāng)或處于同一量級(jí)。從計(jì)算機(jī)操控角度講，傳統(tǒng)跟蹤目標(biāo)模式屬于信號(hào)層面的串行進(jìn)程[6]，一個(gè)目標(biāo)回波接收后開始照射接收另一目標(biāo)回波；使用相控陣跟蹤雷達(dá)后目標(biāo)跟蹤轉(zhuǎn)為并行進(jìn)程，減少了雷達(dá)收發(fā)之間的等待時(shí)間。從相控陣?yán)走_(dá)執(zhí)行任務(wù)角度講，相控
艦船科學(xué)技術(shù) 2021年2期2021-04-10
- 基于加權(quán)背景感知框架的相關(guān)濾波視覺(jué)跟蹤算法
中不同區(qū)域與跟蹤目標(biāo)運(yùn)動(dòng)相似度大小，對(duì)不同區(qū)域賦予不同的權(quán)值，提出基于加權(quán)背景感知框架的相關(guān)濾波(Weighted Background-Aware Correlation Filter，WBACF)視覺(jué)跟蹤算法，WBACF跟蹤流程如圖1所示.通過(guò)加權(quán)背景信息，WBACF框架跟蹤器可以獲得很好的跟蹤結(jié)果.圖1 WBACF跟蹤流程圖本文的主要工作如下：1) 提出了基于加權(quán)背景感知的視覺(jué)跟蹤框架，可以有效利用背景信息，進(jìn)一步提高CF視覺(jué)跟蹤器的性能;2) 在主
- 視覺(jué)跟蹤機(jī)器人的設(shè)計(jì)與實(shí)現(xiàn)
蹤的目標(biāo)是被跟蹤目標(biāo)周圍的背景信息還是被跟蹤目標(biāo)，如圖1所示。KCF通過(guò)嶺回歸分類器的學(xué)習(xí)來(lái)完成對(duì)目標(biāo)的跟蹤，通過(guò)快速傅里葉變化實(shí)現(xiàn)算法的加速運(yùn)算。KCF跟蹤算法在訓(xùn)練階段，利用循環(huán)矩陣?yán)碚摚瑢?duì)視頻目標(biāo)區(qū)域進(jìn)行稠密采樣，獲取正負(fù)樣本，提取方向梯度直方圖（HOG)特征，通過(guò)嶺回歸分類器分析所以樣本進(jìn)行訓(xùn)練。在檢測(cè)階段，以視頻前一幀目標(biāo)位置為中心進(jìn)行稠密采樣，將得到的所有樣本輸入到嶺回歸分類器，經(jīng)過(guò)嶺回歸分類器的分類，得到目標(biāo)的位置。圖1 KCF算法流程圖1.
電子世界 2021年22期2021-02-28
- 基于改進(jìn)CamShift的目標(biāo)跟蹤系統(tǒng)算法
核函數(shù)來(lái)適應(yīng)跟蹤目標(biāo)在圖像中的大小，能有效解決目標(biāo)變形和遮擋的問(wèn)題，同時(shí)算法對(duì)系統(tǒng)資源要求不高，時(shí)間復(fù)雜度低，在較簡(jiǎn)單背景下能夠取得較好的跟蹤效果，但是傳統(tǒng)的CamShift只對(duì)HSV中的H分量進(jìn)行統(tǒng)計(jì)分析，易導(dǎo)致跟蹤特征單一，當(dāng)背景較為復(fù)雜或有許多與目標(biāo)顏色相似像素干擾的情況下，會(huì)導(dǎo)致跟蹤失敗，文獻(xiàn)[7]引入S分量，通過(guò)構(gòu)建H-S二維直方圖對(duì)原算法進(jìn)行改進(jìn)；文獻(xiàn)[8]繼續(xù)加入V分量，組成三維直方圖跟蹤模板進(jìn)一步改進(jìn)了算法，跟蹤性能得到了進(jìn)一步的提升，但是
探測(cè)與控制學(xué)報(bào) 2021年6期2021-02-18
- 基于通道可靠性的時(shí)空正則項(xiàng)目標(biāo)跟蹤算法
移，無(wú)法準(zhǔn)確跟蹤目標(biāo)，并且STRCF采用多尺度樣本對(duì)目標(biāo)的位置及尺度同時(shí)進(jìn)行估計(jì)，不能保證位置與尺度求解同時(shí)達(dá)到最優(yōu)。為解決上述問(wèn)題，本文采用通道可靠性對(duì)不同特征通道的響應(yīng)圖進(jìn)行評(píng)估，提高模型對(duì)目標(biāo)的表達(dá)能力，從而進(jìn)一步利用時(shí)間正則項(xiàng)提高目標(biāo)完全遮擋后重新跟蹤的成功率；單獨(dú)訓(xùn)練離散尺度濾波器，在目標(biāo)估計(jì)位置處提取多尺度樣本對(duì)尺度濾波器進(jìn)行訓(xùn)練，提高跟蹤精度。1 基于時(shí)空正則項(xiàng)的相關(guān)濾波算法假設(shè)在當(dāng)前幀圖像的目標(biāo)處提取的樣本為ft，y為理想的目標(biāo)響應(yīng)函數(shù)，即
計(jì)算機(jī)應(yīng)用與軟件 2020年10期2020-10-15
- 基于相關(guān)濾波器的嵌入式動(dòng)態(tài)目標(biāo)跟蹤系統(tǒng)設(shè)計(jì)*
工方式給出被跟蹤目標(biāo)，很顯然，這樣的操作與實(shí)際的目標(biāo)跟蹤問(wèn)題是不相符合的[3]。由此可見(jiàn)，長(zhǎng)時(shí)間跟蹤問(wèn)題需要結(jié)合檢測(cè)算法與跟蹤算法，即由系統(tǒng)自動(dòng)地錨定被跟蹤目標(biāo)。因此，人們研究了“跟蹤-學(xué)習(xí)-檢測(cè)”(Tracking-Learning-Detection，TLD)算法[4]，研究表明，該算法的跟蹤效果穩(wěn)定可靠。與此同時(shí)，大多數(shù)跟蹤系統(tǒng)的復(fù)雜算法都依賴于高性能的計(jì)算機(jī)處理器，這嚴(yán)重阻礙了跟蹤技術(shù)的應(yīng)用前景。近年來(lái)，隨著微電子技術(shù)和計(jì)算機(jī)技術(shù)不斷進(jìn)步，人們開始
飛控與探測(cè) 2020年3期2020-07-16
- 基于矢量線陣的目標(biāo)低頻線譜提取方法
