遮挡情况下的多目标跟踪算法*

在视频监控系统中,由于背景的复杂变化,运动目标经常会出现部分或全部被遮挡的情况。为了在遮挡条件下进行多目标跟踪,针对运动目标发生遮挡情况下的Mean Shift跟踪问题进行了研究,提出一种新的抗遮挡算法。利用卡尔曼滤波器来获得每帧Mean Shift算法的起始位置,再利用Mean Shift算法得到目标跟踪位置,通过目标遮挡判定机制和目标搜索机制来解决遮挡问题。实验表明,该算法较好地解决了运动目标的遮挡问题。     

遮挡情况下多目标跟踪的一种新方法

多目标追踪一直是视频处理中的重要问题,目标互相遮挡的情况下观测置信度的计算是多目标追踪中的难点。提出的方法将被遮挡的情况作为目标的一个状态分量,在对遮挡估计的基础上计算目标的观测置信度。将方法应用于遮挡频繁发生的足球比赛视频,结果表明该方法在目标遮挡或聚集并不严重时,可以避免目标标号粘合和错乱的问题。     

低视点下遮挡自适应感知的多目标跟踪算法

目的 针对低视点多目标跟踪场景的遮挡问题,提出一种能够遮挡自适应感知的多目标跟踪算法。方法 首先根据每帧图像的全局遮挡状态,提出了“自适应抗遮挡特征”,增强目标特征对遮挡的感知和调整能力。同时,采用“级联筛查机制”,减少由遮挡带来的目标特征剧烈变化而认定为“虚新入目标”的错误跟踪现象。最后,考虑到历史模板库中存在遮挡的模板对跟踪性能的影响,根据每一帧中目标的局部遮挡状态,提出自适应干扰模板更新机制,进一步提高对遮挡的应变和适应能力。结果 实验结果表明,本文算法在MOTA(multiple object tracking accuracy)、M OTP (multiple object tracking precision)、FN(false negatives)、Rcll (recall)、ML (mostly lost tracklets)等指标上明显优于STAM(spatial-temporal attention mechanism)、ATAF(aggregate tracklet appearance features)、STRN (spatial-temporal relat...     

多物体遮挡情况下的视觉跟踪算法

针对视频监控中多运动物体间的遮挡问题,提出一种结合全局特征匹配与局部特征匹配的目标跟踪算法.该算法采用基于直方图和基于分块的方法共同表达目标的灰度特征.遮挡发生前实时进行遮挡预判,遮挡时采用基于块分类的方法跟踪目标,遮挡结束后通过直方图匹配重新定位目标.实验结果表明了该方法的有效性和优越性.     

精子多目标跟踪的抗遮挡算法的研究与实现

为解决计算机辅助精液分析(CASA)系统中原版精子多目标跟踪算法在精子被白细胞或其它精子遮挡时,会产生检测失败和跟踪错误等问题,提出一种改进的抗遮挡算法。根据精子目标的面积和形态特征,判定遮挡的类型和发生期间,利用Kalman滤波对白细胞遮挡的精子进行虚拟定位跟踪,对精子互相遮挡的目标保持特征信息跟踪,在遮挡结束时重新匹配找回目标。实验结果表明,改进的算法能够成功跟踪到遮挡情况下的精子目标运动轨迹,提高了精子多目标跟踪算法的准确性和鲁棒性。     

多物体遮挡情况下的视觉跟踪算法研究

针对视频监控中多运动物体间的遮挡问题,提出了一种新的结合全局特征和局部特征匹配的目标跟踪算法。该算法采用直方图的方法和基于分块的方法共同表达目标的灰度特征。遮挡发生前实时进行遮挡预判,遮挡时,利用基于块分类的方法跟踪目标,遮挡结束后,通过直方图匹配重新定位目标。实验结果证明了该方法的有效性和优越性。     

遮挡情况下基于特征相关匹配的目标跟踪算法

特征相关匹配是重要的运动目标跟踪方法.目标特征有灰度特征和边缘特征两大类,在遮挡情况下,采用哪种特征进行匹配,要根据目标本身属性来确定.本文先对目标灰度性质做出判断,然后根据灰度单一或是丰富来合理选择边缘相关匹配或者是基于多子块的灰度相关匹配来解决遮挡情况下的刚性目标跟踪问题.其中边缘匹配算法是通过当前边缘与实时更新模板的最优匹配来确定目标的运动位移量.基于多子块的灰度相关匹配算法通过目标的各个具有较明显特征的子块准确判定遮挡区域,利用剩余的未被遮挡的子块参与灰度相关匹配继续跟踪目标.实验结果表明,这种算法是十分有效的.     

