基于改进数据关联的三维多目标跟踪算法

针对传统三维多目标跟踪算法在复杂场景中出现的误关联、跟踪中断、适应性差等问题,在数据关联阶段进行了相应改进,提出了一种基于加权聚合关联代价和目标预测置信度的多目标跟踪算法。首先,结合目标的位置、外观、方向特征计算加权聚合关联代价以度量目标之间的差异性。然后,在关联代价矩阵中引入预测置信度的相关概念,并依据该置信度调整丢失目标的关联搜索域。最后,使用卡尔曼滤波器进行目标运动状态以及预测置信度的更新。在实测数据上的实验结果表明,所提出的算法能够提高点云遮挡、轨迹交叉情况下的跟踪正确率,在MOTA上达到了73.6%。     

基于Mean-shift的多目标跟踪算法的设计

针对视频序列中目标的跟踪问题,提出了一种基于模版匹配的多目标跟踪算法.该算法提取目标模版灰度分布特征,并在目标匹配过程中采用Bhattacharyya系数在图像中寻找相似性最高的区域.仿真结果表明,用该算法进行多目标跟踪时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.     

基于注意力机制的行人多目标跟踪方法

多目标跟踪(Multi-Object Tracking,MOT)是智能交通和智慧城市的关键技术之一。针对真实场景下行人多目标跟踪困难的问题,提出了一种基于注意力机制的行人多目标跟踪(Pedestrian Multi-Object Tracking based on Self-Attention,PMOT)算法。在特征提取网络增加注意力机制模块,利用Transformer的编码器结构对行人特征的空间信息进行编码以增强行人的局部特征,实现目标关联精度的提升。为了改善由于长时间遮挡导致的行人目标丢失问题,PMOT算法在数据关联中扩展一个参考特征分支,并结合行人运动特征与外观特征的相似度来实现目标匹配。实验结果表明,提出的算法在MOT17数据集上取得77.0%的跟踪准确度,有效提高了行人目标的跟踪效果。     

基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法

针对在线多目标跟踪中检测器造成的漏检、误检问题和目标遮挡情况,提出一种基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法。通过卡尔曼滤波算法对目标进行建模并预测目标的状态;融合目标的空间位置信息和外观深度特征信息,使同一目标之间相似性距离尽量小,并利用匈牙利算法建立跟踪目标和检测目标间的数据关联;利用策略解决未关联的检测目标或跟踪目标等复杂情况。采用MOT16数据集进行实验,实验结果表明能够有效地解决目标交错和遮挡导致跟踪漂移的问题,并且主要跟踪性能参数有显著提高。     

一种红外多目标跟踪算法

提出了一种红外多目标的跟踪算法,算法将融合后的红外目标特征值作为特征匹配值,结合卡尔曼滤波算法,给出目标在下一时刻的预测位置,得出以预测位置为中心的搜索区域,计算搜索区域内所有目标的特征匹配值,匹配值最接近的即为需要跟踪的目标。实验结果表明,该算法简单,实时性好,能够较好剔除虚假点,并能对目标稳定跟踪。     

智能交通监控系统中多目标跟踪算法

在视频监控系统中,以自适应背景差分法提取运动目标,并以单连接区域增长法标记各运动目标区域.针对在城市交通监控系统的特点,建立视频流中帧间图像的约束条件,利用相邻两帧目标之间的距离、平均灰度以及面积差等特征建立匹配距离测度函数,通过求全局最优解使得距离测度达最小,进而确定最佳匹配目标,并分析了目标运动过程中的遮挡现象及提出了解决方法.实验结果表明,该方法跟踪运动目标准确率达98%.     

基于动态显著性特征的粒子滤波多目标跟踪算法

针对复杂背景条件下图像序列中运动多目标跟踪问题,提出一种基于动态显著性特征的粒子滤波多目标跟踪算法,该算法借鉴心理学中关于视觉注意的研究成果,综合目标的灰度、细节和运动特性形成稳健的动态显著性特征,用来作为粒子滤波的状态向量。由于该算法中的显著性特征来源于目标的多种底层特性,因此算法具有很强的稳健性,同时,粒子滤波可实现非线性非高斯状态空间模型的最优估计。故而,该算法能够同时处理多个目标跟踪过程中的航迹管理问题,以及目标出现、消失、合并、分裂、被障碍物遮挡等问题。实验结果表明,该算法能够很好地实现复杂图像序列中的多目标跟踪。     

一种基于交互式粒子滤波器的视频中多目标跟踪算法

在目标跟踪领域,常常通过建立先验模型,如路径一致性假设模型.对日标轨迹进行预测来处理跟踪过程中的遮挡问题.然而,当这种预测与目标的实际运动轨迹相差较大的时候就会发生跟踪失败.我们提出了一种交互式粒子滤波方法,通过判断不同目标样本观测之间的遮挡关系,自适应地选择不同外观模板进行相似性度量并更新粒子权值,成功地解决了跟踪过...     

