相似车辆干扰下的车辆跟踪算法

本文在深度学习目标跟踪算法SiameseFC的框架下,结合角点特征提取算法和角点特征匹配算法提出了一种基于角度分析的车辆跟踪算法,增强了相似车辆干扰下车辆跟踪算法的鲁棒性与准确性。采用OPE评估标准对从公开数据集DETRAC中选取的2组视频,并与SiameseFC算法和MDNet算法进行了对比。测试结果表明:该算法的鲁棒性与准确性均优于对比算法,跟踪精度达96.9%,成功率达85.39%。相比于SiameseFC算法,跟踪精度提高了24.55%,成功率提高了18.31%:相比于MDNet算法,跟踪精度提高了16.56%,成功率提高了24.01%。     

融合检测技术的孪生网络跟踪算法综述

近年来,基于孪生网络的方法在视觉目标跟踪中取得了巨大的进步,但是这类方法在处理跟踪中的目标状态估计以及复杂场景干扰中仍存在较大的提升空间。随着深度学习在目标检测领域取得的成功,越来越多的研究将其成果用于指导目标跟踪技术的发展。对融合检测技术的孪生目标跟踪算法进行了综述。首先介绍检测和跟踪的联系与区别,同时分析检测技术对改进基于孪生网络的跟踪算法的可行性;然后阐述在不同检测框架指导下的孪生目标跟踪算法,以及使用OTB100、VOT2018、GOT-10k和LaSOT公开数据集对各类算法进行对比和分析;最后对全文进行总结,并对目标跟踪的未来发展方向进行展望。     

基于孪生网络的目标跟踪算法

在计算机视觉应用中,基于孪生网络的跟踪算法相比于传统的目标跟踪算法在速度和精度上都有所提升,但是其受到遮挡、形变等干扰因素影响较大。基于此,本文对现有基于孪生网络的目标跟踪方法和技术所作的改进进行了总结分析,主要包括在孪生网络中引入全卷积孪生神经网络方法、引入回归方法和在线更新方法,对基于3种方法的目标跟踪算法的改进进行了综述,并详细介绍了近年来孪生网络在目标跟踪应用中的国内外研究进展和发展现状。同时,采用VOT2017和LaSOT数据集进行了实验对比,比较了多种基于孪生神经网络跟踪算法的性能。最后,对基于孪生网络的目标跟踪方法的发展趋势进行了展望。     

基于光流和贝叶斯算法的目标跟踪研究

在本文中提出了一种方法来处理视频流中移动目标的跟踪,并且能够确定目标的移动速度。利用光流与贝叶斯方法在每一帧图像中检测对象,这种方法能够提高光流的检测性能,利用目标的质心像素位移来确定目标的移动距离,目标的速度是利用系列帧中目标移动的距离之间的帧数来计算的。实验表明,该方法能够有效地进行目标跟踪。     

基于运动检测的目标跟踪算法研究

运动目标检测与跟踪主要分为目标检测和目标跟踪,首先摄像机进行图像采集并预处理,然后提取出运动目标特征值与后续图像帧中的区域特征值分析相关性,确定运动目标的运动轨迹。主要介绍了几种基本的目标检测算法和目标跟踪算法,并对运动目标跟踪算法的研究前景进行了展望。     

机载平台下基于深度检测网络的目标跟踪重捕算法

目标检测与跟踪是机载光电设备至关重要的功能模块,其检测跟踪的性能直接关系到目标感知的精度.近年来基于Siamese网络的改进跟踪算法在各种挑战性的数据集上取得了优异的效果,但大多数改进算法采用局部搜索策略,无法更新模板,且模板会引入背景干扰,最终因跟踪点漂移导致跟踪失败.为了解决这些问题,本文提出了一种结合目标边缘检测的改进全连接Siamese跟踪算法,该算法利用目标的轮廓模板代替边界框模板,减少了背景杂波的干扰;同时,在Siamese网络的基础上增加了一路改进tiny-YOLOv3目标检测网络,利用K均值聚类找到最合适的锚框(anchor box),引入了扩张模块层来扩展感受野,增加了系统的抗遮挡能力,提高机载光电设备的目标捕获概率.在基准测试数据集以及挂飞数据集基础上的仿真测试性能表明本文提出的改进模型特别适合机载光电设备在跟踪与重捕复杂环境下的运动目标,在长期跟踪中能够更好地适应目标的变形和遮挡,提升系统响应时间与适应性.     

