【滤波跟踪】基于环境突变不敏感相关滤波器 (EMCF)实现目标跟踪附matlab代码

最新推荐文章于 2025-11-27 21:04:18 发布

原创最新推荐文章于 2025-11-27 21:04:18 发布 · 70 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#目标跟踪 #matlab #人工智能

无人机专栏收录该内容

285 篇文章

订阅专栏

文章介绍了一种应用在海上复杂环境中的目标跟踪算法，通过长时间相关滤波处理目标平移和尺度变化，结合在线随机蕨分类器实现跟踪失败后的再检测，提高了跟踪精度和成功率。在目标遮挡和尺度变化情况下表现优越。

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

⛄ 内容介绍

在海上复杂环境下对目标进行跟踪时,会出现目标遮挡,尺度变化等问题.针对这些问题,引入长时间相关滤波算法,将跟踪任务分解为对目标平移和尺度的估计,其中目标平移通过时空上下文进行估计,而目标尺度通过搜寻外观金字塔进行估计.另外,使用在线随机蕨分类器对跟踪失败的目标再检测,从而实现长时间跟踪.将该算法首次应用于海上舰船跟踪中,通过与其他几种长时间跟踪算法进行仿真实验对比,结果表明:该算法跟踪精度和成功率均有较大提高.在目标发生遮挡和尺度变化等情况下,该方法均具有较高的精确度.

⛄ 部分代码

function results = run_EMCF(seq, rp, bSaveImage)

setup_paths;

% Initialize path

addpath('feature/');

addpath('feature/lookup_tables/');

addpath('implementation/');

addpath('utils/');

% HOG feature parameters

hog_params.cell_size = 4;

hog_params.nDim = 31;

% ColorName feature parameters

cn_params.nDim =10;

cn_params.tablename = 'CNnorm';

cn_params.useForGray = false;

cn_params.cell_size = 4;

% Grayscale feature parameters

grayscale_params.nDim=1;

grayscale_params.colorspace='gray';

grayscale_params.cell_size = 4;

% Global feature parameters

params.t_features = {

struct('getFeature',@get_colorspace, 'fparams',grayscale_params),...

struct('getFeature',@get_fhog,'fparams',hog_params),...

struct('getFeature',@get_table_feature, 'fparams',cn_params),...

};

% Global feature parameters

params.t_global.cell_size = 4; % Feature cell size

% Search region + extended background parameters

params.search_area_shape = 'square'; % the shape of the training/detection window: 'proportional', 'square' or 'fix_padding'

params.search_area_scale = 5; % the size of the training/detection area proportional to the target size

params.image_sample_size = 160^2; % Minimum area of image samples

% Gaussian response parameter

params.output_sigma_factor = 1/16; % standard deviation of the desired correlation output (proportional to target)

% Detection parameters

params.newton_iterations = 5; % number of Newton's iteration to maximize the detection scores

% Set files and gt

params.name=seq.name;

params.video_path = seq.path;

params.img_files = seq.s_frames;

params.wsize = [seq.init_rect(1,4), seq.init_rect(1,3)];

params.init_pos = [seq.init_rect(1,2), seq.init_rect(1,1)] + floor(params.wsize/2);

params.s_frames = seq.s_frames;

params.no_fram = seq.endFrame - seq.startFrame + 1;

params.seq_st_frame = seq.startFrame;

params.seq_en_frame = seq.endFrame;

params.ground_truth = seq.init_rect;

% Scale parameters

params.scale_sigma_factor = 0.51;

params.num_scales = 33;

params.scale_step = 1.03;

params.scale_model_factor = 1.0;

params.scale_model_max_area = 32*16;

params.hog_scale_cell_size = 4;

params.scale_lambda = 1e-4;

params.learning_rate_scale = 0.025;

% ADMM parameters, # of iteration, and lambda- mu and betha are set in

% the main function.

params.admm_iterations = 2;

params.admm_lambda = 0.01;

params.learning_rate = 0.0199;

params.yta = 0.2;

% Debug and visualization

params.visualization = 1;

% Run the main function

results = tracker(params);

end

⛄ 运行结果

⛄ 参考文献

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料