应对遮挡问题对DeepSORT进行轨迹拟合优化

检测跟踪范式是多目标跟踪的主要研究方向，也是自动驾驶汽车的主要应用框架。完善的检测跟踪范式可以在提高多目标跟踪精度的同时有效降低跟踪框的失真率。然而在现有的先进方法中，这种范式通常会遇到多目标重叠后的ID交换问题，严重影响跟踪精度和轨迹判断。为解决该问题，文中基于经典的DeepSORT算法提出改进方案。首先，在卡尔曼滤波器中添加跟踪框进行置信度的预测和更新，并按降序对更新后的置信度进行排列，在后续匹配中优先匹配预测置信度更高的跟踪目标；然后，比较预测置信度和检测置信度之间的差异，识别出置信度突变的目标，以进行跟踪轨迹的优化和剪枝；最后，使用余弦相似度和交并比（IoU）识别重叠目标，并对重叠目标中置信度最高的目标消失后的轨迹进行多项式轨迹拟合，以纠正错误的ID，完成精确匹配。实证分析结果表明，相比于目前多种先进算法，所提方法的ID交换次数为172，优于其他算法，验证了该算法的可行性和正确性。     

改进的Meanshift运动目标跟踪算法

Meanshift算法在对快速运动的目标进行跟踪时容易丢失目标,并且在目标被遮挡时,也容易造成跟踪失败,跟踪的过程中跟踪框不能随着运动目标的大小变化而变化.提出一种基于Meanshift运动目标跟踪算法的改进算法.该算法基本思想是采用改进的三帧差分法对运动目标区域进行提取,求得跟踪框轮廓,同时用Meanshift算法对运动目标进行跟踪,获得目标最大概率区域,将该区域中心作为跟踪框的中心.跟踪过程中通过巴氏系数判断是否目标被遮挡,若被遮挡则调用Kalman滤波进行预测跟踪.实验结果表明,该算法能够快速、准确地跟踪目标.     

融合机动检测的交互多模型目标跟踪

传统交互多模型算法所采用的基于“软切换”思想的模式概率估计方法 ,大大减少了计算量 ,但同时只能实现对目标的次优跟踪。为了进一步提高跟踪系统的性能 ,文中讨论了一种融合机动检测的IMM跟踪算法 ,通过采用点过程滤波器对机动目标的机动进行实时检测 ,从而获得各模式的当前概率 ,并将其与传统IMM算法相结合 ,实现跟踪系统性能的提高。仿真结果表明 ,该算法具有良好的跟踪性能     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

基于模糊相似度的地面目标跟踪算法研究

研究了基于Dempster-Shafer证据理论和模糊相似度的地面运动目标识别与跟踪问题。应用Dempster-Shafer证据理论对地面运动目标进行身份识别,用目标的类型、速度和数量等属性构造目标的模糊相似度,利用模糊相似度作为目标跟踪的主要依据。详细地分析了地理信息,提出了基于证据推理的地面运动目标识别与跟踪算法,并且用α-β滤波器更新目标位置和速度。经过实际外场试验运行表明,该算法是有效的。     

基于深度学习的目标抗干扰跟踪算法

针对目标跟踪算法中相似背景的干扰及目标自身旋转导致跟踪框漂移的情况,提出一种融入SSD(Single Shot Multi Box Detecter)检测的方案,从而有效地避免了跟踪框的漂移。首先对要跟踪的特定种类的目标进行深度学习检测模型的预训练,然后利用本文所设计的融合判别尺度空间算法完成目标定位和跟踪。由判别尺度空间模型对目标实施初步定位,在候选区域进行特征检测,并设计了一种运动估计淘汰体制,以保证候选区域目标的唯一性,最终完成目标的精确定位。实验证明,该方法能有效避免相似背景干扰和遮挡时所造成的跟踪框漂移,同时在目标快速运动,尺度和形状变化时均能完成鲁棒性的跟踪。     

基于相似度优化的混合式视觉跟踪方法

针对复杂环境下视频目标跟踪问题,提出一种基于相似度优化的混合式视觉跟踪方法。首先,采用局部余弦相似性度量目标和候选模板的相似性,有效抑制因遮挡、光照突变等情况引起的脉冲噪声,提升模板匹配精确度;其次,基于目标函数的二次规划方法推导了局部目标的判别权重,有效提升了算法对目标和背景的判别能力;最后,在系统更新过程中引入模板的判别式更新,有效改善了模型漂移问题。实验结果表明,本文方法较好地改善了复杂挑战性背景下的跟踪鲁棒性和精确度。     

结合自适应核函数的Mean-shift改进算法

为解决Mean-shift算法采用固定跟踪窗口造成的目标定位精度低的问题,结合视觉显著性检测和像素灰度相似度,提出一种采用自适应核函数的Mean-shift跟踪算法。该方法以灰度相似度加权的视觉显著性特征确定目标区域,并结合Epanechnikov核函数构建自适应核函数,使跟踪窗口自适应目标大小变化,降低目标尺度变化的影响,实现目标的有效跟踪。实验结果证明,该方法能够有效跟踪尺度变化目标,处理每帧图像耗时小于25ms,满足实时性需求。     

基于角点增强改进的TLD目标跟踪算法

针对TLD算法的特征点无法有效表述目标问题,提出了一种基于角点增强改进的TLD目标跟踪算法。改进算法在跟踪模块加入了对目标表述能力更强,具有光照不敏感性和旋转不变性的Shi-Tomas角点作为跟踪特征点。跟踪器运行时,在角点经光流法跟踪和双向误差检测后,利用剩余的稳定角点定位目标窗口。对照结果表明,改进算法在面对目标抖动和形变时可以稳定跟踪;有效抑制因跟踪平滑点造成的漂移现象;提高了跟踪的稳定性。针对TLD算法跟踪过程中因在线模板积累造成的计算量持续增大、实时性持续降低的问题,提出了一种依据相似度中值的模板判断删除机制。该删除机制在模板积累到设定阈值时运行,根据模板与当前目标的相似度,删除不再具备代表性的模板;调整模板空间并更新模板数目。实验表明,该删除机制在应对模板更新快、持续时间长的跟踪情景时有效降低算法计算量,实时性可提高约20%。     

基于目标跟踪和多特征融合的火焰检测算法

针对目前视频火焰检测算法无法达到高检测率、低误检率和实时的工业需求,提出一种基于目标跟踪和多特征融合的火焰检测算法.首先利用混合高斯背景建模获取前景图像,在HSV色彩空间中根据火焰的颜色特性分离出疑似火焰区域,对火焰疑似区域采用卡尔曼滤波器实现运动目标的跟踪,再结合火焰的相似度、区域增长率和跳动频率特征用加权求和得到的值与报警阈值相比,最后根据判断比较确定真实火焰区域,并且实现对火焰的持续跟踪.实验结果证明,该算法能够对火焰区域进行有效的检测与跟踪并且具有良好的实时性和抗干扰能力.