分布式传感器多目标跟踪改进算法

利用分布式传感器网络进行目标跟踪,能够有效增加传感器的覆盖范围,提高对运动目标的检测和跟踪能力,但如何充分利用相邻传感器之间的信息进行有效的融合,仍然是一个难点问题。本文在多伯努利滤波(Multi-Bernoulli,MB)框架下,提出了一种改进的分布式融合跟踪算法用于目标数未知且变化的多目标跟踪。提出算法包含三种精度提升策略,即特征级融合反馈、决策级融合输出及交互反馈;其中,决策级融合输出策略可以提取更加准确的估计状态,特征级融合反馈策略可以降低错误融合结果对后续滤波过程的不良影响,交互反馈策略可以避免单传感器因漏检而导致的滤波失败。实验结果表明,提出算法的跟踪精度明显要优于传统的基于广义协方差交集(Generalized Covariance Intersection,GCI)的分布式融合算法以及粒子多伯努利跟踪算法,具有较好的跟踪性能。     

一种改进的CPHD多目标跟踪算法

CPHD(Cardinalized Probability Hypothesis Density)滤波是一种杂波环境下可变目标数的多目标跟踪算法,该文针对算法中存在的目标漏检问题提出一种改进算法,该算法在高斯混合框架下实现贝叶斯递归,通过对各个高斯分量进行标记,对目标进行航迹关联,在此基础上对修剪合并后各个高斯分量的权值进行两次分配。首先对超过检测门限的高斯分量权值进行分配,有效解决了目标漏检问题,然后基于一个目标只可能产生一个观测的事实进行第2次分配,改善了目标发生交叉时的算法性能。实验结果表明,所提方法在多目标状态估计和航迹维持方面均优于普通的CPHD算法。     

基于IAUKF-JPDA算法的多目标跟踪

针对不同传感器融合跟踪精度低的问题,提出一种采用加权融合的改进自适应无迹卡尔曼滤波算法(IAUKF).针对不同传感器的融合处理中场景切换导致的传感器精度变化,对来源于不同传感器的数据设置不同的权重,引入Sage-Husa自适应思想,实时处理测量噪声的统计特性,利用联合概率数据关联(JPDA)来完成杂波的去除和量测-目标...     

基于改进概率假设密度的多目标跟踪算法

经典序贯蒙特卡罗概率假设密度(Sequential Mote Carlo Probability Hypothesis Density, SMC-PHD)滤波中, 将目标状态转移密度函数做为建议密度函数, 没有利用当前观测信息, 导致大部分预测粒子状态偏离目标真实状态, 粒子退化严重.针对上述问题, 提出利用均方根容积卡尔曼滤波产生建议密度函数, 对其进行采样得到预测粒子状态, 该方法有严格理论基础, 能有效减轻SMC-PHD滤波中的粒子退化, 且适用性很强.仿真实验对比了该算法、经典SMC-PHD和基于无迹卡尔曼的SMC-PHD算法的跟踪性能, 验证了该方法无论对势估计还是对目标状态估计的精度都优于其他两种算法.     

复杂场景下基于OSA改进的多目标跟踪算法研究

为了提升deepsort多目标跟踪算法中的重识别模块性能,增强网络对图像特征的语义表达,优化算法在复杂场景中对目标身份一致性判断能力.提出OSA模块改进宽残差网络,并利用数据集对改进后的模型进行训练,获取相关数据及权重模型;研究改进网络与原网络在同一数据集下的模型训练效果,并与原重识别模块下的YOLOV3-deepso...     

基于无人机平台的多目标跟踪算法

针对目前无人机平台多目标跟踪技术的跟踪精确度低、占用内存大的问题,提出了一种基于不同检测器算法和DeepSort算法结合而成的多目标跟踪算法,提高在无人机上对地面行人在跟踪数据集中的效果。使用深度学习的多目标跟踪技术通过构建卷积神经网络(Convolutional Neural Network, CNN),用卡尔曼滤波算法实现了对目标轨迹的预测,匈牙利算法则使卡尔曼滤波的预测结果得以分配,使DeepSort算法在保证跟踪效果的同时,也保证了跟踪时的速度。实验结果显示,DeepSort在与YOLOv5x检测器配合后,多目标跟踪精度可提高20%。     

多目标跟踪中基于特征辅助的概率数据关联算法

在传统的多目标跟踪系统中,数据关联仅利用了那些与目标状态向量直接相关的信息。在此提出了一种基于广义概率数据关联(GPDA)的新的关联算法即特征辅助跟踪(FAT)算法。该算法同时利用了目标的特征信息和状态信息进行数据关联,较好地解决了在密集杂波环境下对近目标的跟踪问题。最后以目标的一维距离像信息为例进行仿真,仿真结果表明,所提出的算法使跟踪性能优于传统的概率数据关联。     

一种改进的JIPDA多目标跟踪算法

针对边扫描边跟踪多频连续波雷达在杂波环境下的多目标跟踪问题,借助JIPDA算法中考虑目标存在概率的思想,并结合该体制雷达能提供高精度的径向速度信息,提出了一种引入径向速度量测的改进JIPDA滤波跟踪新方法。首先介绍了传统的JIPDA算法,然后对引入径向速度量测的改进JIPDA算法进行了理论分析,并讨论了引入径向速度量测和目标存在概率时互联概率的计算,最后进行了仿真实验。仿真结果表明,由于速度观测值提供了有关目标运动的更进一步信息,使得改进的JIPDA算法在跟踪性能上得到了显著提高。     

基于YOLOv5和重识别的行人多目标跟踪方法

针对目前遵循基于检测的多目标跟踪范式存在的不足,本文以DeepSort为基础算法展开研究,以解决跟踪过程中因遮挡导致的目标ID频繁切换的问题。首先改进外观模型,将原始的宽残差网络更换为ResNeXt网络,在主干网络上引入卷积注意力机制,构造新的行人重识别网络,使模型更关注目标关键信息,提取更有效的特征;然后采用YOLOv5作为检测算法,加入检测层使得模型适应不同尺寸的目标,并在主干网络加入坐标注意力机制,进一步提升检测模型精度。在MOT16数据集上进行多目标跟踪实验,多目标跟踪准确率达到66.2%,多目标跟踪精确率达到80.8%,并满足实时跟踪的要求。