基于簇相似的多分类器目标跟踪算法

由于跟踪过程中目标和背景的变化,传统的单分类器跟踪算法学习到大量的非目标信息而导致跟踪精度降低.针对该问题,本文提出使用树形结构保存历史分类器.在每一帧,根据树中路径距离选择分类器集对测试样本分类.提出了一种基于簇相似性比较的分类算法.通过建立以方差为尺度的特征空间,比较测试样本到簇中心的距离计算相似度,快速计算出目标样本.实验表明本算法能够在复杂条件下实现对目标的鲁棒跟踪.     

无人机目标跟踪综述

目标跟踪是计算机视觉领域中最热门的研究方向之一。近些年来,随着无人机控制和定位技术的成熟,无人机目标跟踪成为了研究的热点。文章首先介绍了传统的目标跟踪算法在无人机平台上的应用研究成果。在此基础上介绍了基于多特征融合的目标跟踪算法对无人机跟踪的准确率的影响。最后还介绍了基于深度学习的目标跟踪算法在无人机上的应用。其中,基于深度学习的目标跟踪算法的在无人机目标跟踪上的准确率是最高的,然而其实时性还有待提高。随着AI芯片的发展,这一问题也将迎刃而解。     

基于分块SURF特征提取的图像目标跟踪算法

由于基于特征的目标跟踪需要对前后两帧图像中的目标进行特征匹配,而传统的基于SURF(speeded up robust features)特征的匹配算法存在匹配时间较长,无法满足目标跟踪条件下实时性要求的情况。本文针对此缺点对SURF特征提取提出了具体的分块并行的解决方案,其中包括自适应地设置分块重叠区域,去除冗余特征点和距离门限法去除离散点的处理;同时通过模板的实时更新以及自适应的抗遮挡处理,保证了短时抗遮挡性能。并通过实验,将传统的基于SURF特征的跟踪算法与本文算法在相同条件下进行跟踪误差和运行时间对比;实验表明针对视频中的待跟踪目标,本文算法较基于传统SURF的图像跟踪算法在降低跟踪运行时间的同时保证了跟踪准确度。并通过遮挡实验,说明抗遮挡处理在本文算法中的实用性和必要性。     

基于深度学习的目标跟踪算法研究现状及发展趋势

近十年来,深度学习由于其优越的性能,已经逐渐应用于各个领域.在目标跟踪领域,基于深度学习的方法也取得了巨大的成功.文章主要介绍基于深度学习的目标跟踪算法研究现状及发展趋势.首先,介绍了视觉目标跟踪传统算法.然后,对基于深度学习的目标跟踪算法进行分类,并进行问题分析.最后,对基于深度学习的目标跟踪算法的发展趋势进行预测.     

视频目标跟踪典型算法比较与分析

视频目标跟踪由于场景和目标的外观变化等问题的存在,仍旧是计算机视觉领域研究的热点和挑战。本文阐述了视频目标跟踪技术的研究背景,介绍了视频目标跟踪系统组成原理、研究现状。文章重点分析了几种近来较为前沿的跟踪算法并进行分析比较。本文还对跟踪算法的评价指标以及典型的标准库进行介绍。最后归纳总结了视频目标跟踪的发展前景以及面临的问题挑战,为下一步研究奠定基础。     

基于多域学习的红外空中目标跟踪算法

自深度学习技术被提出以来,迅速风靡各个学术领域,极大地推动了图像处理技术的发展.红外目标跟踪技术是红外导引领域的一项关键技术,但目前深度学习技术在图像处理中的应用主要集中在可见光领域,在红外领域鲜有应用.同时,由于红外场景的复杂性,红外空中目标跟踪的效果遭遇瓶颈.该文基于多域学习训练思想,设计开发了一种应用于红外领域的...     

基于位置敏感模型的深度跟踪算法研究

视觉目标跟踪旨在寻找与跟踪目标具有相同语义信息的样本,并在视频中精确定位样本的位置.最近,深度分类模型被用来提取跟踪目标的深度嵌入式特征,然而,由于深度分类模型给予相同类别的样本一样的标签,这样容易导致跟踪模糊,甚至失败.为了解决这个问题,本文将样本的空间位置信息加入深度分类模型中,提出位置敏感损失函数.本文所提出的损失函数不仅继承了分类损失函数的特性,并根据样本的空间位置信息对相同标签的样本进行了排序.也就是说,本文的损失函数可以同时实现类间可分和类内排序.相比于分类损失函数,本文的损失函数更适合目标跟踪任务.本文在OTB100^[1]和VOT2016^[2]上进行了测试,结果表明本文算法可以实现较好的跟踪性能.     

