基于相关滤波器的长时舰船目标跟踪方法

在海上复杂环境下对目标进行跟踪时,会出现目标遮挡、尺度变化等问题。针对这些问题,引入长时间相关滤波算法,将跟踪任务分解为对目标平移和尺度的估计,其中目标平移通过时空上下文进行估计,而目标尺度通过搜寻外观金字塔进行估计。另外,使用在线随机蕨分类器对跟踪失败的目标再检测,从而实现长时间跟踪。将该算法首次应用于海上舰船跟踪中,通过与其他几种长时间跟踪算法进行仿真实验对比,结果表明:该算法跟踪精度和成功率均有较大提高。在目标发生遮挡和尺度变化等情况下,该方法均具有较高的精确度。     

基于相关滤波器的长时视觉目标跟踪方法

为解决相关滤波器（CF）在跟踪快速运动目标时存在跟踪失败的问题,提出一种结合了核相关滤波（KCF）跟踪器和基于光流法的检测器的长时核相关滤波（LKCF）跟踪算法。首先,使用跟踪器跟踪目标,并计算所得跟踪目标的峰值响应强度（PSR）;然后,通过比较峰值响应强度（PSR）与经验阈值大小判断目标是否跟踪丢失,当目标跟踪丢失时,在上一帧所得目标附近运用光流法检测运动目标,得到目标在当前帧中的粗略位置;最后,在此粗略位置处再次运用跟踪器得到精确位置。与核相关滤波（KCF）、跟踪-学习-检测（TLD）、压缩跟踪（CT）、时空上下文（STC）等4种跟踪算法进行对比实验,实验结果表明,所提算法在距离精确度和成功率上都表现最优,且分别比核相关滤波（KCF）跟踪算法高6.2个百分点和5.1个百分点,表明所提算法对跟踪快速运动目标有很强的适应能力。     

基于YOLOv5+DeepSORT检测数据的车头时距混合分布模型研究

为提高车头时距分布模型的准确性,提出一种基于YOLOv5+DeepSORT算法的样本采集方法,并拟合出一种双高斯-移位负指数混合分布模型。训练YOLOv5检测器模型和DeepSORT算法中的ReID模型对车头时距进行自动精确采集,建立双高斯-移位负指数混合分布模型来描述实际交通流中3种车辆驾驶状态:强跟驰、弱跟驰和自由流,对自动采集的车头时距样本进行拟合,利用最大期望算法对模型参数进行标定。经实例验证表明,基于YOLOv5+DeepSORT方法采集的车头时距样本与视频人工逐帧记录的样本之间的平均相对误差为1.94%,满足车头时距样本采集准确率的要求;所提出的双高斯-移位负指数混合模型对自动采集车头时距样本的拟合结果通过了K-S检验,且拟合结果优于三元混合分布、二元混合分布和威布尔分布模型。     

多帧相参积累的检测前跟踪方法

针对现有检测前跟踪（TBD）算法在多帧间积累时都使用非相参积累,积累效率较低的问题,对相参积累的TBD方法进行了研究。该方法在多帧回波数据下通过数据拼接、回波方位选取、噪声置零及走动补偿后利用FFT实现了帧间相参积累。仿真实验表明,相对现有的TBD方法,该方法能在较少帧的回波数据下实现良好的检测性能。     

改进TLD与ORB的AR系统长时跟踪注册方法

针对增强现实系统长时跟踪注册需求以及三维跟踪注册时待注册区域尺度变化、光照变化、内外旋转等复杂环境易导致注册失败问题,提出改进TLD跟踪及ORB特征检测的增强现实长时三维注册方法.通过采用TLD长时鲁棒跟踪算法对待注册区域跟踪,并利用待注册位置自适应动态检测策略对TLD算法跟踪-学习-检测的结构机制的实时性和精确度进行...     

适合长时跟踪的自适应相关滤波算法

针对在长时跟踪中,快速运动、遮挡等复杂情况很容易引起模板漂移,导致跟踪失败的问题,提出一种适合长时跟踪的自适应相关滤波算法.首先融合HOG特征、CN特征和灰度特征,在增强特征判别力的同时,结合EdgeBoxes生成检测建议并找到最优建议,实现跟踪器尺度与纵横比的自适应;然后利用高置信度跟踪结果来避免模板被破坏,将目标移动速度与边缘组数结合起来形成一种新的自适应更新率,并对每一帧目标框的尺度进行校正;最后在跟踪失败的情况下,应用增量学习检测器以滑动窗口的方式恢复目标位置.在标准测试集上与基于相关滤波的7种算法进行对比,实验表明,该算法在精确度和成功率上均取得较优效果.     