。1 VLA跟蹤目標(biāo)低頻線譜提取文獻(xiàn)[4]中研究了處理矢量陣信號(hào)的矢量矩陣最小方差無(wú)畸變響應(yīng)(Vector array minimum variance distortionless response，VTAMVDR)算法，該算法通過(guò)Hilbert 變換對(duì)時(shí)域?qū)拵盘?hào)引入復(fù)權(quán)向量，不需要進(jìn)行子帶分割，且不需要對(duì)數(shù)據(jù)進(jìn)行分塊處理，獲得穩(wěn)定優(yōu)化權(quán)向量估計(jì)所需要的數(shù)據(jù)長(zhǎng)度遠(yuǎn)小于頻域MVDR 方法，數(shù)據(jù)長(zhǎng)度合適時(shí)，單次快拍即可實(shí)現(xiàn)波束形成，VTAMVDR 算法相比
應(yīng)用聲學(xué) 2020年2期2020-06-08
- 一種基于MeanShift改進(jìn)的移動(dòng)目標(biāo)跟蹤算法*
失問(wèn)題，但當(dāng)跟蹤目標(biāo)快速通過(guò)時(shí)仍然可能導(dǎo)致跟蹤目標(biāo)丟失[6]；成怡等學(xué)者利用Meanshift算法與攝像機(jī)標(biāo)定相結(jié)合，實(shí)現(xiàn)了無(wú)人機(jī)定位問(wèn)題[7]。很多學(xué)者對(duì)Meanshift算法進(jìn)行了深入研究，在諸多領(lǐng)域都有很多應(yīng)用；也有很多學(xué)者對(duì)該算法進(jìn)行了多個(gè)角度的改進(jìn)，但跟蹤目標(biāo)在快速行進(jìn)時(shí)容易丟失、跟蹤目標(biāo)中途改變形狀等問(wèn)題仍然不夠理想，文章把MeanShift算法應(yīng)用到車聯(lián)網(wǎng)中，并針對(duì)其缺陷進(jìn)行改進(jìn)。1 MeanShift算法Meanshift算法的主要目標(biāo)是計(jì)
- 特征融合的尺度估計(jì)顏色名跟蹤算法
標(biāo)跟蹤過(guò)程中跟蹤目標(biāo)出現(xiàn)的尺度變化問(wèn)題，提出了通過(guò)建立獨(dú)立的一維尺度濾波器去檢測(cè)目標(biāo)尺度的變化并且通過(guò)最高響應(yīng)值估計(jì)目標(biāo)的最優(yōu)尺度。尺度估計(jì)步驟：首先CN濾波器作為框架并且融合CN特征和LBP特征進(jìn)行目標(biāo)跟蹤，并且獲取目標(biāo)及其周圍的圖像塊xs,xs=M×N，在圖像塊xs采集一系列不同尺度的圖像塊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個(gè)不同尺度。然后在這一系列不同尺
計(jì)算機(jī)工程與設(shè)計(jì) 2020年5期2020-05-23
- 一種改進(jìn)相關(guān)濾波目標(biāo)跟蹤算法
容易丟失當(dāng)前跟蹤目標(biāo).本文提出采用改進(jìn)后的灰度方向直方圖fHOG特征結(jié)合顏色特征對(duì)目標(biāo)進(jìn)行特征融合采樣，提高模型表達(dá)能力；針對(duì)遮擋丟失等問(wèn)題，提出通過(guò)運(yùn)動(dòng)方向場(chǎng)結(jié)合區(qū)域響應(yīng)程度對(duì)目標(biāo)狀態(tài)進(jìn)行評(píng)估，調(diào)整模型更新機(jī)制并在運(yùn)動(dòng)慣性下對(duì)短暫消失后的目標(biāo)嘗試找回；最后引入自適應(yīng)尺度因子對(duì)目標(biāo)尺度進(jìn)行分析，提高算法適應(yīng)能力.2 傳統(tǒng)KCF算法2.1 算法特點(diǎn)在運(yùn)動(dòng)目標(biāo)跟蹤算法研究中，一般通過(guò)對(duì)給定的樣本進(jìn)行特征學(xué)習(xí)來(lái)構(gòu)建一個(gè)相關(guān)濾波器h，在檢測(cè)過(guò)程中將待測(cè)區(qū)域中的候選
小型微型計(jì)算機(jī)系統(tǒng) 2020年3期2020-05-12
- 智慧交通中形變自適應(yīng)的目標(biāo)跟蹤算法研究
類器來(lái)識(shí)別被跟蹤目標(biāo)，常見(jiàn)有相關(guān)濾波器[3-7]和深度學(xué)習(xí)算法[8-10]。當(dāng)前，判別式模型已成為跟蹤領(lǐng)域的主流研究方向。Zhang在相關(guān)濾波器跟蹤算法的基礎(chǔ)上提出了基于貝葉斯框架的時(shí)空上下文跟蹤算法，有效利用了上下文信息提高分類器的判別性能[5]。Martin等[11]提出了ECO(Efficient Convolution Operators)跟蹤算法，融合了深度特征和相關(guān)濾波器進(jìn)行跟蹤，具有較高的跟蹤性能。Pan等[12]提出了融合相關(guān)濾波器和Sia
山西建筑 2020年6期2020-04-14
- 基于核相關(guān)濾波和運(yùn)動(dòng)模型的多目標(biāo)軌跡跟蹤*
有效地傳遞給跟蹤目標(biāo)，跟蹤算法對(duì)目標(biāo)尺寸適應(yīng)性較差。隨著深度卷積神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展，使用深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)檢測(cè)、協(xié)同檢測(cè)、跟蹤信息，能夠?qū)崿F(xiàn)多目標(biāo)軌跡信息獲取。使用YOLO［1］系列神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)多目標(biāo)檢測(cè)、分類具有良好的實(shí)時(shí)性，核相關(guān)濾波（KCF）［2］跟蹤算法能夠從被跟蹤目標(biāo)中提取特征訓(xùn)練檢測(cè)器，具有良好的跟蹤實(shí)時(shí)性和穩(wěn)定性。Wojke等［3］結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和Kalman算法提出了一種在線的實(shí)時(shí)目標(biāo)檢測(cè)跟蹤網(wǎng)絡(luò)deep-SORT，使用級(jí)聯(lián)匹配方法
汽車工程 2019年10期2019-11-02
- 基于核相關(guān)性濾波的長(zhǎng)時(shí)間目標(biāo)跟蹤方法?
