卫星视频中的单目标分割和跟踪

对于卫星视频图像中存在的目标与背景对比性低、缺乏目标特征信息等问题,提出一种结合目标运动信息、时空背景和外观模型的目标分割和跟踪方法.根据首帧定位得到目标区域,首先对目标使用方向梯度直方图方法提取特征利用核相关滤波器得到目标跟踪区域1;接着利用颜色空间特征建立目标与其周围区域上下文信息的空间模型得到目标跟踪区域2;然后利用视觉背景提取算法以像素为单位在目标区域上检测运动目标得到单目标的分割区域3;最后分别对3个区域进行相关计算得到最优区域作为最终目标跟踪位置和模板更新样本.实验结果表明,本文算法与KCF算法相比,跟踪的成功率和准确率有很大的提高,同时实现了单目标分割.     

嵌入式系统中实时行人检测方法

随着计算机技术的不断发展,智能自动化的人数检测系统不断产生.人数检测对于企业或机构的信息化管理至关重要.传统人数检测方法因为肢体遮挡以及光照变化导致准确率较低.提出了针对人头特征的垂直检测方法,该特征可以保证在人流密度大的情况下无法被遮挡.该方法首先提取前景图像的梯度方向直方图特征,并通过SVM检测人头目标,利用头部的颜色特征,在相邻帧中使用MeanShift算法跟踪人头目标.根据人头目标轨迹进行过线检测,算法在嵌入式系统上进行了应用与测试,实验表明算法有较好的实时性与准确率.     

基于改进分水岭算法的运动目标行为理解

提出一种改进的分水岭运动目标检测方法。进行背景差分,利用Otsu算法进行阈值处理和形态学去噪,得到初始二值化的运动目标区域;对前景和背景对象进行标记,在此基础上采用分水岭算法进行运动目标的精细分割,根据分割产生的彩色标记矩阵的颜色特征进行目标跟踪;利用运动目标的面积和质心运动轨迹等信息对运动目标的一些典型行为进行理解,对车辆等目标的轧越分道线、异常停车、逆行等行为进行检测。实验结果表明,该算法克服了传统分水岭算法易产生过分割的缺陷,在目标聚集或粘连时能实现多目标的稳定跟踪,可对车辆等运动目标的异常行为进行判别。     

基于声呐图像的水下目标检测、识别与跟踪研究综述

水下目标检测、识别和跟踪是具有重要意义的热点研究问题,在军事和民用领域都有重要的应用.鉴于此,对基于声呐图像的水下目标检测、识别和跟踪原理、方法以及典型算法的研究进展进行全面阐述.首先论述基于声呐图像的水下目标检测、图像去噪、图像分割等方面的主要进展以及典型算法和算法扩展;然后对水下目标声呐图像识别中的特征提取、特征分类方法和主要技术难点进行讨论;最后阐述基于水声信号处理和声呐图像信息的水下目标跟踪方法和算法.通过对水下目标处理过程各个过程的深入讨论和对比分析,指出基于声呐图像的水下目标检测、识别和跟踪中急需解决的关键科学问题及可能的解决思路,并对该领域的未来发展方向做进一步的展望.     

基于时-距包围盒目标截取的超宽带雷达多人步态识别

为解决超宽带(UWB)雷达多人识别的目标分割问题,提出了一种基于时-距包围盒(TRBB)的UWB雷达回波数据表示方法及TRBB截取算法,结合卷积神经网络(CNN),一起实现了一种多人步态识别算法框架.框架中,TRBB截取算法包括人体目标检测与快、慢时间分割,前者通过k-means聚类方法获取人体HRRP几何中心,后者利用HRRP几何中心作为参考点,通过截取信号矩阵中的TRBB目标子矩阵,从而实现多目标分离.可以看出,TRBB截取算法既可用于目标识别,也可用于目标跟踪.考虑到CNN擅长挖掘图像的隐含特征,框架选用CNN来学习TRBB中蕴含的步态特征是一个自然的选择.实验室条件下,测试了上述多人步态识别算法框架的性能,平均步态识别准确率达89.3％.     

基于激光雷达机器人的目标人跟踪方法研究

针对机器人的目标人跟踪问题,提出一种利用目标人腿部信息自适应跟踪的方法。该方法利用激光雷达作为环境感知传感器,实时获取环境的二维激光扫描数据;然后采用设计的激光相邻点聚类算法对激光扫描数据进行分割和聚类;再利用人腿圆弧状特征设计的类圆弧人腿形状识别算法从分割的数据中识别腿部数据,获得目标人腿部相对于机器人的位置信息;最后利用Kalman滤波算法对目标人的位置和速度进行跟踪,使机器人能够平稳地跟踪目标人运动。该算法在iRobot机器人平台上进行实验,实验结果验证了算法的有效性。     

