基于双目标模型的时空上下文跟踪算法

传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性,故目标被长时间遮挡后,目标模型容易被错误更新且难以修正。因此,本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性,并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征,在目标被长时间遮挡后也能准确评估更新内容的有效性,并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明,改进算法在测试数据集上的跟踪成功率为82%,中心偏差为8pixels;在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升,实现了目标的可靠跟踪。     

特征点辅助的时空上下文目标跟踪与定位

针对动态目标跟踪中快速运动和目标遮挡而跟踪失败问题,提出了一种特征点辅助的时空上下文跟踪算法。首先提取目标特征点,通过特征点匹配和光流跟踪方法进行目标追踪,获得目标预估位置;其次,建立特征点变化率和时空上下文模型更新率关系模型,实时调控更新率,防止引入错误信息;最后,在预估位置区域内,构建局部上下文外观模型,计算与时空上下文模型的相关性获取置信图,进一步精确定位目标。算法在一组测试视频集中进行验证,相比目前4种主流算法(平均跟踪成功率最高为60%,平均跟踪误差最小为26.14 pixel),本算法综合性能达到最优,平均跟踪成功率为90%,平均跟踪误差为7.47 pixel,平均跟踪速率25.31 f/s。在双目视觉移动机器人平台上对随机运动目标进行跟踪实验,在背景干扰、遮挡、目标旋转和快速运动等组合情况下,跟踪成功率97.4%,跟踪距离平均相对误差为4.05%。     

利用视觉显著性和扰动模型的上下文感知跟踪

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显著性构建目标稀疏显著性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。     

基于卡尔曼预测和滤波的视频目标跟踪

视频目标跟踪在军事和民用领域有着广泛的应用,其实现算法首选卡尔曼滤波算法,但是在应用卡尔曼滤波算法之前首先要获得目标当前时刻的观测信息,在全帧图像搜索并确定目标需要耗费大量的计算资源。针对这一问题,文章结合目标跟踪时的卡尔曼滤波算法,在每次完成目标状态的滤波估计后,进行卡尔曼一步预测,确定目标下一时刻可能的范围,避免下一时刻确定量测信息时对整幅图像的搜索,极大地减小计算量,提高目标跟踪的实时性和精度。计算机仿真实验验证文中所提方法的有效性。     

视频监控系统中的概率模型单目标跟踪框架

针对视频监控的特点与跟踪目标的强机动性,提出了一种新的基于概率模型的目标跟踪框架,从目标表观模型、系统动态模型以及系统观测模型3个方面对当前标准的粒子滤波目标跟踪方法进行了改进。首先,考虑人眼细胞的分布特点,基于人眼分布结构建立目标表观模型来提高跟踪系统抵抗局部遮挡的能力;然后,建立基于自适应目标运动的系统动态模型,提高跟踪算法对快速机动目标的鲁棒性;最后,采用实时更新的系统观测模型,有效避免目标在遇到遮挡、光照变化、剧烈变形等情况下发生的跟踪漂移现象。实验结果表明,本文算法的正确跟踪率可达98%;平均跟踪误差小于6个像元。实验证明本文算法在保证系统跟踪精度要求的同时,具有计算量小、抗干扰能力强等特点。     

嵌入式智能视频跟踪系统

阐述智能视频监控系统的工作流程,重点介绍嵌入式智能视频跟踪系统的设计与实现。以嵌入式处理器PXA270为基础,采用USB摄像头采集视频数据,运用改进的CamShift跟踪算法,实现运动目标跟踪。     

雨夜条件下的红外可见光视频融合目标跟踪

针对雨夜条件下目标外观特性衰退,造成目标搜索与跟踪过程中难以适应混杂背景干扰及雨滴突变干扰的问题,提出了一种基于背景抑制的红外可见光融合目标跟踪方法。该方法考虑了目标跟踪时间和空间两方面的外观分布特性,采用了多通道成像数据对前景目标进行特征表示,有效抑制了夜间条件下的混杂背景干扰。在目标模型更新过程中,本文通过分析雨滴突变造成的目标表示变化规律,采用突变检测模型,降低了雨滴突变对模型更新的干扰。实验采用了真实环境采集的雨夜条件的红外可见光视频,实验结果说明,本文方法优于现有目标跟踪方法,能够有效提高雨夜条件下的目标跟踪精度。     