值的位置作為跟蹤目標(biāo)位置。訓(xùn)練目標(biāo)檢測(cè)器時(shí)選取目標(biāo)區(qū)域?yàn)檎龢颖?，通過(guò)循環(huán)矩陣，循環(huán)位移得到負(fù)樣本，越靠近正樣本可能性越大。通過(guò)使用［0，1］范圍的值作為樣本的回歸值，從而得到不同偏移下得到的樣本的不同權(quán)重。核相關(guān)性濾波算法中將分類器的訓(xùn)練過(guò)程是一個(gè)嶺回歸問(wèn)題［6］。其目的是找到一個(gè)目標(biāo)函數(shù)f(z)=wTz，在此函數(shù)下所有的樣本xi以及回歸目標(biāo)yi下最小化均方差即：式中，λ為正則化參數(shù)。通過(guò)式（1）回歸器預(yù)測(cè)到的樣本標(biāo)簽與真實(shí)目標(biāo)標(biāo)簽差距最小。得到最小化平方
艦船電子工程 2019年8期2019-09-03
- 結(jié)合自適應(yīng)特征選擇和蕨類分類器的相關(guān)濾波跟蹤算法
序列中的任意跟蹤目標(biāo)。這類算法由于不需要預(yù)先采集大量訓(xùn)練樣本以及對(duì)跟蹤目標(biāo)的普適性,近年來(lái)獲得了很大的關(guān)注。跟蹤的主要問(wèn)題是目標(biāo)外觀的變化,例如遮擋、形變、出視場(chǎng)等,會(huì)對(duì)跟蹤算法的性能有很大影響。當(dāng)目標(biāo)出現(xiàn)嚴(yán)重遮擋或者顯著形變時(shí),算法的預(yù)測(cè)結(jié)果將會(huì)變得不太可靠,同時(shí)濾波器模型也將會(huì)被污染。因此,跟蹤結(jié)果的可靠性需要進(jìn)行驗(yàn)證,因?yàn)樗鼤?huì)影響到后續(xù)的模型更新。一些算法通過(guò)分塊來(lái)提高濾波器模型對(duì)于形變和遮擋的魯棒性[1-2],有些算法著力解決跟蹤過(guò)程中的特征魯棒表
西安交通大學(xué)學(xué)報(bào) 2019年6期2019-06-13
- 懶交互模式下散亂不規(guī)則分塊引導(dǎo)的目標(biāo)跟蹤*
采用懶交互將跟蹤目標(biāo)分成多個(gè)散亂不規(guī)則分塊，基于核相關(guān)濾波算法實(shí)現(xiàn)對(duì)各個(gè)分塊進(jìn)行建模和跟蹤。根據(jù)每個(gè)分塊的置信度值等進(jìn)行異常判定，采用懶交互方式對(duì)異常判定進(jìn)行重采樣。最后運(yùn)用霍夫投票算法確定跟蹤目標(biāo)在新一幀中的位置。其中,懶交互處理將目標(biāo)分成多個(gè)散亂不規(guī)則分塊，保證分塊對(duì)目標(biāo)特征描述的有效性以及通過(guò)對(duì)目標(biāo)典型特征進(jìn)行多次不規(guī)則的采樣，能夠更好的適應(yīng)目標(biāo)狀態(tài)的變化。與現(xiàn)有跟蹤方法相比，本文跟蹤算法在旋轉(zhuǎn)、復(fù)雜背景、光照變化等挑戰(zhàn)的跟蹤準(zhǔn)確度和成功率具有顯著提
- 基于Markov跳變非線性系統(tǒng)的粒子濾波跟蹤算法
可以視為一個(gè)跟蹤目標(biāo)，目標(biāo)與目標(biāo)之間的關(guān)系靠節(jié)點(diǎn)之間的邊來(lái)維系，每一個(gè)邊上都記錄著跟蹤目標(biāo)之間概率依賴程度。在Markov隨機(jī)場(chǎng)中，隨機(jī)場(chǎng)由鏈?zhǔn)浇Y(jié)構(gòu)轉(zhuǎn)化為網(wǎng)絡(luò)結(jié)構(gòu)，將目標(biāo)與目標(biāo)之間的相互影響加入多目標(biāo)跟蹤中的網(wǎng)絡(luò)結(jié)構(gòu)中，這樣就解決了多個(gè)跟蹤目標(biāo)之間的數(shù)據(jù)關(guān)聯(lián)問(wèn)題，從而解決多目標(biāo)跟蹤當(dāng)中的目標(biāo)被遮擋問(wèn)題。多目標(biāo)跟蹤的Markov網(wǎng)絡(luò)[6]如圖1所示。圖1 多目標(biāo)Markov跟蹤框圖該Markov網(wǎng)絡(luò)結(jié)構(gòu)分為兩層，狀態(tài)層和觀測(cè)層，其中狀態(tài)節(jié)點(diǎn)用圓形表示，觀測(cè)節(jié)
沈陽(yáng)理工大學(xué)學(xué)報(bào) 2018年2期2018-06-15
- 基于Kalman和Surf的Camshift目標(biāo)跟蹤研究