图像单个运动目标识别与跟踪的一种解决方案

就图像单个运动目标识别和跟踪问题提出了一种解决方案。在图像分割部分,提出了基于数学形态学中流域分割的实现方法,依据单运动目标的特征通过合并过渡分割区域算法较好地解决了过度分割的现象,实现无需人工设置任何阈值,全智能化图像分割;在目标提取部分,提出了一种在连续多帧图像中自动提取单运动目标的方法,能适应摄像头固定和摄像头随运动目标移动等各种情况;在目标跟踪部分,对进行匹配的模板设置掩码,并自动进行调整,使得对运动目标的跟踪更为鲁棒。     

相机运动条件下的行人检测与跟踪

行人检测与跟踪在司机辅助安全系统和视频监控等领域具有重要的地位.针对目前存在的关键问题,如人体运动,相机运动,背景及形状、角度等变化对检测及跟踪带来的干扰,提出了一种将运动信息与形状信息相结合的行人检测方法,准确检测运动摄像机拍摄的直立运动人体;使用了基于小面积目标的跟踪算法进行人体跟踪;利用实际拍摄的视频序列进行算法验证.实验结果表明,混合检测算法速度快,准确率高;基于小面积的跟踪算法能够鲁棒的跟踪检测到的运动人体.     

基于Adaboost和码本模型的手扶电梯出入口视频监控方法

针对传统视频监控方法无法对密集前景目标进行准确分割的问题,提出一种基于Adaboost和码本模型的多目标视频监控方法。首先,通过训练得到Adaboost人头分类器,利用码本算法为垂直拍摄的手扶电梯出入口图像建立背景模型,提取前景图像对其进行人头检测和跟踪;之后,剔除行人目标得到物件目标,对物件目标进行跟踪;最后,根据行人和物件的运动特征进行监控。对12段出入口视频序列的实验结果表明,监控方法能够准确稳定地跟踪行人和物件,完成逆行检测、客流统计、行人拥堵和物件滞留等监控任务,处理速度达到36帧/秒,目标跟踪准确率达到94%以上,行为监控准确率达到95.8%,满足智能视频监控系统鲁棒性、实时性和准确性的要求。     

基于TLD改进的自动人体检测与实时跟踪算法

首先提出一种运动人体检测算法,通过图像序列识别出运动人体作为跟踪目标,然后在TLD算法中引入目标轨迹预测,利用该信息来辅助空间搜索。运动人体检测算法首先采用背景减除和边缘检测算法获得完整目标轮廓,然后使用HU仿射不变矩检测出运动人体,该特征能适应目标旋转、尺度、仿射等变化场合。为提高跟踪实时性,在TLD框架中引入卡尔曼轨迹预测,并先在预测位置邻域搜索。实验结果表明,该运动人体检测算法能够在静态和动态背景下准确地检测出运动人体;改进后的TLD算法与原始算法相比,在准确率不降低情况下,降低了计算复杂度。     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪。该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,将角点检测结果融入到LK光流法中,并对检测到的角点进行运动光流特征提取,最后通过卡尔曼滤波对出现的行人进行预测跟踪,采用匈牙利最优匹配算法实现对运动目标的持续匹配以及对运动目标的跟踪。仿真结果表明,本文提出的方法能够对视频中出现的运动目标进行检测跟踪,具有较好的识别效果,且检测效率得到提高。      

Object tracking method based on data computing

The data computing process is utilized in various areas such as autonomous driving. Autonomous vehicles are intended to detect and track nearby moving objects avoiding collisions and to navigate in complex situations, such as heavy traffic and dense pedestrian areas. Therefore, object tracking is the core technology in the environment perception systems of autonomous vehicles and requires the monitoring of surrounding objects and the prediction of the moving states of objects in real time. In this paper, a multiple object tracking method based on light detection and ranging (LiDAR) data is proposed by using a Kalman filter and data computing process. We suppose that the movements of the tracking objects are captured consecutively as frames; thus, model-based detection and tracking of dynamic objects are possible. A Kalman filter is applied for predicting posterior state of tracking object based on anterior state of the tracking object. State denotes the positions, shapes, and sizes of objects. By computing the likelihood probability between predicted tracking objects and clusters which registered from tracking objects, the data association process of the tracking objects can be generated. Experimental results showed enhanced object tracking performance in a dynamic environment. The average matching probability of the tracking object was greater than 92.9%.

     

基于深度学习的运动目标交接算法

针对多摄像机非重叠视域下存在的运动目标不连续性和不确定性的问题, 提出一种基于深度学习的运动行人目标的交接算法. 首先基于深度卷积神经网络构建人脸特征提取模型, 对人脸特征提取模型进行训练, 获得精确的人脸特征. 然后比较两种常用的相似度度量方法, 选择其中一种更适合的相似度度量方法, 以完成最优的人脸匹配过程, 提高人脸匹配的准确率. 最后通过对不同摄像机下的人脸进行特征匹配找到最匹配的人脸, 实现运动目标的交接. 实验表明, 深度神经网络可以减少运动目标丢失的概率, 准确地提取到运动目标的人脸特征, 有效完成多摄像机下运动目标的交接跟踪任务.     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

