相关滤波跟踪器近几年在许多视觉跟踪任务中都取得了优异的性能,显示出了较高的精度和帧率。但限制其跟踪性能的问题仍有很多,例如图像表征方式单一,传统尺度估计的方式计算复杂度高,对快速运动、背景杂乱等复杂场景跟踪效果不佳。针对这些问题,提出了一个跟踪框架来分别估计目标位置和尺度的变化,通过相关滤波和颜色直方图模型相结合的方式评估目标位置,再从最可信帧中训练核尺度相关器来预测目标的尺度变化。同时,对模型采用保守的方式进行自适应在线更新,以防止误差累加破坏模型。在跟踪数据集(OTB-2015)中该算法在运动模糊、尺度变化、背景杂乱、快速运动等挑战性场景中表现出良好的优越性。

在动态场景中,AGV借助相关滤波原理进行跟踪是一种非常重要的目标跟踪方法,跟踪方法必须具有良好的准确性和实时性。首先介绍对两种主流的相关滤波跟踪算法KCF和SA进行阐述,将SA算法的尺度策略加以改进并融入KCF算法中,结合颜色特征,提出一种改进尺度自适应的Sa-KCF算法。通过设计实验,在OTB-2013数据集中选取动态场景序列,对比测试三种算法的跟踪准确性和实时性。实验表明,改进的Sa-KCF算法在综合准确性和运行效率方面占有优势,能够较好地满足AGV在视觉跟踪中鲁棒性和实时性的要求。

针对相关滤波跟踪框架中快速运动带来的边界效应和遮挡情况下模型错误学习的问题,提出多特征联合时空正则化的相关滤波目标跟踪算法。算法在第一帧提取目标区域的快速方向梯度直方图特征、颜色空间特征和深度卷积特征,并使用主成分分析法降低特征的维度;然后在相关滤波跟踪框架中加入空域和时域正则化项,来缓解跟踪过程中边界效应和模型退化等问题;最后结合尺度池方法,对跟踪目标进行自适应的尺度估计。实验结果表明,该算法在目标发生尺度变化、遮挡、快速运动等情况下,仍具有较好的跟踪有效性。

针对相关滤波跟踪框架中深度特征跟踪优势受限和计算存储存在冗余等问题,提出一种多尺度估计和自适应响应融合目标跟踪算法。该算法通过调整高斯标签参数,充分发挥手工特征准确性和深度特征鲁棒性优势,并学习连续域卷积算子融合多分辨率特征;为了减少计算和样本的冗余,通过分解卷积操作对特征进行有监督降维来减少模型参数,采用基于高斯混合模型的动态样本融合,并使用模糊稀疏的模型更新机制提高模型有效性;根据预测质量评估标准,进行自适应响应融合。实验结果表明:该算法在目标发生遮挡、形变和快速运动等多种情况下,具有较好的跟踪有效性。

机械系统中滚动轴承局部故障会导致振动信号中出现冲击响应成分,为有效提取轴承故障冲击特征,基于信号稀疏表示理论,提出了基于改进Laplace字典的轴承故障诊断方法。通过快速Fourier变换及相关滤波法确定基底函数的参数,构造Laplace小波基并通过错位拓展转换为Toeplitz矩阵,以此矩阵作为稀疏表示字典,实现振动信号在Laplace小波基下的稀疏表示,提取信号中瞬态冲击成分特征。对仿真信号及轴承故障信号的验证结果表明基于改进Laplace字典的稀疏表示方法可有效提取冲击信号特征,实现轴承典型故障诊断。