列中手動(dòng)框選跟蹤目標(biāo)作為目標(biāo)模板。將傳統(tǒng)Camshift算法得到的目標(biāo)候選區(qū)域與目標(biāo)模板進(jìn)行直方圖對(duì)比，得到的巴氏系數(shù)若大于設(shè)定的閾值則說(shuō)明目標(biāo)跟蹤丟失。采用Surf算法，在該幀圖像中匹配出新的目標(biāo)候選區(qū)域，最終得到候選區(qū)域的位置信息更新Kalman濾波。仿真實(shí)驗(yàn)表明，改進(jìn)后的算法在復(fù)雜背景下仍然具有良好的跟蹤效果。關(guān)鍵詞：Camshift算法；Kalman預(yù)測(cè)器；Surf算法；顏色干擾；目標(biāo)遮擋DOIDOI：10.11907/rjdk.172315中圖分
軟件導(dǎo)刊 2018年1期2018-02-01
- 基于 Android的自學(xué)習(xí)視覺(jué)跟蹤系統(tǒng)設(shè)計(jì)?
以實(shí)時(shí)準(zhǔn)確地跟蹤目標(biāo)。2 TLD目標(biāo)跟蹤算法如圖1所示，TLD視覺(jué)跟蹤算法是由跟蹤（Tracking）、學(xué)習(xí)（Learning）和檢測(cè)（Detection）三個(gè)重要模塊組成，它們相輔相成，相互協(xié)作共同完成特定目標(biāo)跟蹤的任務(wù)。跟蹤模塊以相鄰視頻幀之間物體的運(yùn)動(dòng)速度有限且被跟蹤目標(biāo)可見(jiàn)為前提條件，金字塔LK光流法［2］的前后向跟蹤器作為TLD的跟蹤模塊對(duì)目標(biāo)進(jìn)行跟蹤。如果跟蹤目標(biāo)在視頻流中被遮擋或者消失，必然引起跟蹤模塊的跟蹤失敗［3］。檢測(cè)模塊由方差分類器、
艦船電子工程 2017年11期2017-12-25
- 基于圖割理論的尺度自適應(yīng)人臉跟蹤算法
是否需要重新跟蹤目標(biāo);最后,再以該團(tuán)塊作為下一幀跟蹤目標(biāo)。實(shí)驗(yàn)結(jié)果表明,基于圖割的Camshift人臉跟蹤算法有效地克服了跟蹤時(shí)其他膚色區(qū)域的干擾,能有效地反映人體快速運(yùn)動(dòng)中人臉真實(shí)尺度變化,同時(shí)防止Camshift算法丟失跟蹤目標(biāo)而陷入局部最優(yōu)解,具有較好的可用性和魯棒性。圖割;Camshift算法;目標(biāo)跟蹤;真實(shí)尺度;最大流0 引言基于視覺(jué)的人臉識(shí)別是人機(jī)交互領(lǐng)域的一個(gè)重要研究課題[1]。這種交互方式自然、直觀,其具有廣泛的應(yīng)用前景。連續(xù)自適應(yīng)的Mea
計(jì)算機(jī)應(yīng)用 2017年4期2017-06-27
- 基于Contourlet和MeanShift的交通視頻車輛跟蹤算法
感興趣區(qū)域下跟蹤目標(biāo)的紋理特征和輪廓，并用其直方圖統(tǒng)計(jì)跟蹤目標(biāo)的紋理特征；然后，通過(guò)Kalman濾波技術(shù)來(lái)進(jìn)行跟蹤目標(biāo)軌跡的相關(guān)性函數(shù)計(jì)算，并將計(jì)算結(jié)果迭代到MeanShift跟蹤算法中選取最優(yōu)估計(jì)值，進(jìn)而實(shí)現(xiàn)對(duì)交通視頻車輛在復(fù)雜場(chǎng)景中的精確定位.通過(guò)與傳統(tǒng)的MeanShift跟蹤算法以及基于Kalman濾波的MeanShift跟蹤算法等比較表明，此算法不僅能夠?qū)?fù)雜場(chǎng)景中的視頻車輛進(jìn)行有效跟蹤，同時(shí)還具有較好的穩(wěn)定性和抗干擾性.Contourlet直方圖
- 改進(jìn)的核相關(guān)濾波目標(biāo)跟蹤算法
跟蹤算法，在跟蹤目標(biāo)時(shí)有不錯(cuò)的效果.然而,當(dāng)目標(biāo)尺度發(fā)生變化或旋轉(zhuǎn)時(shí)，目標(biāo)模型不能充分描述目標(biāo)的表觀特征，而容易跟蹤失敗.本文在KCF跟蹤算法的基礎(chǔ)上，通過(guò)引入特征點(diǎn)匹配的方法對(duì)目標(biāo)尺度和角度進(jìn)行估計(jì)，實(shí)現(xiàn)目標(biāo)的尺度、角度自適應(yīng)跟蹤.1 核相關(guān)濾波模型傳統(tǒng)的相關(guān)濾波跟蹤算法被視為線性嶺回歸模型,即(1)式(1)中：xi為輸入;yi為相應(yīng)的標(biāo)簽;w為相應(yīng)的系數(shù).這種模型在處理非線性問(wèn)題上會(huì)受到限制，通過(guò)使用核方法[10]，可以解決非線性問(wèn)題.Henrique
- 基于自適應(yīng)背景的目標(biāo)跟蹤算法研究
