针对红外目标检测中小目标检测精度较低的问题，提出了一种利用改进型平均绝对灰度差(AAGD)算法的红外小目标检测。针对AAGD算法的缺点，在其基础上，融合灰度与显著性特征，用于核相关滤波器，以解决红外目标特征简单且信息量少的问题; 提出一种自适应双滑动窗口，针对不同区域调节聚合窗口形状及像素点权重，以实现高强度结构背景附近的机动目标的匹配，提高小目标检测的准确度; 利用MATLAB仿真平台对所提方法进行实验论证，结果表明，所提方法能够在噪声、高强度锐利边缘和结构背景等复杂图像中准确检测出小目标，且其准确度、稳定性、执行时间等方面均优于其他对比方法。

针对Staple算法存在的两个问题, 提出了一种基于Staple改进的目标跟踪算法。首先, 为了增强Staple算法在灰度视频序列中的判别能力, 提出一种基于局部敏感直方图的直方图分类器; 其次, 提出一种基于相对置信度的自适应融合系数, 解决了Staple算法中两个分类器无法最优融合的问题。将该算法在OTB2013测试集上与其他9个先进的算法进行了比较, 实验结果表明该算法的精确度与准确率分别为0.814和0.614, 相对于Staple算法分别提升了4.1%和3.5%, 具有很好的鲁棒性。

针对相关滤波器(CF)的目标背景因没有根据时间建模而导致的性能不佳的问题,在方向梯度直方图(HOG)的基础上,提出一种基于时间正则化及背景感知的滤波器跟踪算法。从真实的背景中提取训练样本,通过增加训练样本来增强滤波器的分类能力;引入时间正则化,构建遮挡情况下目标重定位模块;采用交替方向乘子法(ADMM)优化求解目标,降低计算复杂度;采用线性插值策略来更新目标的位置和尺度。采用目标跟踪基准(OTB-2015)数据集中的100个视频序列与评价标准对本文所提出的算法进行性能测试。实验结果表明,基于时间正则化及背景感知的滤波器跟踪算法的精确度得分达到0.801,成功率得分为0.762,相比核相关滤波器(KCF)算法分别提高了20%和46.8%。本文算法能很好解决目标发生平面外旋转、目标被遮挡、背景嘈杂等情况下的视觉跟踪问题,具有良好的应用前景和较大的使用价值。

为提升相关滤波跟踪算法在目标遮挡、背景嘈杂及目标形变等干扰下的跟踪精度,提出一种基于时序一致和空间剪裁的多特征相关滤波跟踪算法。在训练阶段利用二值矩阵掩模对滤波器模板的能量分布进行裁剪,使模板信息更加集中于目标区域,从而缓解循环样本造成的边界效应;利用l2范数作为时序一致模型对相邻帧的滤波器建立平滑性约束,使滤波器模板学习到相邻帧目标的上下文信息,增加算法的抗干扰能力;为进一步提升目标模板的表达能力,将包含丰富语义信息的ResNet50深度特征引入到跟踪框架中,通过主成分分析法对提取到的深度特征进行降维,采用传统特征结合深度特征的方式提升跟踪结果的精确度和稳健性。将本文算法与5种算法进行对比实验,验证了本文算法在处理目标遮挡、背景嘈杂及目标形变等干扰时的稳健性。

针对核相关滤波器在复杂光照条件下出现的跟踪不稳定的现象, 提出一种基于 LBP(local binary pattern)与核相关滤波器的运动目标跟踪算法。在传统算法上增加 LBP处理方法, 降低光照对特征提取的影响, 进而提高核相关滤波器算法在跟踪过程中对目标信息的采集精准度。实验表明, 与经典的核相关滤波器跟踪算法相比, 基于 LBP与核相关滤波器的运动目标跟踪算法在复杂光照的情况下的跟踪性能有明显提升, 能较好应用于实时场景中去, 是一种稳定的目标跟踪算法。

城市道路普遍存在机动车、非机动车、行人的人车混行路段, 车辆目标的准确识别与统计成为视频方法检测混合交通流量的关键问题。本文提出了基于深度学习YOLO(You Only Look Once)的车流量检测算法。用YOLO v2检测道路上移动的目标, 对检出目标中的车辆目标进行识别与筛选, 设置感兴趣区域, 在车辆目标经过感兴趣区域时计数, 并用核相关滤波器跟踪车辆, 避免车辆重复计数; 在ARM上利用该算法实现了混合交通视频中的车流量检测。测试结果表明, 该方法中车辆的检测、跟踪、计数结果良好, 可应用于混合交通中的车流量检测。

提出了一个基于形变多样相似性的空间正则化相关滤波跟踪算法。在核相关滤波(KCF)跟踪算法基础上引入了空间正则化权重和子网格检测方法,利用形变多样相似性匹配算法构建了目标重检测模块,利用主成分分析(PCA)算法和k维树一致近似最近邻(TreeCANN)算法解决了匹配算法中的最近邻搜索问题;通过自适应模板更新策略,解决了遮挡情况下模板误更新问题。实验结果表明,所提算法的精确度得分为0.825,成功率得分为0.625,相比KCF算法分别提升了18.5%和31.0%。所提算法能较好地解决目标尺度变化、遮挡、快速运动、旋转和背景杂乱情况下的跟踪问题,具有广泛的应用前景。

针对相关滤波器的存在边界效应问题, 提出了一种基于相似背景与HSV空间颜色直方图的目标跟踪算法。通过最佳伙伴相似原理(Best-Buddies Similarity), 在真实背景中选取与目标相似度较高的相似背景作为负样本训练相关滤波器, 降低边界效应。并将HSV空间颜色直方图与贝叶斯分类器结合对目标进行颜色跟踪, 利用颜色直方图信息提高复杂背景下目标跟踪的成功率。在OTB-50和OTB-100中挑选16个视频进行实验, 与当前主流的6种跟踪算法对比, 本文算法的成功率得分0.593, 准确率得分0.467, 优于6种主流的目标跟踪算法, 能够有效提高目标跟踪的成功率和准确率, 并且具有较好的实时性。

将激光焊接头与CCD视频跟踪模块集成在一起,提出一种采用一字线激光进行自动化焊缝检测的方法。该方法利用激光三角测量法,得到焊缝的高度、宽度等形状信息。在图像处理方面,对所获得的焊缝区域图像进行中值滤波和二值化处理,获得焊缝特征点二维坐标,实现目标定位,并计算其在世界坐标系下的三维坐标。在跟踪算法方面,采用精度高、速度快的核相关滤波器目标跟踪算法,分别对常见的直线型和曲线型焊缝位置进行跟踪。实验所得数据拟合曲线与焊缝形态误差在5%以内,吻合度较高,实时跟踪效果良好。

提出了一种通过置信度判别将模型更新方法和尺度变化加入相关滤波器中的目标跟踪算法。在跟踪过程中常会遇到较多遮挡及相似干扰的情况,如果持续更新模型参数极易导致误跟或跟丢,因此采用置信度参数定性地判别跟踪质量,置信度低时停止更新,防止引入误差,提高正确率。确保准确跟踪后,再对尺度大小进行检测和更新,提出了较为快捷的尺度更新方式,简化冗余代码,使跟踪更精确的同时降低时间代价。实验证明,本文算法在精度和正确率方面分别比原算法提升了38%和33%,且性能优于几种现有算法,应对遮挡和尺度变化的情况具有更高的稳健性。