基于运行时模型的混合云管理方法

随着云计算技术的普及,涌现出众多不同用途、不同类型的云计算平台.为了满足遗产系统整合和动态资源扩展等需求,常常需要构造混合云来统一管理不同云平台中的计算和存储资源.然而,不同云平台的管理接口和管理机制存在差异,使得开发混合云管理系统难度大、复杂度高.本文提出一种基于运行时模型的混合云管理方法：首先,在云平台管理接口基础上,构造单一云平台的运行时模型;其次,根据云平台领域知识,提出一种云平台软件体系结构的统一模型;最后,通过模型转换,实现云平台统一模型到运行时模型的映射.于是,管理程序可以建立在云平台统一模型的基础上,降低了混合云管理系统开发的难度和复杂度.本文还实现了基于运行时模型的CloudStack和亚马逊EC2混合云管理系统,并对方法的可行性和有效性进行了验证.     

全局搜索和多实例判别特征的长时跟踪方法

长时目标跟踪相对于短时目标跟踪仍然是一个巨大的挑战. 然而现有的长时跟踪算法通常在面对目标频繁出现消失、目标外观发生剧变等挑战中表现不佳. 本文提出了一种基于局部搜索模块和全局搜索跟踪模块的全新、鲁棒且实时的长时跟踪框架. 局部搜索模块利用TransT短时跟踪器生成一系列候选框, 并通过置信度评分确定最佳候选框. 针对全局重新检测开发了一个新颖的全局搜索跟踪模块, 以Faster R-CNN为基础模型, 在RPN阶段与R-CNN阶段引入非局部操作和多级实例特征融合模块, 以充分挖掘目标实例级特征. 为了改进全局搜索跟踪模块的性能, 设计了双模板更新策略来提升跟踪器的鲁棒能力. 通过使用不同时间点上更新的模板能够更好地适应目标的变化. 根据局部或全局置信度分数判断目标是否存在, 并在下一帧中选择局部或全局搜索跟踪策略. 同时能够为局部搜索模块估计目标的位置和大小. 此外还为全局搜索跟踪器引入了排名损失函数, 隐式学习了区域提议与原始查询目标的相似度. 通过在多个跟踪数据集上进行大量实验对提出的跟踪框架进行了广泛评估. 结果一致表明, 本文提出的跟踪框架实现了令人满意的性能.     

基于长时信号功率谱变化的语音端点检测

语音端点检测是语音信号处理的基础,为了提高在低信噪比及非平稳噪声下语音端点检测的准确性,提出了一种基于长时信号功率谱变化的语音特征,利用阈值判决法验证了这一特征在语音端点检测中的应用前景。该方法首先统计信号在长时段下功率谱的变化量;然后进行阈值判决,在初始化后可依据每次的判决结果自适应更新阈值;最后通过投票决策机制来判定当前是否为语音帧。仿真结果表明,与两种经典的基于长时特征(长时段信号变化率和长时段信号谱平坦度)的语音端点检测方法相比,所提方法在不同噪声环境及信噪比下,均具有更高的检测准确率,尤其在非平稳噪声条件下的检测效果提升明显,例如在机枪噪声环境下,平均检测准确率提高超过10%。     

基于长时频谱统计参数的说话人识别

把频谱特征的统计参数应用于与文本无关的说活人识别系统中,与LPC参数一起作为一种更有效的参数。在与文本无关的说话人识别中,长时频谱特征的统计参数与特定人发音特征相关而与文本无关的特性弥补了LPC参数与音韵相关的不足。     

基于长时性特征的音位属性检测方法

提出一种基于长时性信息的音位属性检测方法,该方法通过高、低两层时间延迟神经网络(TDNN)进行实现,低层TDNN在短时特征上进行音位属性的检测,高层TDNN在低层检测结果的基础上,对更长时段上的信息进行融合。实验结果表明,引入长时性特征使得音位属性检测率提升约3%,将音位属性后验概率作为音素识别系统的观测特征,使用长时性特征的识别结果提升约1.7%。     

基于空时置信关系的运动检测方法

为了提高运动目标检测的准确度和精度,提出一种基于空时置信关系的运动检测方法。该方法利用快速核密度估计对图像像素点与其邻域像素点的空时关系进行建模,并根据样本值的离散度为背景模型分配对应的权重,最后依据像素值的背景隶属度权重均值,判断当前像素点属于运动前景还是背景。实验结果表明该方法的运动检测性能优于主流代表性算法。     

基于时窗熵的冲击波到时提取方法研究

针对冲击波超压场大区域、全过程重建的需求,开展冲击波到达时间的高精度提取方法研究;首先,分析了STA/LTA的冲击波到达时间提取模型,其次结合信息论理论提出了基于时窗熵的冲击波到达时间提取方法,再次通过仿真实验比较了不同噪声条件下本文的到达时间提取精度,对比了两种方法在同一噪声条件下的提取精度,分析结果表明本方法的提取精度在不同噪声条件下基本保持在0.77%,在低信噪比条件下,本方法的提取精度高于STA/LTA约6%,保证了低信噪比条件下冲击波到达时间的提取精度,解决了STA/LTA方法对于信号变化幅度小而发生漏拾的情况,避免了不必要的提取误差,实现了更高精度的冲击波到达时间的提取具有更高的提取精度,能够为大区域的冲击波超压场高精度重建提供有效的到达时间特征参数,在高价值弹药毁伤效能参数中具有一定的理论意义和工程使用价值。     