基于均值漂移算法的水下视频目标跟踪

鉴于水下的特殊环境,本文利用均值漂移算法对水下视频中的运动目标进行跟踪.首先对水下视频目标对象和候选目标对象分别建立RGB颜色分布加权直方图模型,将这两个模型进行匹配,匹配度用Bhattacharrya系数来表示,搜索出与目标最匹配的候选目标并且更新目标模型,依此类推,从而在视频序列中实现目标跟踪.仿真实验证明,基于均值漂移算法的目标跟踪能够克服水下视频环境中干扰运动目标跟踪的因素:水波、倒影、气泡、游泳池浮标的遮挡等,进一步与基于Kalman滤波器的水下目标跟踪相比(对比),目标跟踪结果表明本文所用的算法能够对水下这种复杂背景的运动目标进行稳定实时的跟踪.     

一种视频序列中运动目标的跟踪方法

针对运动目标的跟踪,采用模板匹配法和kalman滤波嚣进行图像跟踪,跟踪前先进行模板提取,采用投影法来投影出模板的位置,然后再对这个模板在视频序列中进行目标跟踪.理论分析和实验结果表明,该算法对于视频运动目标的跟踪,能有效检测出目标图像,对于实时视频图像处理有深远的影响.     

基于多模板回归加权均值漂移的人体目标跟踪

针对移动机器人跟踪人体目标时目标因角度大幅变化引起外观改变造成的跟踪无效,提出了多模板回归加权均值漂移跟踪方法。该方法通过建立目标的多模板模型,应用均值漂移算法实现目标跟踪。首先,根据前一帧均值漂移结果和当前帧头肩粗定位结果确定目标模板集,使其包含目标人体的位姿和角度改变。然后,采用多模板回归加权均值漂移实现目标的精确定位。在多模板均值漂移中引入回归模型实现颜色纹理特征与目标模型相似度之间的映射,从而控制模板数量,保证目标检测的实时性。最后,分别在视频图像和机器人目标跟踪平台上对所提方法进行实验验证。结果显示,图像处理平均时间为86.4s/frame,满足机器人跟踪的实时性要求。该方法解决了目标特征在跟踪过程中发生变化的问题,提高了机器人跟踪时对目标人体特征变化的鲁棒性。     

智能视频监控关键技术分析

智能视频监控是计算机视觉领域的一个重要的分支。智能视频监控系统中的相关关键技术引起广大学者关注,特别对于运动目标的跟踪和运动目标的检测问题,本文进行相关重点技术探讨,还包括智能视频监控系统中所处的重要位置,对于智能视频监控发展具有一定帮助作用。     

交通车辆视频测速技术

介绍了利用图像处理与机器视觉技术实现交通车辆视频测速的方法，提出了系统的软件和硬件构架，给出了关键算法。通过视频图像的采集实现了运动车辆的速度检测，对背景估计、运动检测、目标分割、目标位置确定、目标跟踪等方法提出了相应的计算方法和计算公式。在检测方法上解决了帧差运动检测中的噪声污染问题；利用了神经元网络对目标实际位置进行计算，同时运用了相应的预测方法，解决了目标跟踪的稳定性问题。这种视频测速技术的成功研究，降低了车辆测速器的制作成本。     

结合残差收缩和时空上下文的行为检测网络

针对R-C3D行为检测网络特征提取冗余度高及边界定位不准确的问题,结合残差收缩结构和时空上下文,提出一种改进的行为检测网络（RS-STCBD）。首先,将收缩结构和软阈值化操作融入到3D-ResNet的残差模块中,设计通道自适应阈值的残差收缩单元（3D-RSST）,并级联多个3D-RSST单元构建特征提取网络以消除行为特征中的噪声、背景等冗余信息;然后,在时序候选子网中嵌入多层卷积替代一次卷积,以增加时序侯选片段的时序维度感受野;最后,在行为分类子网引入非局部注意力机制,通过捕获优质行为时序片段间的远程依赖以获取动作时空上下文信息。在THUMOS14和ActivityNet1.2数据集上的实验结果表明：改进网络的mAP@0.5分别达到36.9%和41.6%,比R-C3D方法提升了8.0%和14.8%。基于改进网络的行为检测方法提高了动作边界定位精度和行为分类准确率,有利于改善自然场景下的人机交互质量。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型(IMM)的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计.在工程上,将基于CV和"当前"统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果.     

