一种改进的运动目标跟踪方法

为解决障碍物在三维目标跟踪中产生的遮挡问题,使用基于光流法和立体视觉的目标跟踪系统,同时结合自适应滤波方法来预测跟踪目标三维速度的期望值。采用模糊控制系统解决不同速度的耦合问题,通过计算跟踪算法与预测算法的速度差值来判断运动目标是否受到遮挡。实验结果表明:在确保91.2%识别率的前提下,该算法识别运动目标平均每帧耗时15 ms。该跟踪算法具有较好的鲁棒性和实时性。     

林区视频监控下车流量分类统计

针对林区环境中通过监控视频统计车流量的传统方法提取车辆特征困难、无法分类统计等问题,提出了一种基于YOLOv5结合DeepSORT的车流量分类统计方法。该方法使用目标检测算法YOLOv5作为检测器对车辆进行分类检测,为了提升实际场景中的车辆检测效果,在算法中融入CBAM注意力机制增强检测器对车辆的特征提取能力,同时将NMS改进为DIoU-NMS,解决了因车辆相互遮挡导致的漏检问题。使用目标跟踪算法DeepSORT对检测到的车辆进行跟踪,为了减少车辆身份切换现象,将重识别网络在车辆重识别数据集上重新训练。最后通过在视频中设置虚拟线的方法对跟踪到的车辆进行统计。将该方法在实际场景中进行效果验证,实验结果表明,总体车流量统计准确率较改进前提升10.1%,汽车、货车、客车的车流量统计准确率分别为91.8%,94.6%,93.8%。     

传感器网络目标恢复算法研究

分析了传感器网络在目标跟踪过程中产生目标丢失故障的原因.在此基础上采用分簇设计思想,通过对跟踪目标移动速度的计算和目标搜寻区域的建立等方法,提出了目标丢失故障恢复新的算法和技术.实验证明,所提出的算法和技术在延长传感器网络生存时间前提下,能够有效地解决跟踪目标发生丢失故障后目标快速恢复问题.     

基于在线特征选择的粒子滤波跟踪算法

在复杂场景下,传统的粒子滤波跟踪算法较难定位目标.针对此问题,提出了一种基于在线特征选择的粒子滤波跟踪算法.该算法首先在线、自适应地通过Fisher判别准则,从16个不同的颜色特征空间中选择最能区分目标及其邻近背景的1个最佳特征空间,然后在这个最佳特征空间中用基于统计直方图的粒子滤波算法跟踪目标.试验结果表明,该算法鲁棒性和准确性较好,在光照变化.目标自身发生形变和遮挡情况下能够准确地对目标进行跟踪.     

复杂背景及遮挡条件下的运动目标跟踪

CamShift算法应用于复杂背景及遮挡条件下视频跟踪时,极易出现跟踪失效和目标丢失。本文提出基于颜色、纹理及目标运动信息的综合特征用于改进CamShift算法,结合Kalman滤波器对目标运动状态进行预测提高了复杂背景下运动目标的跟踪稳定性和跟踪精度。在目标发生遮挡时,通过目标遮挡前的先验信息进行最小二乘拟合及目标运动轨迹外推,预测目标运动位置信息,有利于遮挡结束时对运动目标的重新捕获。多组实验结果及性能分析表明,该算法在复杂背景及目标被短时遮挡情况下,可以实现目标的持续、稳定跟踪,并具有较好的实时性。     

基于卡尔曼滤波的多运动目标跟踪算法研究

针对多运动目标跟踪的实时性和鲁棒性问题,本文提出了一种基于卡尔曼滤波的多运动目标跟踪算法,该算法运用卡尔曼滤波预测目标的位置,并以目标的中心点坐标、面积和长宽比特征、一维HSV颜色直方图作为目标的特征对当前帧检测到的目标模板和预测区域内的目标进行匹配。实验证明,该算法可实时、稳定地跟踪复杂场景内的多运动目标,并能够解决目标遮挡问题。     