深度长时目标跟踪算法综述

在视觉目标跟踪领域,长时跟踪因存在更为复杂的遮挡、相似物干扰和目标消失等具有现实意义的挑战场景,而越来越被研究者所重视。传统长时跟踪算法存在精度低和效率低等问题,已经无法满足如视频监控和自动驾驶等领域对跟踪器性能的应用需求。目前,大量的研究工作通过引入深度神经网络快速推动了长时跟踪技术的发展。为了深入分析深度长时跟踪算法的现状与未来发展,通过对比长短时跟踪数据集及评价指标,初步界定了长时跟踪任务范畴,归纳了长时跟踪任务的需求和难点,并介绍了长时跟踪数据集及评价体系的发展。基于深度长时目标跟踪算法的设计框架,详细描述了框架各组成部分的设计思路。以长时跟踪策略为切入点深入分析了现有研究工作,归纳了不同模型的优缺点及特性。依据对现有研究工作的整理和总结,讨论了该领域面临的挑战,并对未来的发展方向进行了展望。     

低信噪比下基于Keystone变换的高速多目标检测

微弱多目标检测中,高速运动目标的跨距离单元走动会影响长时间相参积累的效果,论文提出了在低信噪比情况下通过Keystone变换校正多目标的跨距离单元走动,对所有脉冲相参积累达到提高信噪比的目的,仿真实验结果验证了该方法的有效性。     

基于改进的混合高斯模型的目标检测方法

混合高斯模型是环境监控的一种有效方法,能及时侦测环境的异常变化,其基本思想为当环境与建立的模型相匹配时为背景,否则为前景.利用混合高斯模型在图像内进行目标检测,在模型替换的时候,前景容易误替换进模型内,影响背景差分效果.同时采用像素为单位做前景判断,信息量往往不足,不能有效地表示环境特征.高斯模型也存在对光照影响消除能力不足的问题,光照发生时,背景会发生变化,如果不及时检测出来,排除光照,就会造成误检,影响系统的准确性.文中针对这些问题提出了一种解决方案,并用实验证明了其有效性.     

一种基于改进型PN学习的在线长时目标跟踪算法

文中主要讨论针对未知目标的长时跟踪问题。在一帧图像中,目标是由其位置和外观表征的;在连续的视频帧中,需要确定出每一帧中目标的位置和外观特征或者在某一帧中标识出目标是不可见的。因此对PN半监督机器学习算法进行改进,并在此基础上整合模板匹配技术、背景抽离技术和主成分分析技术,提出一种基于检测的在线长时目标跟踪算法。针对该跟踪算法详细阐述了其跟踪架构和算法执行流程,并精心筛选出5个测试视频流。实验结果表明,该跟踪算法具有较强的适应能力和跟踪能力。     

复杂环境下基于高斯混合模型的目标检测方法

在视频监控系统中,噪声和背景的扰动对于运动物体的检测都会产生显著影响。本文提出了一种改进的基于高斯混合模型的运动目标检测方法。该方法首先根据每个像素点在各高斯模型的时间尺度上的概率来更新权值得到背景图像;然后通过自适应阈值采用背景减除法检测出运动目标。实验表明该方法对于噪声和背景扰动都具有较强的鲁棒性。     

基于混合高斯模型的运动目标检测方法

研究了序列图像中的运动目标检测问题。传统的目标检测方法无法克服背景图像变化、场景光线突变、目标物阴影干扰等问题。采用混合高斯分布对背景进行建模,引入亮度信息进行前序处理,并在此基础上使用颜色模型对残留阴影进行移除,因此能够快速准确地检测出运动目标。通过相关仿真实验,证明了该方法具有可靠性和实时性。     

结合置信度评估与再检测的目标长时跟踪

针对目标长时跟踪中遮挡和出视野等因素导致的跟踪准确率降低甚至跟踪失败问题,提出一种结合置信度评估与再检测的目标长时跟踪算法。根据相关滤波响应的平均峰值相关能量与颜色得分判断跟踪结果的可靠性;通过引入DIOU约束,有效限制候选位置的数量,增加惩罚项计算候选框得分,得到最优再检测结果;评估再检测结果的可靠性决定是否替换跟踪位置。在OTB-2015数据集上与先进相关滤波算法进行对比,该算法精确度与成功率分别为0.855和0.798。在目标遮挡和出视野等复杂环境下,具有较强的鲁棒性和实时性。