结合注意力与特征融合的目标跟踪

全卷积孪生网络通过相似性学习解决目标跟踪问题,其算法受到了越来越多的关注.为了提取更有判别力的目标特征,提升跟踪的精确度和鲁棒性,提出了一种结合注意力机制与特征融合的目标跟踪模型.首先,将第一帧和当前帧的前一帧结合作为目标模板,利用共享的特征提取网络提取目标模板和当前帧的多个卷积层的特征;然后,对于目标模板的多层卷积特征,结合通道注意力机制处理,提升模板特征的判别力;最后,目标模板的特征与当前帧的特征进行互相关计算,得到响应图,从而获取预测目标在当前帧中的位置和尺度.最终实验结果表明,与几个先进的跟踪模型相比,提出的目标跟踪模型获得了比较有竞争力的性能.     

基于多特征融合的鲁棒目标跟踪算法

为了准确地跟踪视频监控系统中嫌疑人的活动轨迹,提出一种多特征融合目标跟踪算法。该算法首先提出一种改进的纹理描述算子并与局部反差算子相结合,以弱化噪声的影响,并可以同时描述图像纹理的结构和强度信息;其次,引入特征不确定性度量,自适应地调整不同特征对跟踪结果的贡献;最后,在跟踪过程中,通过判断目标是否发生遮挡,从而采用不同的更新策略对目标模板进行更新。实验结果表明,与粒子滤波、颜色跟踪、核循环结构、多目标跟踪等跟踪算法相比,改进算法可以对多种不同序列进行长时间稳定跟踪,当位置误差阈值为20个像素、重叠率阈值为0.5时,距离精度为0.747,成功率为0.668。所提出的改进算法可以对光照变化、颜色相近、遮挡等复杂场景中的目标嫌疑人进行有效地跟踪。     

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.     

基于改进SSD模型和自适应滤波算法的水面漂浮物目标检测跟踪方法

水面漂浮物严重破坏河道景观和水生态环境，通过摄像头实施河湖可视化监管以改善河湖面貌，已成为积极落实“河湖长制”政策的重要技术手段。但由于河流环境复杂多样，存在水波扰动、动态光影和强光反射等诸多噪声问题，现有方法难以满足水面漂浮物实际管理需求。本文结合单帧检测与多帧滤波，提出了一种基于深度学习的水面漂浮物目标智能检测跟踪方法。在单帧检测中，删除5*5及以下低分辨率特征图，通过特征求和方式增强76*76高分辨率特征图以提升SSD检测算法在小尺度漂浮物目标的检测精度；在多帧滤波中，基于时空相关性和运动信息构建自适应滤波AF算法框架，计算视频帧中帧与帧之间的关联性，根据漂浮物目标的空间位置的变化幅度自适应删除偏离运动轨迹的漂浮物目标检测结果，以降低漂浮物跟踪漂移；在信息融合阶段，通过特征对比融合检测和滤波信息，实现检测信息和跟踪信息动态互补，并以不同检测跟踪场景数据集进行训练与验证。结果表明：在简单水面场景下中心位置误差为8个像素点时该方法的检测跟踪精度达到100%，成功率面积为0.94，平均速度达到17.27FPS，计算复杂度为7.18Billion；在复杂水面场景下中心位置误差为10个像素点时该方法的跟踪精度和成功率面积分别为93.24%和0.81，平均速度和计算复杂度分别为15.02FPS和8.76Billion，在复杂环境下兼顾了检测跟踪精度和效率。     

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.     

基于均值偏移粒子滤波的自适应跟踪

针对视频中运动人体的跟踪,提出了一种基于均值偏移粒子滤波的自适应跟踪算法。该算法首先对所要跟踪的人体目标进行分块,并选择与周围环境颜色相似度最小的块模板作为跟踪区域;然后使用基于均值偏移的粒子滤波方法进行跟踪,并设计了自适应更新块模板尺度的方法;最后在粒子滤波的状态估计阶段后,加入自适应观测模型,根据块模板尺度的变化情况,自适应地选择高斯噪声方差和粒子数目。实验证明,在出现遮挡或人体运动方向改变的情况下,本文算法的跟踪效果比传统均值偏移粒子滤波更好。     

多特征融合的相关滤波红外单目标跟踪算法

针对红外单目标跟踪问题,提出一种多特征的相关滤波目标跟踪算法。该算法融合了图像的卷积特征和差分特征,使用卷积特征和差分特征分别训练相关滤波模型。在跟踪阶段,对两种特征的相关滤波模型得到的响应图动态融合,利用动态融合的响应图来确定目标的最终位置,使用得到的目标位置分别更新相关滤波模型。在林雪平热红外数据集上进行了实验验证,与一些经典的跟踪算法进行了对比,表明该算法拥有更高的跟踪准确率。     

