基于核协同表示的快速目标跟踪算法

针对复杂环境下的单目标跟踪问题,提出一种采用核协同表示的快速目标跟踪算法.在粒子滤波的框架下,在字典矩阵中引入方块矩阵建模跟踪过程中可能出现的遮挡,然后将字典矩阵和候选样本分别映射到高维空间,建立候选样本和字典矩阵在高维空间的线性表示目标跟踪模型,同时采用L2正则化减弱传统方法对系数稀疏性的要求,有效地降低关键步骤的计算复杂度.实验结果表明,该方法能够克服遮挡、光照变化、尺度变化、运动模糊等影响跟踪性能的因素,具有较高的平均覆盖率和较低平均中心点误差,能够实现快速鲁棒的跟踪.     

基于双注意力机制的多分支孪生网络目标跟踪

为了解决SiamRPN++单目标跟踪算法在目标被短时遮挡及外观剧烈变化时定位不准确的问题，提出基于双注意力机制的多分支孪生网络目标跟踪算法.采用具有轻量化主干网络的SiamRPN++为基础算法，结合轻量化的通道和空间注意力机制，提升跟踪过程中应对遮挡挑战时的抗干扰能力.新增上一帧模板分支，动态更新目标外观变化，利用三元组损失增强跟踪过程中前景与背景的判别能力.根据目标的移动速度进行局部扩大搜索，使目标被短时遮挡后仍可以及时、准确地跟踪到目标.实验结果表明，改进后的算法在OTB100数据集的成功率和精确度较原算法分别提高了2.4%和1.6%，平均中心位置误差降低了28.97个像素，平均重叠率提高了14.5%.     

拓展模板的视频跟踪技术

在视觉目标跟踪(video tracking)过程中,当跟踪图像存在背景杂波、图像噪声(如图像遮挡、图像快速移动)时,算法往往不能取得很好的图像追踪效果.为解决该问题,在经典L1-tracker追踪算法的基础上,针对目标遮挡、目标消失等严重影响跟踪效果的情况进行研究,提出加入拓展模板(固定模板和近况模板)的策略来提高跟踪精度和抗遮挡能力.固定模板保持追踪目标最初的图像特征,防止错误的追踪结果在模板更新时引入错误的特征,进而导致识别目标偏移.近况模板记录目标的最新跟踪结果,避免由于点模板的大量使用而造成遮挡的误识别.通过对多个标准数据集的实验测试,证明加入新策略的L1-tracker算法,在不破坏原有L1-tracker优势的基础上,显著地提升了L1-tracker算法应对遮挡问题的能力.     

基于卷积神经网络的移动网络目标跟踪与控制

针对移动网络目标跟踪与控制过程中易出现遮挡、形变和模糊等问题,提出了基于卷积神经网络的移动网络目标跟踪与控制方法.利用卷积神经网络构建CNN模型,在原始移动网络目标图像金字塔内,提取多尺度特征,结合滤波算法获取的移动目标响应图,在多模板条件下求解各层卷积特征滤波最佳参数,通过最佳参数和滤波响应获取最终响应图,根据最终响应图中响应最大值实现移动网络目标的自适应跟踪与控制.实验结果表明,所提方法平均跟踪精确度为97.18%,平均跟踪成功率为95.93%,中心位置平均误差为4.38,误差幅值较小,具有良好的目标跟踪与控制能力.     

融合运动信息和跟踪评价的高效卷积算子

针对基于方向梯度直方图与颜色命名的高效卷积算子(ECO-HC)算法缺少跟踪质量评价和滤波模板更新监督机制的问题,提出融合运动信息和跟踪评价的高效卷积算子. 将卡尔曼滤波器加入ECO-HC跟踪定位框架对目标执行联合跟踪,设计高置信度判别指标评价ECO-HC对每帧图像的跟踪效果,使用原始跟踪结果和卡尔曼滤波预测值的加权融合值,修正不满足判别指标的跟踪结果. 在滤波模板隔帧更新策略的基础上,加入当前帧跟踪结果质量评价信息,当2个条件同时满足时执行模板更新. 依托公开数据集OTB-2015评估算法性能,结果显示改进算法整体跟踪精确度、成功率和跟踪速率均优于原算法,在运动模糊、低分辨率、离开视野场景中的精确度分别提高3.0%、3.5%和2.8%,成功率分别提高3.8%、2.1%和4.0%. 改进算法在保证实时性的同时,有效提升了复杂场景下的跟踪效果.     

