基于空间和通道注意力机制的目标跟踪方法

目标跟踪是计算机视觉中重要的研究领域之一,大多跟踪算法不能有效学习适合于跟踪场景的特征限制了跟踪算法性能的提升。该文提出了一种基于空间和通道注意力机制的目标跟踪算法(CNNSCAM)。该方法包括离线训练的表观模型和自适应更新的分类器层。在离线训练时,引入空间和通道注意力机制模块对原始特征进行重新标定,分别获得空间和通道权重,通过将权重归一化后加权到对应的原始特征上,以此挑选关键特征。在线跟踪时,首先训练全连接层和分类器层的网络参数,以及边界框回归。其次根据设定的阈值采集样本,每次迭代都选择分类器得分最高的负样本来微调网络层参数。在OTB2015数据集上的实验结果表明:相比其他主流的跟踪算法,该文所提算法获得了更好的跟踪精度,重叠成功率和误差成功率分别为67.6%,91.2%。     

基于空间和通道注意力机制的目标跟踪方法

目标跟踪是计算机视觉中重要的研究领域之一,大多跟踪算法不能有效学习适合于跟踪场景的特征限制了跟踪算法性能的提升.该文提出了一种基于空间和通道注意力机制的目标跟踪算法(CNNSCAM).该方法包括离线训练的表观模型和自适应更新的分类器层.在离线训练时,引入空间和通道注意力机制模块对原始特征进行重新标定,分别获得空间和通道权重,通过将权重归一化后加权到对应的原始特征上,以此挑选关键特征.在线跟踪时,首先训练全连接层和分类器层的网络参数,以及边界框回归.其次根据设定的阈值采集样本,每次迭代都选择分类器得分最高的负样本来微调网络层参数.在OTB2015数据集上的实验结果表明:相比其他主流的跟踪算法,该文所提算法获得了更好的跟踪精度,重叠成功率和误差成功率分别为67.6％,91.2％.     

最大控制律的多面体不变集鲁棒模型预测控制

为实现线性变参数系统的快速稳定控制,提出一种最大控制律的多面体不变集鲁棒模型预测控制算法。离线时,通过设定一组渐近趋向于稳定点的给定值,按照状态变量到稳定点距离大致相同的原则,构建一系列状态变量值集合,通过优化得到每个集合中较大的控制律,然后采用反推的方式优化得到一系列最大的控制律,并结合系统的输入输出约束得到离线多面体不变集。在线时,根据每个采样周期状态变量在多面体不变集中的位置,通过线性插值优化得到系统的实际控制律。给出离线在线算法的详细步骤和系统的闭环稳定性证明。通过仿真比较验证所提算法的有效性,表明所提算法使系统响应更为快速和稳定。     

变维自适应交互式多模型跟踪算法

针对传统的交互式多模型(IMM)算法通常采用相同维数的模型进行滤波,存在较大的模型误差以及当前统计模型(CS)中的参数需要合理设定的问题,提出一种变维自适应交互式多模型(AIMM)跟踪算法。该算法首先利用维数变换,将不同维数的模型转换为统一的维数进行交互滤波,使之适用于一般的机动目标,减少模型跟踪误差;然后通过引入由残差信息定义的调整因子对CS模型中的参数自适应调整,提高模型与实际运动模式的匹配程度;最后将参数调整后的CS模型反馈到变维IMM算法中,来改善跟踪性能。仿真实验表明,与传统变维IMM算法相比,文中所提算法在有效跟踪机动目标的同时,提高了目标的跟踪精度。     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。     

基于M-estimator与可变遗忘因子的在线贯序超限学习机

该文针对时变离群值环境下的在线学习问题,提出一种基于M-estimator与可变遗忘因子的在线贯序超限学习机算法(VFF-M-OSELM)。VFF-M-OSELM以在线贯序超限学习机模型为基础,通过引入一种更加鲁棒的M-estimator代价函数来替代传统的最小二乘代价函数,以提高模型对于离群值的在线处理能力和鲁棒性。同时VFF-M-OSELM通过融合使用一种新的可变遗忘因子方法进一步增强了其在时变环境下的动态跟踪能力和自适应性。仿真实例验证了所提算法的有效性。     

融合通道互联空间注意力的Siamese网络跟踪算法

基于Siamese网络的跟踪算法在跟踪精度和速度方面展现出巨大的潜力,然而要使离线训练的模型适应在线跟踪仍然面临着挑战。为了提升复杂场景下算法的特征提取以及判别能力,提出了一种融合通道-互联-空间注意力的Siamese网络实时跟踪算法。首先构建以深度卷积网络VGG-Net-16作为主干网络的Siamese跟踪框架,增加特征提取能力;接着设计通道-互联-空间注意力模块,增强模型的适应能力与判别能力;然后加权融合多层响应图,获取更精准的跟踪结果;最后使用大规模数据集对网络进行端到端的训练,在通用数据集OTB-2015上进行跟踪测试。实验结果表明:与当前主流算法相比,所提算法具有较强的稳健性,能更好地适应目标外观变化、相似物干扰、目标遮挡等复杂场景,在NVIDIA RTX 2060 GPU上,跟踪速度平均达到37FPS,满足实时性要求。     

基于自适应观测模型交互多模型粒子滤波的红外机动目标跟踪

针对红外目标跟踪问题,提出一种混合观测模型以描述日标像素灰度的渐变以及目标的突然消失或复现,采用在线EM算法对观测模型参数进行更新;将自适应观测模型与交互多模型粒子滤波相结合用于目标跟踪;基于概率排斥原则改进了似然函数,将上述算法推广到多目标跟踪领域.单目标和多目标跟踪仿真结果验证了所提算法的有效性.     

运动模型引导的自适应核相关目标跟踪方法

针对小型移动机器人对人体目标快速运动或遮挡导致的跟踪准确率降低甚至跟踪失败问题,通过建立足部运动模型预测双脚位置信息,获得核相关滤波(KCF,Kernel Correlation Filter)目标检测区域,再结合输出响应峰值邻域相关检测,提出了运动模型引导的自适应核相关滤波算法.对实际拍摄的七组不同情况下的视频进行了足部目标跟踪实验,结果表明运动模型引导的自适应响应KCF算法平均跟踪准确率最高,且在短时间遮挡情况下的算法跟踪准确率也达到86％,明显高于自适应响应KCF、BACF(Background Aware Correlation Filters)以及SAMF(Scale Adaptive kernel cor-relation filters with Multiple Features)三种跟踪算法.最后在ROS(Robot Operating System)下将所提算法应用于Turtlebot机器人目标跟踪测试,成功克服了遮挡情况对足部跟踪带来的影响,验证了所提算法具有较强的鲁棒性和实时性.     

一种级联两箱通用数字预失真器及其辨识算法

提出了一种由单形规范线性分段(SCPWL)函数与记忆多项式级联的数字预失真器,并给出了复数域两步最小二乘参数辨识算法。不同于以往一种预失真器适用一种功放模型的情况,所提的预失真算法利用SCPWL函数的分段特性以及记忆多项式的非线性记忆特性,在完成参数辨识的同时自动地调整结构,可适用于传统以及强非线性新型功放模型的线性化补偿。将所提预失真器分别应用于传统记忆多项式、两箱模型以及新型包络跟踪功放。经过计算机仿真,功放输出的幅频特性和频谱曲线表明所提预失真器能够有效地补偿多种功放的非线性特性。算法仿真比较结果也表明,针对包络跟踪功放,所提复数两步最小二乘算法的邻道泄漏比(ACLR)可改善约35 dB,性能优于最小均方(LMS)类算法约30 dB。