基于改进YOLOv3的复杂场景车辆分类与跟踪

针对天气条件和车辆间相互遮挡对车辆分类与跟踪准确性和稳定性的影响,提出一种基于改进YOLOv3与匹配跟踪的混合模型。改进的YOLOv3网络参照密集连接卷积网络的设计思想,将网络中的残差层替换为密集卷积块并改变网络的设计结构,利用Softmax分类器将密集卷积块与卷积层中融合的特征进行分类。根据单帧图像的检测结果,设计目标匹配函数解决视频序列中车辆的跟踪问题。在KITTI数据集的测试中,改进算法的平均准确率为93.01%,帧率达到48.98帧/s,在自建的数据集中平均识别率为95.79%。试验结果表明,本研究方法在复杂场景中能够有效的区分车辆种类且准确性更高,车辆跟踪的算法具有较高准确性和鲁棒性。     

一种基于多特征自适应融合的运动目标跟踪算法

针对复杂背景下的运动目标跟踪问题,提出了一种基于多特征自适应融合的运动目标跟踪算法。通过构建目标与背景的图像特征分布方差的比值函数来衡量目标与背景间的区分度,采用各特征的区分度对特征集进行线性加权自适应表示运动目标并集成在基于核的跟踪方法中。为了克服模板更新过程中的漂移,通过计算前后相邻两帧间目标模型的相似度函数,对跟踪模板进行自适应更新。基于生物视觉认知理论,目标的颜色、边缘特征以及纹理特征被用来实现基于多特征自适应融合的运动目标跟踪算法。仿真实验表明:采用本文算法能有效地对复杂背景下的运动目标进行跟踪。     

基于多高斯相关滤波的实时跟踪算法

针对分层卷积特征目标跟踪算法实时性不足和单分类器对目标表观变化适应能力差的问题,提出多高斯相关滤波器融合的实时目标跟踪算法. 为了加快跟踪算法,提取VGG-19网络的Pool4和Conv5-3层的多通道卷积特征,通过稀疏采样减少卷积特征通道数;为了防止特征减少造成精确度下降,利用不同高斯分布样本训练多个相关滤波器,并对所有分类器预测的目标位置进行自适应加权融合,提高算法对目标姿态变化的鲁棒性;采用稀疏模型更新策略,进一步提高算法速度,使算法具有实时性. 在OTB100标准数据集上对算法进行测试,结果表明,该算法的平均距离精度为86.6%,比原分层卷积特征目标跟踪算法提高了3.5%,在目标发生遮挡、形变、相似背景干扰等复杂情况时具有较好的鲁棒性;平均跟踪速度为43.7帧/s,实时性更好.     

基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

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.     

基于Kalman滤波的红外弱小目标检测前跟踪算法

红外弱小目标检测跟踪问题具有重要的军事意义和广阔的应用前景,检测前跟踪算法是解决这一问题的有效途径。提出了一种基于Kalman滤波的检测前跟踪算法：首先对红外图像进行形态学top-hat算子滤波预处理;然后利用恒虚警率阈值提取单帧候选目标,并利用目标灰度模板进行灰度核密度估计,初步剔除大部分虚假目标,累积处理若干帧后,利用Kalman滤波器筛选出最优轨迹;最后依据一定的判断准则从当前帧候选目标中提取出真实目标。与一种典型的基于管道滤波的算法进行对比,仿真实验结果表明,该算法对目标运动速度和信噪比的变化有较强的适应能力,同时能用于目标遮挡或消失等情况。     

基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

多天线时变信道下基于卡尔曼滤波跟踪的数字图像通信系统

数字图像在时间选择性衰落信道下传输 ,难以获得满意效果 .为得到高质量的传输图像 ,基于多天线通信系统 ,采用卡尔曼滤波跟踪方法对时变信道进行跟踪以获得更高的系统性能 ,并增加信道编码 .仿真结果表明 ,在系统中加入卷积码 ,可获得 5dB以上的编码增益 ;在较高信噪比下 ,与无跟踪情况比较 ,误比特率有较大改善并可获得满意的传输图像 .     

一种激光跟踪测量中的滤波算法

在跟踪问题的处理中，以往所经常采用的是白噪声观察模型，但是实际上测量噪声却经常是有色噪声，有色观测噪声会使跟踪算法的性能减退，为了提高跟踪精度，必须有效地消除有色噪声，因此，有效地消除了有色噪声是处理跟踪问题的关键所在，本文把观测噪声的成形滤波器假设为AR模型，提出了一种在线估计色噪声参数的方法，通过在线估计色噪声参数，即AR模型的参数，对测量噪声去相关来提高Kalman滤波精度，并且最终将这种方法应用于激光跟踪，仿真结果表明这种方法具有较好的去相关能力，大大提高了激光跟踪过程中角度速度的跟踪性能，具有很好的实用价值。     

基于多特征在线模板更新的鲁棒目标跟踪算法

在Mean-shift算法框架下提出一种基于多特征在线模板更新策略的鲁棒目标跟踪算法．首先,针对目标与背景色彩相似引发的跟踪漂移现象,提取照度不变性色彩特征与旋转不变性LBP纹理特征提取算法,并通过引入BWH算法实现多特征融合;其次,在传统的Mean-shift算法收敛条件上增加了直方图相似度校验,以避免陷入局部最优解．此外,还提出了基于直方图差异空间分布图的遮挡现象检测算法,从而提升了模板在线更新算法的准确性．实验结果表明,本文方法对于复杂动态场景、遮挡现象以及目标自身形变具有较强的鲁棒性和较高的准确性．