孪生网络框架下融合显著性和干扰在线学习的航拍目标跟踪算法

针对一般跟踪算法不能很好地解决航拍视频下目标分辨率低、视场大、视角变化多等特殊难点,该文提出一种融合目标显著性和在线学习干扰因子的无人机(UAV)跟踪算法。通用模型预训练的深层特征无法有效地识别航拍目标,该文跟踪算法能根据反向传播梯度识别每个卷积滤波器的重要性来更好地选择目标显著性特征,以此凸显航拍目标特性。另外充分利...     

孪生网络框架下融合显著性和干扰在线学习的航拍目标跟踪算法

针对一般跟踪算法不能很好地解决航拍视频下目标分辨率低、视场大、视角变化多等特殊难点,该文提出一种融合目标显著性和在线学习干扰因子的无人机(UAV)跟踪算法.通用模型预训练的深层特征无法有效地识别航拍目标,该文跟踪算法能根据反向传播梯度识别每个卷积滤波器的重要性来更好地选择目标显著性特征,以此凸显航拍目标特性.另外充分利用连续视频丰富的上下文信息,通过引导目标外观模型与当前帧尽可能相似地来在线学习动态目标的干扰因子,从而实现可靠的自适应匹配跟踪.实验证明:该算法在跟踪难点更多的UAV123数据集上跟踪成功率和准确率分别比孪生网络基准算法高5.3%和3.6%,同时速度达到平均28.7帧/s,基本满足航拍目标跟踪准确性和实时性需求.     

基于矩特征和卡尔曼滤波的车辆跟踪算法

针对由于背景的动态变化而导致的目标车辆无法准确进行跟踪的问题,提出了一种基于卡尔曼滤波器的车辆跟踪算法。算法利用基于图像内容的动态前景分割的方法提取出目标车辆,以此建立基于HSV颜色空间的矩特征,从而得到目标的特征模板,在下一帧中利用卡尔曼滤波器对目标车辆的状态进行预测。在预测的区域内进行匹配定位,从而得到目标车辆的实际位置。实验结果表明,该算法实时性和准确性高,能够准确的完成对目标车辆的跟踪。     

基于Matlab的车辆视频目标跟踪研究

针对日益增加的公路车辆管理难题以及智能交通系统的发展,提出了一种基于灰度信息的公路车辆视频目标跟踪算法.使用Matlab平台对该算法的性能进行仿真,并对一些细节进行优化.结果表明,该算法实现简单、性能优良,能在一定程度上解决以上问题.     

可视化目标特征提取及动态跟踪算法验证系统

介绍了基于图像处理的目标特征提取和跟踪算法的验证、评估系统。该系统由图像预处理、目标分割、目标特征提取、特征稳定性分析和跟踪算法等模块构成,集成了诸多的典型算法,对不同的目标和背景进行处理,选择特定目标和背景的最优算法组合,并以动态跟踪形式对算法集进行验证。     

一种易于初始化的类卷积神经网络视觉跟踪算法

该文针对视觉跟踪中运动目标的鲁棒性跟踪问题,基于主成分分析(PCA)和卷积神经网络(CNN),提出一种易于初始化的类CNN提取深度特征的视觉跟踪算法。该算法首先利用仿射变换对原始图像进行处理,然后对归一化尺寸的图像进行分层PCA学习,将学习得到的PCA特征向量作为CNN结构中的各阶滤波器,完成特征提取网络的初始化,再利用特征提取网络获取目标的深层次表达。最后结合粒子滤波,利用一个简单的逻辑回归分类器通过分类估计实现目标跟踪。结果表明,利用这种易于初始化的CNN提取到的深度特征能够有效地区分目标和背景,具有很好的可区分性,提出的视觉跟踪算法对光照变化、尺度变化、遮挡、旋转和摄像机抖动等都具有良好的适应性,在许多视频序列上表现出了较好的鲁棒性和准确性。