向與特征進(jìn)行跟蹤目標(biāo)的計(jì)算，建立比較完善整體的運(yùn)行模型，再根據(jù)這個(gè)運(yùn)動(dòng)模型以及整體的狀態(tài)對(duì)監(jiān)督目標(biāo)進(jìn)行檢測(cè)與控制，這期間就會(huì)形成一種遮擋掩膜;對(duì)于掩膜是一種將程序數(shù)據(jù)等繪制成光刻板，在程序使用期間非?？煽浚⑶抑圃斐杀颈容^低，使用方便；最后在不同的使用情況下將不同參數(shù)進(jìn)行收集，自動(dòng)地適應(yīng)運(yùn)動(dòng)模型的運(yùn)行;針對(duì)這種計(jì)算方式的實(shí)驗(yàn)主要是利用兩種在國(guó)際上經(jīng)常使用的CAVIAR、York數(shù)據(jù)進(jìn)行測(cè)試，并且根據(jù)這兩種數(shù)據(jù)對(duì)測(cè)試的精準(zhǔn)度與多重目標(biāo)跟蹤等進(jìn)行評(píng)定，檢測(cè)跟蹤
計(jì)算機(jī)測(cè)量與控制 2017年4期2017-05-10
- 基于改進(jìn)TLD的自動(dòng)目標(biāo)跟蹤方法
標(biāo)跟蹤算法在跟蹤目標(biāo)發(fā)生光照變化、尺度變化等情況時(shí)，具有更加優(yōu)良的跟蹤性能，準(zhǔn)確將跟蹤目標(biāo)形心位置提供給控制部分，控制算法高效靈活，在獲取信息后精確、快速地控制攝像頭方位，使其正對(duì)跟蹤目標(biāo)。該系統(tǒng)對(duì)目標(biāo)跟蹤技術(shù)、安防技術(shù)、自動(dòng)瞄準(zhǔn)系統(tǒng)具有重大意義。TLD算法；金字塔光流法；圖像定位；比例-積分-微分(PID)控制算法0 引 言目標(biāo)跟蹤是機(jī)器視覺(jué)的研究熱點(diǎn)，在機(jī)器視覺(jué)研究領(lǐng)域，對(duì)任意目標(biāo)的鎖定和跟蹤具有很大的研究意義。目標(biāo)跟蹤要求設(shè)備根據(jù)輸入視頻流檢測(cè)發(fā)現(xiàn)目
- 連續(xù)同色調(diào)背景下運(yùn)動(dòng)目標(biāo)自適應(yīng)跟蹤
法準(zhǔn)確、持續(xù)跟蹤目標(biāo)的問(wèn)題，提出一種基于Kalman-optical flow(KOF)的改進(jìn)Meanshift目標(biāo)跟蹤算法。首先，通過(guò)基于色調(diào)空間的光流檢測(cè)對(duì)Meanshift窗口區(qū)域內(nèi)的特征點(diǎn)進(jìn)行建模，獲得其圖像坐標(biāo)；然后，利用Kalman濾波的速度預(yù)估排除背景特征點(diǎn)，得到基于目標(biāo)模型特征點(diǎn)的空間約束條件；最后，將得到的空間約束條件結(jié)合傳統(tǒng)Meanshift算法中的色調(diào)約束條件，構(gòu)建新的反投影直方圖，并將新的反投影圖作為Meanshift的概率密度圖進(jìn)
計(jì)算機(jī)應(yīng)用與軟件 2016年11期2016-12-26
- 一種基于Meanshift算法的目標(biāo)跟蹤改進(jìn)
， 無(wú)法正確跟蹤目標(biāo)； 其次， 目標(biāo)運(yùn)動(dòng)速度太快， 超出了Meanshift向量計(jì)算范圍， 該算法將無(wú)法繼續(xù)跟蹤目標(biāo)； 最后， 目標(biāo)遇到遮擋或存在相似干擾， 該算法無(wú)法自適應(yīng)地重新構(gòu)建目標(biāo)模型及候選模型進(jìn)行跟蹤.2 Kalman濾波算法卡爾曼濾波是一種線性遞歸濾波器， 通常運(yùn)用于解決最佳估計(jì)問(wèn)題. 其主要分為兩個(gè)階段： 預(yù)測(cè)階段和更新階段[11]. 預(yù)測(cè)階段包括狀態(tài)預(yù)測(cè)和誤差協(xié)方差預(yù)測(cè)； 更新階段包括卡爾曼濾波計(jì)算增益系數(shù)、 使用增益系數(shù)修正和誤差協(xié)方差的
- 在線低秩表示的目標(biāo)跟蹤算法
標(biāo)跟蹤看成把跟蹤目標(biāo)從背景目標(biāo)塊中分離出來(lái)的二值分類問(wèn)題,這類方法的運(yùn)算耗時(shí)少,可實(shí)現(xiàn)實(shí)時(shí)的目標(biāo)跟蹤;生成模式將跟蹤問(wèn)題看成是從候選樣本中選出與目標(biāo)區(qū)域重構(gòu)誤差最小的樣本作為跟蹤目標(biāo),可以實(shí)現(xiàn)魯棒的目標(biāo)跟蹤,跟蹤精度較高,但是耗時(shí)大,難以實(shí)現(xiàn)實(shí)時(shí)跟蹤.文獻(xiàn)[5]提出了增量在線目標(biāo)跟蹤算法,在粒子濾波框架下,通過(guò)增量主成分學(xué)習(xí)在線學(xué)習(xí)跟蹤目標(biāo)的外觀模型,實(shí)現(xiàn)目標(biāo)的跟蹤.文獻(xiàn)[3]將稀疏表示應(yīng)用到目標(biāo)跟蹤領(lǐng)域,并提出用瑣碎模板解決跟蹤過(guò)程中出現(xiàn)的遮擋問(wèn)題,但是