基于大数据分析的移动对象轨迹预测方法

对移动对象的轨迹预测将在移动目标跟踪识别中具有较好的应用价值。移动对象轨迹预测的基础是移动目标运动参量的采集和估计,移动目标的运动参量信息特征规模较大,传统的单分量时间序列分析方法难以实现准确的参量估计和轨迹预测。提出一种基于大数据多传感信息融合跟踪的移动对象轨迹预测算法。首先进行移动目标对象进行轨迹跟踪的控制对象描述和约束参量分析,对轨迹预测的大规模运动参量信息进行信息融合和自正整定性控制,通过大数据分析方法实现对移动对象运动参量的准确估计和检测,由此指导移动对象轨迹的准确预测,提高预测精度。仿真结果表明,采用该算法进行移动对象的运动参量估计和轨迹预测的精度较高,自适应性能较强,稳健性较好,相关的指标性能优于传统方法。     

复杂背景下的行人检测与分割

传统的目标检测算法在复杂环境下受到背景因素的干扰,分割出来的目标往往不能满足后期处理的需要;由于分割的好坏直接影响后期的目标跟踪的实时性和精确性的高低。鉴于此,在进行图像跟踪和识别之前,先对目标进行检测和精准的分割,提出了在AdaBoost算法中在原始Harr_like特征的基础上添加梯形特征,检测出目标的大致位置,将其作为蛇形分割的初始位置,改进蛇形分割的能量函数,分割的行人边界逐步进行收缩直至能量最小,提取出行人的真正区域。对比性实验表明改进后的算法满足实时性要求和精度要求,在一定程度上达到智能化的需求。     

基于SACON背景模型的人体检测与跟踪

提出了一种基于抽样一致性(SACON)的背景模型。采用七种典型视频序列进行了实验,SACON背景模型较目前常用五种背景模型具有较高的准确性,适用于复杂场景下的目标检测与跟踪。应用于人体检测与跟踪时,将目标作为非刚性物体进行处理,结合颜色和空域信息建立一种新的目标外观模型。实验证明,该方法能较准确的描述人体特征,即使在有遮挡、颜色相近及小目标等情况下也均能准确的对人体目标进行检测和跟踪。     

机载雷达跟踪方法研究与仿真

研究机载雷达跟踪运动物体的准确性问题.针对当物体运动的速度较快时,在机载雷达跟踪过程中需要完成光机扫描、图像合成、图像处理、信息传输等一系列综合处理过程,产生时间滞后,一旦被跟踪的物体运动速度较大,两者速度不匹配,就会造成跟踪高速运动目标识别不准确的问题.为了解决上述问题,提出基于滞后时间补偿的机载雷达跟踪方法.通过建立被跟踪的目标的运动模型,估计出跟踪物体下一刻运动位置,提前消除时间滞后,克服传统方法的缺点.实验结果表明,运用改进方法可以很好的消除时间上的滞后延迟,完成机载雷达对高速运动物体的跟踪,大幅提高跟踪的准确性.     

基于复合动态模型和证据融合架构的移动物体检测与跟踪方法

针对现有方法中移动物体检测与跟踪的准确性精度较低的缺点,提出一种基于多传感器检测分类的移动物体描述和感知方法：建立了一个包含核心对象动态特征和分类描述的复合模型,在此基础上设计了一个基于证据框架的信息感知与融合方法,通过整合动态模型和不确定性特征来实现对移动物体的检测和跟踪。为了验证所提方法的有效性,在一辆安装有雷达、激光雷达和摄像头的演示车上进行了相关实验,在不同驾驶场景下针对行人、卡车和轿车三个移动物体进行了检测与跟踪,实验结果证明所提方法具有非常高的准确性。     

CGTracker: Center Graph Network for One-Stage Multi-Pedestrian-Object Detection and Tracking

Most current online multi-object tracking (MOT) methods include two steps: object detection and data association, where the data association step relies on both object feature extraction and affinity computation. This often leads to additional computation cost, and degrades the efficiency of MOT methods. In this paper, we combine the object detection and data association module in a unified framework, while getting rid of the extra feature extraction process, to achieve a better speed-accuracy trade-off for MOT. Considering that a pedestrian is the most common object category in real-world scenes and has particularity characteristics in objects relationship and motion pattern, we present a novel yet efficient one-stage pedestrian detection and tracking method, named CGTracker. In particular, CGTracker detects the pedestrian target as the center point of the object, and directly extracts the object features from the feature representation of the object center point, which is used to predict the axis-aligned bounding box. Meanwhile, the detected pedestrians are constructed as an object graph to facilitate the multi-object association process, where the semantic features, displacement information and relative position relationship of the targets between two adjacent frames are used to perform the reliable online tracking. CGTracker achieves the multiple object tracking accuracy (MOTA) of 69.3% and 65.3% at 9 FPS on MOT17 and MOT20, respectively. Extensive experimental results under widely-used evaluation metrics demonstrate that our method is one of the best techniques on the leader board for the MOT17 and MOT20 challenges at the time of submission of this work.