基于多层卷积特征的自适应决策融合目标跟踪算法

针对目标快速运动、遮挡等复杂视频场景中目标跟踪鲁棒性差和跟踪精度低的问题,该文提出一种基于多层卷积特征的自适应决策融合目标跟踪算法(ASFTT)。首先提取卷积神经网络(CNN)中帧图像的多层卷积特征,避免网络单层特征表征目标信息不全面的缺陷,增强算法的泛化能力;使用多层特征计算帧图像相关性响应,提高算法的跟踪精度;最后该文使用自适应决策融合算法将所有响应中目标位置决策动态融合以定位目标,融合算法综合考虑生成响应的各跟踪器的历史决策信息和当前决策信息,以保证算法的鲁棒性。采用标准数据集OTB2013对该文算法和6种当前主流跟踪算法进行了仿真对比,结果表明该文算法具有更加优秀的跟踪性能。     

基于特征点的多运动目标跟踪

该文针对智能监控的需求,提出基于特征的多运动目标跟踪算法。通过自适应Marr小波核函数背景建模算法,在冗余离散小波域进行多运动目标识别。运动跟踪采用SIFT特征粒子滤波算法,并采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低了运算的复杂度。实际测试表明,该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性,在智能监控领域具有较广泛的应用前景。     

基于可行性矩阵遍历的重叠多目标角轨迹关联算法

目标角轨迹关联旨在将隶属于同一目标的不同传感器测量的角轨迹正确匹配在一起,角轨迹关联问题是天基光学监视系统的核心难点问题之一,其性能直接决定了天基光学监视系统的目标跟踪性能。在密集多目标场景下,受光学传感器像元分辨率、光学系统点扩散效应、目标相互遮挡等影响,容易发生目标重叠而不可分辨的现象。现行多目标角轨迹关联方法是基于一个目标产生一条角轨迹的假设前提,在重叠多目标情况下关联性能大大降低。针对此类问题,本文提出了基于可行性矩阵遍历的目标角轨迹关联算法。该算法以倾角差为统计量,遍历各种可能的关联分配,并计算每一个可能的关联分配概率,最后基于贝叶斯准则计算得到最终的关联结果。仿真实验表明,该算法能有效处理目标相互遮挡、目标未分辨等导致的多个目标共用一条角轨迹的情况,具有更好的复杂多目标场景适应性。     

基于计算机视觉的艺术体操轨迹跟踪研究

为了解决传统基于卡尔曼滤波算法进行艺术体操轨迹跟踪时存在的跟踪漂移以及跟踪效率低等问题,研究基于计算机视觉的艺术体操轨迹跟踪方法,通过Vi Be运动目标检索算法对图像的颜色以及深度信息建模,基于图像颜色以及深度的波动检测出视频中的运动目标,采用KCF算法实现运动目标的初步跟踪,在该方法的基础上,通过改进KCF算法解决运动目标被遮挡出现的跟踪漂移问题,提高运动目标跟踪的精度和稳定性。通过Hermite插值运算运动目标质心,基于时刻t的运动模糊方向获取瞬时质心轨迹,得到最佳的运动目标质心轨迹,采用曲线拟合措施获取精确的运动目标质心轨迹。实验结果说明,所提方法可准确跟踪艺术体操运动轨迹,具有较高的跟踪效率和稳定性。     

基于快速傅里叶变换的局部分块视觉跟踪算法

针对视觉跟踪中目标表观变化、局部遮挡、背景干扰等问题,该文提出一种基于快速傅里叶变换的局部分块视觉跟踪算法。通过建立目标分块核岭回归模型并构建循环结构矩阵进行分块穷搜索来提高跟踪精度,利用快速傅里叶变换将时域运算变换到频域运算提高跟踪效率。首先,在包含目标的初始跟踪区域建立目标分块核岭回归模型;然后,提出通过构造循环结构矩阵进行分块穷搜索,并构建目标分块在相邻帧位置关系模型;最后,利用位置关系模型精确估计目标位置并进行分块模型更新。实验结果表明,该文算法不仅对目标表观变化、局部遮挡以及背景干扰等问题的适应能力有所增强,而且跟踪实时性较好。     

