针对TLD(Tracking Learning Detection)在跟踪过程中由于自身光敏感性造成的对快速运动目标以及产生形变的目标的跟踪识别率较低问题,提出了一种改进的TLD方法,在跟踪模块中引入金字塔光流法,通过构建金字塔图像,减小图像尺寸,从而使运动目标在图像中的速度降低,亮度变化减小,并使得Lucas-Kanade方法的前提条件成立。在开源的科学工程计算软件SCILAB6.0.1上进行实验,结果表明,改进的TLD在光线变化和快速运动目标的跟踪准确性得到了提高,跟踪算法的可靠性得到了加强;同时将算法封装为算法模型,可通过简单的参数输入实现目标跟踪目的。

在人脸识别科学研究和实际应用领域中,大角度姿态是影响人脸识别结果的主要因素之一,成为限制人脸识别技术进步的难点,而姿态的校正归一化是解决该问题的常用手段。首先通过加权的LK(Lucas-Kanade)算法得到侧脸块和对应正脸块的仿射变换参数,基于最大Gabor相似度寻找校正人脸姿态的最优参数。然后,以每一人脸块最优参数得到的平均Gabor相似度作为这一块人脸的识别权重,可以增加大姿态人脸识别的精度和稳健性。在FERET人脸数据库中进行了实验,当水平偏转角度为45°时,准确率达到97.3%,证明本文提出的以最大Gabor相似度作为加权LK算法参数提取的依据是有效的,得到的最优参数具有较好的光照无关性,而将平均Gabor相似度作为识别权重,有助于使算法的应用更加稳健和有效。

提出了一种面向无人机视频影像的目标特征跟踪模型，首先根据目标检测结果在目标感兴趣区域中采用Shi-Tomasi 算法进行角点检测，提取目标特征角点并在跟踪过程中对特征角点进行实时更新以保证角点数量满足跟踪条件，最后通过金字塔Lucas-Kanade 算法对目标特征进行跟踪。实验结果表明，该模型鲁棒性强且易于实现，在获得良好跟踪效果的同时可满足实时处理要求。

在FPGA平台上实现基于光流法的视频运动目标跟踪系统,采用Lucas-Kanade算法进行光流场的计算,在图像预处理阶段提出使用三维高斯滤波代替传统二维高斯滤波,引入相邻像素点在时间轴方向的相关性,增强图像的滤波效果。在3D导数计算阶段提出在求导方向的正交面上进行平滑滤波,并采用匹配的导数和平滑参数,提高光流场计算精度。在FPGA平台上设计多级主流水线加子流水线结构,设计了四端口RAM进行图像缓存,优化了最小二乘矩阵单元和浮点数运算单元,实现了实时视频运动目标跟踪。

针对传统的序列图像目标跟踪方法难以适应复杂背景干扰、目标形状变化以及目标位置非规则抖动的问题, 提出了一种基于加权 Lucas-Kanade算法的目标跟踪新方法。首先引入搜索模板, 估计出目标在实时图像中的位置并将其作为加权 Lucas-Kanade算法的迭代初始值, 然后计算权值函数, 利用当前模板和初始模板进行两次跟踪, 得到目标的准确位置。最后实现了在目标形状及背景变化下的三种模板更新。大量实测数据的实验结果表明, 本文所提的方法有效地实现了对地面复杂场景中形变目标的稳定跟踪。