融合SPA遮挡分割的多目标跟踪方法

复杂环境下的多目标视频跟踪是计算机视觉领域的一个难点,有效处理目标间遮挡是解决多目标跟踪问题的关键。将运动分割方法引入目标跟踪领域,提出一种融合骨架点指派(SPA)遮挡分割的多目标跟踪方法。由底层光流信息得到骨架点,并估计骨架点遮挡状态;综合使用目标外观、运动、颜色信息等高级语义信息,将骨架点指派给各个目标;最后以骨架点为核,对运动前景密集分类,得到准确的目标前景像素;在粒子滤波器跟踪框架下,使用概率外观模型进行多目标跟踪。在PETS2009数据集上的实验结果表明,文中方法能够改进现有多目标跟踪方法对目标间交互适应性较差的缺点,更好地处理动态遮挡问题。     

复杂情况下的多目标跟踪统计技术

根据基于视频监控客流量统计的应用要求,得到了一种改进的背景检测和跟踪计数方法,实现了多人准确跟踪计数.传统的高斯背景建模是对一帧图像的每个像素点进行更新且分配固定的高斯分布个数,使得资源消耗量增大;这里通过先判断待更新区域,然后对更新区域采用动态调节高斯分布的方法对像素点进行更新,同时考虑到均值与方差的特点,分别设置了各自的更新速率.跟踪部分利用连通域分析创建人体结点并得到目标的形心,采用向前优先搜索像素点的原则搜索下一帧图像的所有像素点,通过搜索到的像素点来确定目标的新中心位置,再根据目标中心与计数线的关系进行计数.实验证明该算法简单可行,实现了多目标的准确跟踪,统计数据具有较高的正确率.     

遮挡情况下目标局部特征在跟踪算法中的应用

为了解决视频目标跟踪中的遮挡问题,本文提出了一种新的目标局部形状特征——仿射不变三角形来对目标进行描述,所提取的仿射不变三角形特征具有平移、旋转和尺度不变的特性,在各种异常情况下仍然能够稳定地表征目标。本文采用仿射不变三角形特征量来进行有效的遮挡状态的判断,并将目标未被遮挡部分的局部形状特征量与运动预测结合起来进行基于模板的匹配跟踪,能够避免遮挡所导致的目标外观数据改变而引起的目标运动状态计算的错误,以解决目标在跟踪中的遮挡问题。实验结果证明,本文提出的局部形状特征能够比较准确地判断目标的遮挡状态,并且能够有效地提高跟踪算法的准确性和稳定性。     

基于时空渐进特征模型的抗遮挡多目标跟踪

针对多目标跟踪过程中存在目标相互遮挡的问题,提出一种基于时空渐进特征模型的抗遮挡多目标跟踪方法.该方法根据目标的关联状态、重叠情况、深度顺序构建遮挡推理模型,在线识别被遮挡目标, 并对其进行基于时空渐进特征模型的目标再检测.首先,利用目标特征模型中的空间位置参数确定搜索区域;然后,计算目标模型与检测响应之间的表观特征相似度,引入一种自适应阈值,并选择相近程度较高的检测响应为候选量测;最后,采用时间特征匹配的方式获得目标真实检测响应,完成多目标跟踪的任务.通过MOT15和MOT17数据集中的实验结果表明,所提出方法能够有效地识别被遮挡目标,可在多种复杂场景下实现相互遮挡目标的鲁棒性跟踪,相对于现有方法具有较高的准确性、精度和轨迹完整性.     

一种遮挡情况下的目标追踪方法

提出一种在遮挡情况下的目标追踪方法。首先建立鲁棒性的目标轮廓模型。然后结合遮挡推理并且以目标的轮廓质心为基础进行LevelSet曲线演化,获取准确的目标轮廓信息,并将提取到的轮廓信息加入到Karman滤波的跟踪框中。最后对目标轮廓模型进行实时更新。实验结果表明所提及的方法具有很好的鲁棒性。     

视频中遮挡情况下目标的跟踪*

提出了一种基于概率外观模型和Condensation的跟踪方法.该方法通过分析目标前景MBB重叠关系检测遮挡的产生和解除,在目标未遮挡时建立并更新目标的概率外观模型.当遮挡发生后,利用目标共面条件确定目标前后关系,通过合并目标模型计算系统观测似然度概率.算法统一在Condensation框架下进行有遮挡和无遮挡的跟踪.实验证明了该方法的有效性.     