西安電子科技大學(xué)學(xué)報(bào) 2016年5期2016-11-23
- 運(yùn)動(dòng)目標(biāo)的自動(dòng)選取與跟蹤
的區(qū)域確定為跟蹤目標(biāo).根據(jù)跟蹤目標(biāo)的色度直方圖模型利用反向投影建立跟蹤圖像的概率分布圖，采用自適應(yīng)均值漂移方法實(shí)現(xiàn)目標(biāo)跟蹤.仿真結(jié)果表明：該方法能夠有效提取目標(biāo)的顯著性色度等級(jí)，從而確定出易于區(qū)分背景的跟蹤目標(biāo)，可有效抑制背景對(duì)目標(biāo)跟蹤的影響，改善復(fù)雜背景情況下目標(biāo)跟蹤的性能，單幀平均跟蹤時(shí)間小于15 ms，滿足跟蹤系統(tǒng)實(shí)時(shí)性的要求.運(yùn)動(dòng)目標(biāo)；自動(dòng)選??；目標(biāo)跟蹤；顯著性；復(fù)雜背景；直方圖運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤是機(jī)器視覺(jué)研究的重要方向之一，在軍事、工業(yè)、安防等
天津工業(yè)大學(xué)學(xué)報(bào) 2016年4期2016-09-15
- 模板匹配跟蹤的哈希增強(qiáng)算法
征二值化生成跟蹤目標(biāo)的哈希序列；將哈希序列作為匹配跟蹤的模板，通過(guò)比較漢明距離在每一幀中尋找最為相似的目標(biāo)以達(dá)到跟蹤的效果；運(yùn)用抽屜原理縮短漢明距離比較的時(shí)間。給出一種基于漢明距離的自適應(yīng)模板更新算法，保證了跟蹤的連續(xù)性。仿真實(shí)驗(yàn)結(jié)果與基于SSD、NCC的模板跟蹤算法比較，在目標(biāo)灰度或亮度變化情況下匹配精度高出一個(gè)數(shù)量級(jí)，跟蹤速度能夠滿足實(shí)時(shí)性需求。關(guān)鍵詞哈希增強(qiáng)模板匹配目標(biāo)跟蹤漢明距離0引言基于模板匹配的跟蹤方法原理簡(jiǎn)單、便于實(shí)現(xiàn)，因此得到了廣泛應(yīng)用。模
計(jì)算機(jī)應(yīng)用與軟件 2016年7期2016-08-05
- 指數(shù)基金跟蹤基準(zhǔn)“掉隊(duì)”
好。ETF的跟蹤目標(biāo)一般定為日均偏離度不超過(guò)0.2%，年化跟蹤誤差不超過(guò)2%；非ETF產(chǎn)品的跟蹤目標(biāo)一般定為日均偏離度不超過(guò)0.35%，年化跟蹤誤差不超過(guò)4%。 然而，各家公司對(duì)期內(nèi)跟蹤偏離度和跟蹤誤差的披露情況都不相同，以規(guī)模最大的前三只產(chǎn)品為例，華夏上證50ETF在最近兩份年報(bào)中僅披露年累計(jì)偏離度，華泰柏瑞滬深300ETF（510300.OF）披露了年累計(jì)偏離度、日均絕對(duì)偏離度和日均跟蹤誤差，南方中證500ETF（510500.OF）則披露了自建倉(cāng)完畢
證券市場(chǎng)周刊 2016年28期2016-07-29
- 把迷你導(dǎo)彈 裝進(jìn)背包
標(biāo)反射的激光跟蹤目標(biāo)，并及時(shí)射向目標(biāo)。不過(guò)即使這么小的發(fā)射系統(tǒng)也并非一個(gè)人能完成操作，往往需要兩個(gè)人共同協(xié)作，一個(gè)人負(fù)責(zé)用激光器跟蹤目標(biāo)，另一個(gè)人負(fù)責(zé)發(fā)射，最適合用于遠(yuǎn)距離攻擊敵方坦克、運(yùn)輸車隊(duì)、碉堡等。普通導(dǎo)彈發(fā)射后要對(duì)攻擊的目標(biāo)立即進(jìn)行照射，這樣容易暴露目標(biāo)。而迷你導(dǎo)彈發(fā)射后無(wú)需立即對(duì)目標(biāo)照射，導(dǎo)彈發(fā)射后15秒才完成照射，這樣保證了士兵的生命安全。迷你導(dǎo)彈的前世今生追溯迷你導(dǎo)彈的由來(lái)，還得從越南戰(zhàn)爭(zhēng)說(shuō)起。當(dāng)時(shí)美軍裝備中使用了一種M79的榴彈發(fā)射器，這種
青少年科技博覽（中學(xué)版） 2016年1期2016-06-01
- 把導(dǎo)彈裝進(jìn)背包
標(biāo)反射的激光跟蹤目標(biāo)，并及時(shí)射向目標(biāo)。不過(guò)這么小的槍械并非一個(gè)人能完成，往往需要兩個(gè)人共同協(xié)作，一個(gè)人負(fù)責(zé)用激光器跟蹤目標(biāo)，另一個(gè)人負(fù)責(zé)發(fā)射。普通導(dǎo)彈發(fā)射后要對(duì)攻擊的目標(biāo)立即進(jìn)行照射，這樣容易暴露目標(biāo)。而迷你導(dǎo)彈發(fā)射后無(wú)需立即對(duì)目標(biāo)照射，導(dǎo)彈發(fā)射后15秒才完成照射，這樣保證了士兵的生命安全，這種武器最適合用于遠(yuǎn)距離攻擊敵方坦克、運(yùn)輸車隊(duì)、碉堡等。挖挖迷你導(dǎo)彈的“族譜”追溯迷你導(dǎo)彈的由來(lái)，還得從越南戰(zhàn)爭(zhēng)說(shuō)起。當(dāng)時(shí)美軍裝備中曾使用一種M79的榴彈發(fā)射器，這種發(fā)
