共查询到19条相似文献,搜索用时 81 毫秒
1.
2.
在卷积神经网络(CNN)中,卷积运算能高效地提取目标的局部特征,却难以捕获全局表示;而在视觉Transformer中,注意力机制可以捕获长距离的特征依赖,但会忽略局部特征细节。针对以上问题,提出一种基于CNN-Transformer双分支主干网络进行特征提取和融合的多目标跟踪算法CTMOT(CNN-transformer multi-object tracking)。使用基于CNN和Transformer双分支并行的主干网络分别提取图像的局部和全局特征。使用双向桥接模块(two-way braidge module,TBM)对两种特征进行充分融合。将融合后的特征输入两组并行的解码器进行处理。将解码器输出的检测框和跟踪框进行匹配,完成多目标跟踪任务。在多目标跟踪数据集MOT17、MOT20、KITTI以及UADETRAC上进行评估,CTMOT算法的MOTP和IDs指标在四个数据集上均达到了SOTA效果,MOTA指标分别达到了76.4%、66.3%、92.36%和88.57%,在MOT数据集上与SOTA方法效果相当,在KITTI数据集上达到SOTA效果。由于同时完成目标检测和关联,能够端到... 相似文献
3.
提出了一种基于不确定性的数据融合系统性能评估方法。数据融合的目的是为了提高融合后的信息量,信息不确定度的降低就相当于信息量的增加,本文从广义信息论出发度量信息不确定度,通过比较融合前后系统信息的不确定度来度量融合系统的性能。给出多目标系统中计算信息不确定度归一化变化的方法,实现了融合系统性能的定量评估。 相似文献
4.
本文研究了多目标跟踪数据关联问题,针对联合概率数据关联算法的"组合爆炸"现象,介绍了一种改进算法,以较小的计算量直接计算后验概率.蒙特卡罗仿真表明,该算法在对多个目标进行跟踪时具有很好的性能. 相似文献
5.
本文研究了多目标跟踪数据关联问题,针对联合概率数据关联算法的“组合爆炸”现象,介绍了一种改进算法,以较小的计算量直接计算后验概率。蒙特卡罗仿真表明,该算法在对多个目标进行跟踪时具有很好的性能。 相似文献
6.
研究多目标实时精确跟踪问题,针对在战场目标密集和电磁环境复杂的情况下,经典多目标跟踪联合概率数据关联算法的计算量剧增,在目前的硬件条件下,算法的实时性和有效性已不能满足要求.为提高算法的计算速度和效率,通过量化可行联合事件中相匹配的量测与目标的统计距离,来定义优化计算的约束条件,从而构建能量函数,把搜索最优可行矩阵问题转化为整数规划问题,对算法进行改进.在分析优化条件完备性的基础上,构建DHN人工神经网络,利用非线性计算能力对整数规划问题进行求解,并采用温控扰动的办法提高收敛速度,降低计算量.仿真结果表明,算法能在复杂条件下实时有效地量测数据,准确分配给目标航迹. 相似文献
7.
8.
针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。 相似文献
9.
10.
在图像多目标跟踪问题中,针对图像匹配无法辨别同类别目标以及状态滤波难以对目标突发机动建模两个难点,提出了一种多特征匹配融合跟踪算法。该算法在基于局部方差图(standard deviation map,STDM)的目标检测结果的基础上,首先利用目标感兴趣区域(region of interest,ROI)的图像匹配来克服目标状态匹配误差的影响;然后利用状态特征匹配消除图像匹配识别的模糊性;最后在关联代价全局最优化框架下,将两者匹配结果融合,以提高多目标跟踪的正确率。 相似文献
11.
12.
13.
14.
15.
16.
数据融合系统的各种算法是当前研究的热点问题,但缺乏有效数学工具对数据融合系统进行描述和分析.本文提出了时序有限自动机,用它建立数据融合系统的形式化模型,并且给出了时序有限自动机模型的可达性分析方法,用于分析数据融合系统的性能和行为.同时,给出了建立时序有限自动机模型和数据融合系统的正确性和实时性分析算法. 相似文献
17.
18.
针对渔船轨迹数据具有时间序列性、数量大的特点,提出一种轨迹热点挖掘算法。该算法克服了K-means算法在渔船轨迹数据上无法捕捉热点分布的缺点。其主要的思想是:首先使用时间维度来处理数据,以置信度和KL散度作为衡量所选取数据的可靠性、正确性依据,从大量的轨迹数据中选取信息含量较高的数据,然后使用K-means聚类算法进行数据的聚类。本文所提出的算法只需要设定显著水平参数a和时间间隔T,算法本身就可通过时间维度处理数据的方法自主完成数据的选择以及置信度、KL散度的计算,并引入聚类有效性度量的方法,使K-means通过自我寻找K值来实现热点挖掘的整个过程。在渔船轨迹数据上进行本文算法与K-means算法的对比实验和数据热力图的参照实验,结果显示本文所提的算法在寻找轨迹数据热点上有优越性和正确性。 相似文献