Kalman滤波融合优化Mean Shift的目标跟踪算法

目标跟踪中,目标的背景变化、形状改变、遮挡,往往会导致跟踪失败,而跟踪的实时性和准确性是必须考虑的问题。本文首先对Mean Shift算法进行了介绍,接着对Mean Shift算法进行了优化:修正Mean Shift算法迭代权值,修正后主要信息贡献更加突出,次要信息受到抑制,避免了开方的繁琐运算,降低了运算量。提出了目标模板更新算法,解决了背景变化和目标形状改变时跟踪失败的问题。然后在水平位置和竖直位置建立Kalman滤波器,同时将优化Mean Shift算法与Kalman滤波融合,解决了目标完全遮挡后无法继续跟踪的问题。仿真实验表明,本文提出的目标跟踪算法在目标遮挡,目标形状改变,目标跟踪失败的情况下具有更高的跟踪精度,更高的实时性和鲁棒性。     

基于分块的核窗宽调整mean-shift跟踪算法

针对传统mean-shift算法核窗宽在跟踪过程中无法根据目标的大小变化进行相应调整问题。本文提出了一种基于分块的核窗宽调整mean-shift跟踪算法。该算法在跟踪窗口中心与目标形心定位的基础上,对跟踪窗进行分块,根据候选目标跟踪窗和分块目标跟踪窗中心距离的变化,对核窗宽的大小进行调整,使得跟踪窗口始终与跟踪目标的大小相匹配。实验表明算法对跟踪变大和变小的目标均取得了较好的跟踪效果。     

基于全局和局部信息的目标跟踪算法

图像序列中的运动目标在跟踪过程中容易受到复杂环境以及严重遮挡所影响。针对该问题,提出一种基于全局信息和局部信息的混合粒子滤波算法。新算法在传统粒子滤波的基础上引入了多子块纹理直方图,它包含了目标的局部空间信息,使得跟踪算法的鲁棒性有所提高;根据目标受遮挡的程度自适应调节全局和局部信息对目标定位的贡献,在一定程度上提高了算法的抗遮挡能力和适应能力,实验结果表明该算法在目标处于部分遮挡和严重遮挡时能够达到比较理想的跟踪效果。     

基于YOLOv3检测和特征点匹配的多目标跟踪算法

针对传统多目标跟踪算法中行人检测速度慢、易受光照变化、行人快速移动及部分遮挡因素的影响造成行人目标跟踪性能差等问题, 提出一种根据经典的Tracking-by-Detection 模式,采用深度学习YOLOv3算法检测行人目标,然后利用FAST角点检测算法与BRISK特征点描述算法对相邻帧间的行人目标进行特征点匹配,实现多目标行人跟踪的算法。实验结果表明行人目标在背光、快速移动、部分遮挡等复杂环境下均获得了良好的连续跟踪效果,平均精度达到87.7%,速度达到35帧/s。     

卡尔曼滤波器在光电经纬仪中的应用

为了解决光电经纬仪电视跟踪系统脱靶量滞后对控制系统跟踪精度及稳定性的影响，将预测滤波技术应用到光电跟踪系统中，提出了极坐标下卡尔曼滤波算法，目标模型采用等速运动并附有时间相关的随机加速度，增加了延时补偿。仿真结果表明，跟踪误差减小，当跟踪目标从视场消失时，控制系统按照预测的目标信息跟踪。     

基于YOLOv3和DeepSort的车流量检测

针对传统多目标跟踪算法的检测跟踪精度低、鲁棒性差的缺点,基于经典的Tracking-By-Detection模式,提出一种基于YOLOv3和DeepSort的车流量检测方法,实现了车辆视频监控端到端的车流量视频的实时监测与跟踪计数。采用深度学习YOLOv3算法检测视频车辆目标,然后利用深度学习DeepSort算法对检测到的车辆进行实时跟踪计数。实验结果表明该方法应对快速移动的车辆和环境光照的影响时,对车流量的检测效果良好,平均精度达到94.7%,端到端的算法可行且有效,适用于对车辆视频的批处理。     

一种灰度成像扩展目标跟踪方法

灰度图像色彩信息贫乏会导致易陷于局部相似,使跟踪点发生漂移。针对此问题,提出了基于目标成像空间域与特征域分布的改进直方图模式扩展目标跟踪算法。以基于像素位置和像素灰度值的直方图模式作为目标模式;相似度测量采用基于Bhattacharyya系数定义的距离;用均值偏移迭代进行匹配区域搜索;通过建立卡尔曼预测跟踪策略解决目标被遮挡时的跟踪问题。试验结果表明,采用该算法,跟踪点漂移由原来十几个像素的波动减少到仅偶有1个像素的抖动。     