机器人双目视觉目标跟踪研究

简要介绍了双目视觉系统的软硬件组成,分析了图像采集模块得到的图像颜色模型的特点,将图像采集卡得到的图像转换成HSV格式.根据目标的颜色特征信息,进行双阈值图像分割,根据象素分布,得到目标跟踪窗口.从目标跟踪窗口得到目标的轮廓、中心等信息,由双目系统,求出目标距离.设计了一个简单的目标跟踪算法,控制电机转动,实现目标的对中.     

基于fDSST的长时间目标鲁棒跟踪算法

在跟踪目标过程中,当目标遭遇强遮挡、移出视野、快速运动等时,快速判别尺度空间跟踪(fDSST)算法会丢失目标且无法再找回。为了解决这一问题,提出了一种基于fDSST的长时间目标鲁棒跟踪算法。在经典fDSST算法基础上增加了基于关键点匹配的检测模块和输出自适应决策模块,在判定目标丢失或不可见后可重新匹配目标并重新初始化跟踪器;跟踪时可自适应地选择置信度更高的结果作为最终输出结果;在以Raspberry Pi 4B为主控单元的嵌入式平台上进行算法移植,在OTB-100数据集和嵌入式平台上进行跟踪测试。结果表明：该算法相比其他主流算法具有更高的鲁棒性和准确性,改进算法宜在有嵌入式平台移植需求的应用场景下部署。     

面向激光跟踪仪跟踪恢复的合作目标视觉检测

为了实现复杂场景下激光跟踪仪跟踪恢复过程中合作目标靶球的检测,本文研究了基于深度学习的靶球检测方法。首先,分析靶球自身特点、应用环境及它在跟踪恢复过程中的作用,然后根据Faster R-CNN模型原理与跟踪恢复应用需求提出基于超特征与浅层高分辨率特征信息复用的改进方法生成新的融合特征图,并优化区域建议提取参数,协同解决图像中目标多尺度变化与小尺寸导致目标漏检率高的问题;同时提出一种基于强背景干扰的困难样本挖掘方法提高模型对外形颜色等与目标近似的干扰物识别能力,解决模型误检测率高的问题。最后,本文构建了目标靶球数据集并进行了对比训练与测试。测试实验结果表明:本文提出的基于强背景干扰困难样本挖掘方法的改进Faster R-CNN模型在目标多尺度、小尺寸检测,以及对复杂背景中相似干扰物的辨别能力都有提升,最终对测试集的检测精度达到了90.11%,能够满足激光跟踪仪跟踪恢复过程对合作目标靶球的视觉检测精度要求。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

遮挡环境下基于路侧异源雷达融合的多交通目标鲁棒跟踪方法

多目标跟踪是保障自动驾驶行驶安全与效率的基础,其获取的数据广泛应用于自动驾驶运动规划、驾驶决策等上层应用。传统多目标跟踪方法在遮挡环境下往往存在目标丢失、错位的现象,针对这一问题,本文提出了基于异源雷达融合与遮挡预测模型的鲁棒跟踪方法。首先,基于激光雷达与毫米波雷达的局部观测一致性方程,提出了一种基于多目标运动约束与全局最大匹配的多传感动态自标定算法。其次,针对完全遮挡环境下因观测数据缺失导致的跟踪中断问题,提出了一种基于异构雷达融合无迹卡尔曼滤波与长短期时序神经网络的混合监督目标位置预测方法。通过实验表明,本文提出的方法在完全遮挡环境下可有效补全至少81%断开的多车辆目标轨迹,且相比于最先进的方法,能够实现更为可靠的多交通目标跟踪。