遮挡情况下的视觉目标跟踪方法研究

将目标整体相关匹配算法和目标各子块相关匹配作表决的算法相结合,有效解决了运动目标被遮挡的跟踪问题.目标被遮挡,表现为某些子块被遮挡且匹配错误.对被遮挡的子块使其不参与表决,也不参与整体相关匹配的计算,只利用目标剩余的能代表目标本身属性的未遮挡子块继续跟踪目标.实验结果表明,采用的两种算法互为补充,对解决遮挡情况下目标的视觉跟踪是有效的.     

改进的Viterbi多目标跟踪算法

使用改进的Viterbi算法用于多目标跟踪,引入测量“门限”,使所跟踪的目标仅与“门限”内的测量值关联。该方法能够减少假设的个数、降低算法的计算负担,有利于对MHT算法进行剪枝和合并。用Kalman 滤波和先验概率计算各目标的最大后验概率。该算法是连续的,能够处理丢失的探测、虚警以及跟踪目标的数量,提供一系列最好的跟踪目标集。     

自适应门限GM-CPHD多目标跟踪算法

带有势估计的高斯混合概率假设密度滤波（GM-CPHD）作为一种杂 波环境下目标数可变的检测前跟踪方法,将复杂的多目标状态空间的运算转换为单目标状态 空间内的运算,有效避免了多目标跟踪中复杂的数据关联问题,但该方法的计算复杂度与观 测数的3次方成正比,在密集杂波情况下计算量十分巨大。针对该方法计算复杂度高的问题 ,提出利用一种最大似然自适应门限的快速算法,该算法首先利用自适应门限对观测进 行处理,然后仅利用处于门限内的有效观测进行GM-CPHD算法的更新步计算,大大降低了算 法的计算复杂度。实验结果证明,本文方法在有效降低计算复杂度的同时,在多目标跟踪效 果 方面与GM CPHD相当,优于GM-PHD滤波算法。     

足球场内球员多目标跟踪算法

为解决足球比赛场内球员的多目标跟踪任务中,因场外人员对跟踪的干扰,球员频繁地运动、互相遮挡,以及摄像镜头复杂地移动等情况,造成的跟踪准确度低、跟踪目标ID(identity)保持能力弱的问题,提出一种适用于足球场内球员跟踪的多目标跟踪数据集和多目标跟踪算法。通过条件生成对抗网络分割出球场区域,筛选出球场内的基于YOLOX框架的目标检测结果;在数据关联阶段,设计一种融合IoU(intersection over union)与欧式距离的代价矩阵进行目标间的相似性度量;利用足球比赛上场人数存在上限的先验条件,弹性约束跟踪目标ID的增长。实验结果表明,针对足球场内球员的跟踪问题,该算法能够在多目标跟踪准确度、跟踪目标ID保持能力上有极大提高。     

综合多种预测方案实现遮挡情况下的目标跟踪

由于采用了多种运动预测方案,本文提出的目标跟踪方法能选择最佳的观测结果,实现对非标定固定焦距的静止摄像机的单目图像序列中的目标跟踪.静态背景参考图像由混合模型法估计,在最简单的环境下,跟踪算法则采用匀加速运动模型对目标完成跟踪.本文主要贡献是采用了三个预测器和最小方差相关时选择目标最可能的位置.三个预测器分别是:-跟踪方案、卡尔曼滤波和区域分割匹配方案.本跟踪方案通过具有不同遮挡情况的序列图像得到了验证.     

快速多目标跟踪GM-PHD滤波算法

传统的GM-PHD(Gaussian Mixture-Probability Hypothesis Density)滤波算法用当前时刻接收到的全部量测值对所有高斯项进行更新,使得大量的运算时间花费在使用无效量测对高斯项的更新上。针对此问题,提出一种快速多目标跟踪GM-PHD滤波器。首先在算法预测步骤中将高斯项 分为新生及存活目标两类;然后在更新步骤中先计算存活目标与所有量测之间的残差,使用椭球门限,用门限内的量测值来更新存活目标;接着计算新生目标与剩下量测之间的残差,再次使用落入椭球门限内的量测值来更新新生目标,这样可以最大限度地将无效量测排除掉,从而减少算法运算时间。实验结果表明,该方法在保证目标跟踪精度的同时降低了算法时间复杂度,其综合性能优于传统的GM-PHD滤波算法。