基于改进核相关滤波的长时目标跟踪算法

长时目标跟踪研究在当前的目标跟踪研究领域占有主导地位。在长时目标跟踪过程中,由于目标快速移动和物体遮挡等造成的模板漂移是研究难点。为解决该问题,提出了一种基于改进核相关滤波的长时目标跟踪算法。该算法采用核相关滤波跟踪框架,联合高置信度的模版更新机制和目标重检机制解决模板漂移问题。实验结果表明,本文算法在长时目标跟踪过程中相对于传统算法更加稳定可靠。     

基于动态模式和卷积特征的单目标跟踪算法

基于深度特征的目标跟踪网络凭借其对目标视觉特征强大的表征能力获得了令人印象深刻的表现。然而,在一些复杂的跟踪场景中常常涉及目标物体快速运动、光线变化、旋转等,仅仅依赖深度视觉特征难以准确地表征目标物体。针对以上问题,提出了一种基于融合特征的视频单目标跟踪网络。该网络结合了2种深度学习模型:卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)。首先,运用长短期记忆网络提取目标基于时间序列的动态特征,产生当前时刻的目标状态,由此获得准确的预处理目标框;然后基于产生的预处理目标框,使用卷积神经网络提取目标的深度卷积特征,确定目标位置;在跟踪过程中,通过采集成功跟踪时目标样本,对网络参数进行短期和长期更新,以增强网络的适应性。对比实验结果表明,所提出的方法在目标运动过程中被部分遮挡、运动模糊、快速运动情况下具有优异的跟踪表现和鲁棒性。     

Kalman滤波-BP神经网络在执行机构自主定位中的应用

在执行机构对目标物体进行自主定位过程中,定位误差的实时计算、误差修正和状态分析往往比较困难.为此,提出基于三帧差法的Kalman滤波算法进行末端动态捕捉,利用反向传输（BP）神经网络分类思想进行目标识别,基于点云库的点云提取和处理算法,获得末端和目标物体的空间坐标.最后,将散乱点群进行网格化和3D空间插值.实验结果表明,算法能实时检测并跟踪运动末端,预测精度达到99%,且目标物体的识别率为99%,并可在短时间内修正定位误差,使末端中心点逐步收敛到目标质心,自主定位成功.用三维拟合法对算法的有效性进行验证,并对定位过程进行了状态分析.新算法能完成执行机构的自主定位,省去了相机标定过程,提高了系统效率.     

基于局部稀疏表示的模板匹配跟踪算法研究

在目标跟踪过程中,局部稀疏表示跟踪算法(LSRTA)在目标被遮挡面积过大、运动过快或形变量过大等情况下,跟踪过程中会发生目标偏移现象。针对这个问题,在LSRTA算法基础上,融入surf、flann和knn相结合的模板匹配算法,提出了基于局部稀疏表示模板匹配算法(LSRTMTA)以解决目标跟踪偏移问题。在LSRTA算法跟踪过程中,通过不断地计算新模板与当前模板的匹配值来判断是否发生偏移。当目标发生偏移时,停止LSRTA算法的跟踪,通过模板与帧图像之间匹配来重新确定目标位置;当确定目标位置后,再次进行LSRTA算法的跟踪。实验结果表明:该算法不仅保留了LSRTA算法的优点,还具有自动修正目标偏移的功能,改善了跟踪效果,增强了目标跟踪过程的容错性。     

多种信息融合的实时在线多目标跟踪

多目标跟踪算法在目标发生遮挡、目标快速运动时容易跟踪失败,而且无法从失败中恢复跟踪.针对该问题,首先利用目标的外观信息、运动信息和形状信息多种信息融合的目标特征表示,准确地计算目标间的相似性,使同一目标之间相似性距离尽量小,不同目标间的相似性距离尽量大;其次,基于判别能力强大的相关滤波器和卡尔曼预估器结合的单目标跟踪器可以在目标遮挡、快速运动中准确地跟踪目标.实验结果表明,多目标跟踪算法能够实时准确地跟踪被遮挡的目标和快速运动的目标.     

基于策略梯度的目标跟踪方法

针对目标跟踪过程中的遮挡、形变和快速运动等问题,提出基于策略梯度的目标跟踪方法. 该方法利用策略梯度算法训练策略网络. 该策略网络能够根据当前跟踪结果的可靠性进行动作决策,以避免错误的模板更新或者重新检测丢失的目标. 在决策过程中,通过计算加权置信度差值分析当前跟踪结果的鲁棒性和准确性,使得策略网络能够更准确地评估跟踪结果. 在重检测过程中,提出有效的重检测方法,对大量的搜索区域进行过滤,大大提高了搜索效率,利用决策模块检验重检测结果,确保重检测结果的准确性. 利用提出的算法在OTB数据集及LaSOT数据集上进行评估. 实验结果表明,提出的跟踪算法在原算法的基础上提高了2.5%~4.0%的性能.     