下一代英才 2016年2期2016-05-30
- 基于Mean Shift多特征融合跟蹤的改進(jìn)算法
，否則會(huì)導(dǎo)致跟蹤目標(biāo)的丟失。為解決這種缺陷，文獻(xiàn)［3］將卡爾曼濾波與Mean Shift跟蹤算法相結(jié)合，先通過(guò)卡爾曼濾波器預(yù)測(cè)目標(biāo)在下一幀圖像中的位置，然后調(diào)節(jié)使Mean Shift算法收斂的搜索窗口中心，使算法收斂的目標(biāo)中心更準(zhǔn)確，同時(shí)Mean Shift跟蹤算法僅僅以顏色特征描述目標(biāo)，當(dāng)跟蹤窗口中出現(xiàn)相似顏色干擾或者跟蹤目標(biāo)變暗時(shí)，其跟蹤效果同樣不理想；文獻(xiàn) ［4］通過(guò)融合顏色特征和邊緣特征，解決了在相似顏色干擾或者光照條件變化情況下，原始的Mean
計(jì)算機(jī)工程與設(shè)計(jì) 2015年8期2015-12-23
- 高動(dòng)態(tài)臨近空間飛行器海上組網(wǎng)測(cè)控方案設(shè)計(jì)*
:(1)相對(duì)跟蹤目標(biāo)飛行軌跡，臨近空間飛艇布于前方，測(cè)量船布于后方，兩者搭接對(duì)跟蹤目標(biāo)進(jìn)行測(cè)控，并在兩者對(duì)目標(biāo)同時(shí)可見(jiàn)的弧段內(nèi)形成備份。1艘測(cè)量船、1艘飛艇形成一個(gè)海上測(cè)控組合，根據(jù)跟蹤目標(biāo)飛行距離不同，可靈活配置相應(yīng)數(shù)量的測(cè)控組合;(2)鑒于臨近空間飛艇尺寸不宜過(guò)大，載荷能力有限，可考慮先搭載遙測(cè)、光學(xué)測(cè)量設(shè)備，在有余量情況下再加裝遙控、外測(cè)設(shè)備;(3)測(cè)量船與臨近空間飛艇可見(jiàn)，由測(cè)量船為飛艇提供下行通信路由支持[5]，與采用衛(wèi)星通信相比，可有效降低飛艇
電訊技術(shù) 2015年2期2015-09-28
- After Effects“模塊化”學(xué)習(xí)策略之鏡頭匹配技術(shù)
，應(yīng)使選擇的跟蹤目標(biāo)具備明顯的、與眾不同的特征，這就要求在前期拍攝時(shí)有意識(shí)地為后期跟蹤做好準(zhǔn)備。（2）添加合適的跟蹤點(diǎn)當(dāng)在Tracker（跟蹤）面板中設(shè)置了不同的Track Type（跟蹤類型）后，After Effects會(huì)根據(jù)不同的跟蹤模式在Layer（圖層）預(yù)覽窗口中設(shè)置合適數(shù)量的跟蹤點(diǎn)。（3）選擇跟蹤目標(biāo)與設(shè)定跟蹤特征區(qū)域在進(jìn)行運(yùn)動(dòng)跟蹤之前，首先要觀察整段影片，找出最好的跟蹤目標(biāo)（在影片中因?yàn)闊艄庥绊懚綦[若現(xiàn)的素材、在運(yùn)動(dòng)過(guò)程中因?yàn)榻嵌鹊牟煌?/div>
中國(guó)信息技術(shù)教育 2015年13期2015-08-18
- 基于卡爾曼和圖像信息量的Mean Shift改進(jìn)跟蹤算法
帶寬。但是當(dāng)跟蹤目標(biāo)尺度發(fā)生變化時(shí)，如果帶寬保持不變，就會(huì)導(dǎo)致跟蹤目標(biāo)偏差或丟失。因此一個(gè)自適應(yīng)窗口算法就很有必要。文獻(xiàn)[4]對(duì)核窗寬進(jìn)行±10%的修改，Bhattacharyya系數(shù)最大時(shí)的帶寬即為最佳窗口帶寬，此方法比較適合目標(biāo)物體變小的情況。文獻(xiàn)[5]將尺度空間理論運(yùn)用于Mean Shift算法，帶寬可以實(shí)時(shí)更改，但在復(fù)雜背景下的跟蹤效果不佳且計(jì)算量大。本文針對(duì)在Mean Shift算法中尺度固定不變的跟蹤窗口不能有效地跟蹤存在明顯尺度變化的目標(biāo)，引電視技術(shù) 2015年5期2015-06-22
- 一種基于卡爾曼預(yù)測(cè)的mean shift跟蹤算法