遮挡和光照变化下的单鱼目标跟踪

鱼类跟踪是对鱼类行为分析的基础,在对水中的鱼类跟踪时,目标鱼会由于姿势的变化、受到周围鱼或者物体的遮挡或者光照的影响变得难以追踪。针对这种情况,提出一种利用MobileNet-SSD(SSD,single shot multibox detector)与Dlib关联跟踪器相结合对鱼体进行跟踪的方法,通过SSD算法精准地检测到视频中的鱼体,再将信息输入到Dlib关联跟踪器中,使跟踪对象定位更加准确,提高了鱼体在水中运动发生遮挡和光照变化时跟踪的鲁棒性。实验结果表明,该方法在鱼体跟踪视频中的表现明显优于其它算法,在不同环境下的跟踪成功率达到90%以上。     

基于DS-VSMM的声网络低空机动目标跟踪

针对低空机动目标的声网络无源跟踪问题,提出一种基于有向图切换的变结构多模型算法.首先,将多个声传感器组网并对其时延的方位角数据进行配准,改善无源声探测网络的融合性能.其次,通过变结构多模型对目标状态进行估计,并利用有向图切换方法对新激活的模型分配权重,跟踪结果为多个模型估计结果的融合输出.通过与交互式多模型算法的仿真比...     

单台光电经纬仪对目标稳定跟踪的研究

针对单台光电经纬仪目标提取特性短暂失去的情况下设备平稳过渡的问题,详细研究了目标在单台经纬仪中的运动轨迹。利用已有的数据对目标的运动轨迹进行分段最佳多项式逼近与外推,实现设备的平稳过渡。结果表明,此方法可以比较理想地解决目标短时间(2-3s)内丢失情况下的对目标的稳定跟踪问题。     

基于ReInspect算法的多目标追踪

为了提高复杂场景下多目标检测的准确性,提出了一种基于ReInspect算法的对于多个运行目标的检测方法.该算法基于OverFeat算法和Faster R-CNN算法的思想,加入LSTM(long short-term memory)循环网络结构用于记录多个目标的特征序列;通过调整LSTM网络特征标签信息,预处理损失函数...     

改进的Mean Shift算法在前视声呐运动目标跟踪中的应用

多波束前视声呐具有成像速度快、分辨率高的优点,是进行水下目标探测、跟踪和监控的重要设备。针对多波束前视声呐运动目标的跟踪问题,提出了一种改进的MeanShift算法。该算法利用经典的MeanShift算法实现目标的帧间定位,通过基于图像序列的背景消减法实现运动目标分割,根据分割后目标的位置和大小对Mean Shift跟踪框进行更新,并重新建立跟踪模型来迭代实现目标的准确定位和跟踪。实验结果表明,改进后的算法可实现目标跟踪框随目标大小和形状的更新,对目标的定位更加准确。因此,该算法具有应用于水下目标精确跟踪和定位的潜力。     

时间异步无线传感器网络的目标跟踪动态成簇算法

为了解决时间异步无线传感器网络在目标跟踪时的节点协作管理和跟踪时间配准问题,提出了一种适用于时间异步条件下目标跟踪的动态成簇算法。该方法通过分析目标的无线信号强度和各节点至目标的距离来动态组建跟踪簇,然后依据目标及簇头的通信距离对簇头射频信号的覆盖区域进行功能划分,实现节点对目标的协作跟踪,同时以簇为跟踪时间的计算单元,通过簇内计时和簇间贯序传递的方法实现跟踪时间的配准。仿真实验表明,该算法进行目标跟踪时能有效均衡网络能耗,且具有较好的跟踪精度和系统鲁棒性。     

过程噪声方差实时补偿的非定轨目标跟踪

针对非定轨目标跟踪问题中过程噪声统计特性未知的特点,提出了一种实用的对过程噪声方差进行实时补偿的目标跟踪算法。该算法根据强跟踪滤波器的思想,通过实时检测新息序列来修正卡尔曼滤波算法中的状态预测误差协方差矩阵,进而对未知的过程噪声方差矩阵进行实时地补偿。由于存在新息检测机制,该算法能够有效地规避表征建模不确定性的过程噪声统计特性未知的问题,对于建模不确定性具有一定的适应能力。通过对一旋转靶标跟踪问题的仿真试验,证明了该方法的有效性。