一种优选神经网络训练样本的混合聚类算法

神经网络训练集中含有大量相似样本不但增加了网络的训练时间还对网络泛化能力存在较大影响,合理的选择样本集训练神经网络模型影响着建模的效率。根据实际应用中神经网络学习样本具有的内在特征和规律性,提出了一种基于自组织映射（SOM）神经网络的K-均值聚类算法优选神经网络样本,算法的主要思想是通过对样本数据的聚类分析,剔除孤立样本后挑选出具有代表性的样本训练神经网络。实验结果表明,相对随机选择法而言,本算法能够有效地减少训练样本的数目,提高建模效率。     

一种基于视频预测的红外行人目标跟踪方法

红外视频与普通彩色视频相比易受周围环境的影响,在红外行人跟踪中行人目标外观轮廓和灰度分布常有较大幅度变化,导致跟踪困难.为解决此问题,本文提出了一种VPSiamRPN（Video Prediction with Siamese Region Proposal Network）红外行人目标跟踪系统.在SiamRPN（Siamese Region Proposal Network）网络的基础上,针对目标形变、目标遮挡和背景杂波等严重影响红外跟踪效果的因素进行研究,设计将PredNet (Deep Predictive Coding Networks for Video Prediction and Unsupervised )网络的图像预测功能结合应用到SiamRPN网络上,以提高跟踪模板与被检测目标的相似度,增强目标跟踪中的模型匹配能力,从而提高对红外行人目标的跟踪能力.通过改变网络层数、预测所用的目标图像及图像帧数、网络的跟踪策略,对网络进行优化,设计了9组对比试验,在PTB-TIR数据集上,与SiamRPN网络客观定量对比,通过跟踪的成功率和重叠率在10种属性上对网络进行评估.实验结果表明:本文网络对红外目标的识别在热交叉、强度变化、遮挡和尺寸变化等多种属性上的跟踪成功率和重叠率均较SiamRPN网络有较大提高,显示出对红外行人跟踪的良好性能,在这一领域将有广阔的应用前景.     

结合双注意力与特征融合的孪生网络目标跟踪

基于孪生网络视觉跟踪的进化和深层网络目标跟踪算法在目标被遮挡和外观形变时的跟踪成功率不高,鲁棒性不强,对此,提出了一种结合双注意力与特征融合的孪生网络目标跟踪算法。首先,采用通道和空间注意力模块增强目标信息,抑制图像中的干扰信息,提高模型的准确度;然后,对注意力层输出的浅层和深层特征信息进行多层特征融合,得到表现力更好的目标特征,提高跟踪成功率;最后,引入在线模板更新机制,减少了跟踪漂移,提高了跟踪鲁棒性。使用OTB100测试集进行实验,实验结果表明,改进后算法的跟踪成功率比改进前算法的跟踪成功率提高了1.3%;在具有遮挡和形变属性的4个测试序列下,改进后算法的平均重叠率提高了3%,中心位置的平均误差降低了0.37个像素点,针对遮挡和外观形变时的鲁棒性更好。     

整体特征通道识别的自适应孪生网络跟踪算法

针对孪生网络目标跟踪算法仅使用特征提取网络提取特征,在遮挡、旋转、光照与尺度变化中容易出现跟踪失败的问题,提出整体特征通道识别的自适应孪生网络跟踪算法. 将高效的通道注意力模块引入ResNet22孪生网络中,提高特征的判别能力. 使用整体特征识别功能计算全局信息,提取更为丰富的语义信息,提高跟踪算法精度. 同时,引入自适应模板更新机制,解决遮挡与长期跟踪导致的模板退化问题. 为了验证所提方法的有效性,在OTB2015、VOT2016与VOT2018等公开数据集上进行测试,并与其他跟踪算法进行对比. 结果表明,所提算法在精确度与成功率上表现较好,在背景杂乱、旋转、光照与尺度变化等情况中表现稳定.     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

Improved Siamese network based object tracking combined with the deep contour feature

The existing Siamese object tracking algorithms easily lead to tracking drift under the influence of object deformation and occlusion, this paper proposes an improved object tracking algorithm based on deep contour extraction networks to achieve stable detection and tracking of any object under complex backgrounds. First, the contour detection network automatically obtains the closed contour information on the object and uses the flood-filling clustering algorithm to obtain the contour template. Then, the contour template and the search area are input into the improved Siamese network so as to obtain the optimal tracking score value and adaptively update the contour template. If the object is fully obscured or lost, the Yolov3 network is used to search the object in the entire field of view to achieve stable tracking throughout the process. A large number of qualitative and quantitative simulation results show that the improved model can not only improve the object tracking performance under complex backgrounds, but also improve the response time of airborne systems, which is suitable for engineering applications.     

基于对抗学习与深度估计的车辆检测系统

随着目标检测技术的不断发展，用于道路场景的车辆检测系统在自动驾驶领域得到了广泛应用。与传统的目标检测器相比，车辆检测的目标比较单一，但同时需要解决两大问题，一是在复杂的道路场景中，提供给检测器的车辆特征通常是不完整的，会出现遮挡和形变等问题；二是在自动驾驶过程中，需要对不同车辆的距离做出估计才能保证智能车及时地做出规避动作，即对图像的目标区域进行深度估计。针对这两个问题，提出了基于对抗样本生成与深度图重建的车辆检测方法。为预训练目标检测网络Faster⁃RCNN设计一个对抗网络，用于在训练过程中产生大量的训练样本，并利用这些样本对车辆检测器进行训练；根据检测结果，通过重建3D场景与相机位姿恢复深度图，对车辆的距离做出估计，以通知系统及时做出规避动作。实验结果表明，在不增加数据训练样本的情况下，该检测系统可以较好地提升车辆检测效果及估计目标车辆的距离。