景下容易丟失跟蹤目標(biāo)，因此其改進(jìn)算法成為研究的熱點(diǎn)［7－9］．文獻(xiàn)［10－11］在提高準(zhǔn)確度的同時(shí)增加了算法的復(fù)雜度，忽視了實(shí)時(shí)性，不適合運(yùn)用于實(shí)時(shí)性要求較高的真實(shí)的交通路口，尤其當(dāng)跟蹤目標(biāo)處于與自身顏色相近的背景中．本文通過(guò)比較卡爾曼預(yù)測(cè)位置與mean shift算法計(jì)算位置確定跟蹤目標(biāo)的最終位置，提出一種卡爾曼預(yù)測(cè)與mean shift相結(jié)合的跟蹤算法．1 本文算法在實(shí)時(shí)的視頻中，相鄰兩幀圖像的時(shí)間間隔很短，運(yùn)動(dòng)目標(biāo)變化不明顯，因此可以假設(shè)目標(biāo)在相鄰兩- 一種基于稀疏表達(dá)和光流的目標(biāo)跟蹤方法
較低，表現(xiàn)為跟蹤目標(biāo)易發(fā)生漂移并很快中斷跟蹤任務(wù).近年來(lái)，隨著模式識(shí)別技術(shù)的發(fā)展，研究人員開始將跟蹤問(wèn)題看成目標(biāo)檢測(cè)、目標(biāo)識(shí)別等模式識(shí)別問(wèn)題，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.這類方法在實(shí)際應(yīng)用中跟蹤的準(zhǔn)確率較高，但是需要提前學(xué)習(xí)并且在新的一幀到來(lái)時(shí)需要進(jìn)行大量的識(shí)別操作，對(duì)于對(duì)實(shí)時(shí)性要求比較高的跟蹤問(wèn)題來(lái)說(shuō)是一個(gè)瓶頸問(wèn)題.本文鑒于上面兩類算法的優(yōu)缺點(diǎn)，提出一種光流算法和稀疏表大連交通大學(xué)學(xué)報(bào) 2014年2期2014-07-02
- 自適應(yīng)模板匹配在自主空中加油跟蹤中的應(yīng)用
證。1.3 跟蹤目標(biāo)搜索范圍通過(guò)計(jì)算視頻中每一幀跟蹤目標(biāo)在圖像中的位置，然后利用視頻中連續(xù)幾幀圖像之間的跟蹤目標(biāo)的位置，這樣就可以得到跟蹤目標(biāo)在圖像中的運(yùn)動(dòng)軌跡，從而利用目標(biāo)前幾幀得到的的運(yùn)動(dòng)軌跡來(lái)預(yù)測(cè)跟蹤目標(biāo)在下一幀可能出現(xiàn)的位置，然后在該位置附近進(jìn)行相關(guān)匹配運(yùn)算，這樣就減小了搜索范圍即減少搜索次數(shù)，從而減少了大量的運(yùn)算，故提高了模板匹配的速度。在此，我們采用了多項(xiàng)式為擬合函數(shù)[6]，根據(jù)跟蹤目標(biāo)在最近前3幀的位置，擬合得到跟蹤目標(biāo)的運(yùn)動(dòng)軌跡，從而預(yù)測(cè)下電子設(shè)計(jì)工程 2014年20期2014-01-21
- 均值漂移算法在無(wú)人機(jī)偵察目標(biāo)圖像跟蹤中的研究
泛，可以將要跟蹤目標(biāo)的特征信息與其環(huán)境信息有效的結(jié)合起來(lái)，并根據(jù)計(jì)算、分析得到的數(shù)據(jù)，做到及時(shí)、準(zhǔn)確的對(duì)無(wú)人機(jī)偵察目標(biāo)圖像跟蹤進(jìn)行定位。本文針對(duì)比較復(fù)雜的偵察目標(biāo)圖像跟蹤需要使用改進(jìn)的均值漂移算法進(jìn)行研究，以期對(duì)無(wú)人機(jī)偵察目標(biāo)圖像跟蹤提供參考依據(jù)。1 均值漂移算法均值漂移（mean shift）算法最早來(lái)源于一篇估計(jì)概率密度梯度函數(shù)的重要文獻(xiàn)，后來(lái)Yizong Cheng對(duì)其做了兩個(gè)方面的推廣：第一，定義了一族核函數(shù)；第二，設(shè)定了一個(gè)權(quán)重系數(shù)，使得均值漂移裝備制造技術(shù) 2013年6期2013-06-26
- 無(wú)人機(jī)導(dǎo)引飛行設(shè)計(jì)與誤差探討＊
要目的是實(shí)時(shí)跟蹤目標(biāo)，確定地面目標(biāo)點(diǎn)相對(duì)于無(wú)人直升機(jī)光電吊艙的方位、俯仰角度信息。光電吊艙需提供給無(wú)人直升機(jī)的飛控計(jì)算機(jī)如下信號(hào)：1）光電吊艙跟蹤目標(biāo)的俯仰角，相對(duì)平臺(tái)軸線，向上為正；2）光電吊艙跟蹤目標(biāo)的方位角，向右為正；3）光電吊艙跟蹤目標(biāo)的俯仰角速度，向下為正；4）光電吊艙跟蹤目標(biāo)的方位角速度，向右為正。光電吊艙跟蹤目標(biāo)后可直接給出相對(duì)于目標(biāo)的方位俯仰角信息，而光電吊艙的方位俯仰角速度信息不能直接給出。但是由于光電吊艙安裝有陀螺穩(wěn)定裝置，可以保持視軸艦船電子工程 2012年12期2012-10-16
- 基于卡爾曼和圖像信息量的Mean Shift改進(jìn)跟蹤算法