运动捕获系统中基于多视觉的目标跟踪算法

基于标记点的运动捕获系统中,由于标记点特征相似,易出现遮挡,使得跟踪难度大.针对上述问题提出了基于多视觉的跟踪算法.首先进行双目视觉立体跟踪:采用扩展Kalman进行预测,根据外极线约束剔出预测区域内的错误候选目标;然后进行多目视觉数据融合:利用基于可变阈值的最邻近数据融合算法对已获得的多个双目跟踪数据进行处理,解决了标记点遮挡、丢失问题;最后得到了标记点的三维运动数据.实验表明,提出的跟踪算法可以准确跟踪各个标记点.     

基于分水岭分割和尺度不变特征点的多目标全自主跟踪算法

该文针对多目标的鲁棒跟踪问题,设计了一种基于图像分水岭分割和尺度不变特征变换(SIFT)特征点的多目标全自主跟踪算法。为规避图像平坦区域,提出在原图上叠加规则坡度图的思想,并在浮点域进行一定尺度高斯模糊处理,将区域极小值点作为种子点完成分水岭分割,并将极值点作为目标特征点,通过前后帧分水岭映射生成特征点短时轨迹,自动检测运动目标。之后依据目标所处状态(是否发生遮挡)和分水岭分割图建立、更新目标SIFT特征池,结合分水岭映射、SIFT特征池匹配完成对目标的鲁棒跟踪。实验结果表明,该算法能有效完成视频中多目标的持续跟踪,并对目标遮挡有较好的鲁棒性。     

基于图像签名算法的视觉目标跟踪算法北大核心CSCD

针对视觉目标跟踪算法中存在的快速运动、尺度变化、形变和遮挡问题,提出基于图像签名算法的视觉目标跟踪算法。该算法以相关滤波算法为基础,通过多种特征构建目标的外观模型,提高了算法的跟踪精确度和稳健性;为了解决严重遮挡情况下的目标重定位问题,利用图像签名算法计算图像的稀疏显著性区域,获取候选目标的位置,通过分类器对候选目标进行重排名,实现目标重定位;采用尺度池策略和自适应模板更新策略,解决跟踪中的尺度变化问题和跟踪漂移问题。利用标准数据集测试所提算法的性能,结果表明,所提算法在跟踪成功率和精确度上均优于传统的相关滤波算法,能较好地解决快速运动、尺度变化、形变和遮挡情况下的目标跟踪问题。     

锥扫型光学传感器像平面多目标轨迹跟踪

积分概率多假设跟踪(IPMHT)是一种基于期望极大化(EM)的准最优贝叶斯多目标迭代跟踪算法,研究了该算法在锥扫型光学传感器像平面多目标轨迹跟踪中的问题。为提高算法的跟踪性能和计算效率,利用逻辑概率数据关联滤波(PDAF)方法进行目标初始状态估计,并利用目标幅度信息和波门技术对IPMHT进行优化。针对锥扫型传感器非线性观测下的多目标跟踪,将扩展无味卡尔曼滤波(AUKF)与优化的IPMHT算法相结合,实现像平面多目标轨迹的起始、维持和终结。蒙特卡洛仿真实验表明,该算法成功地解决了锥扫型传感器的像平面多目标轨迹跟踪问题,在提高目标跟踪性能的同时改善了计算效率。     

基于改进数据关联的三维多目标跟踪算法

针对传统三维多目标跟踪算法在复杂场景中出现的误关联、跟踪中断、适应性差等问题,在数据关联阶段进行了相应改进,提出了一种基于加权聚合关联代价和目标预测置信度的多目标跟踪算法。首先,结合目标的位置、外观、方向特征计算加权聚合关联代价以度量目标之间的差异性。然后,在关联代价矩阵中引入预测置信度的相关概念,并依据该置信度调整丢失目标的关联搜索域。最后,使用卡尔曼滤波器进行目标运动状态以及预测置信度的更新。在实测数据上的实验结果表明,所提出的算法能够提高点云遮挡、轨迹交叉情况下的跟踪正确率,在MOTA上达到了73.6%。     

基于全局最优的被动多传感器多目标轨迹关联算法

多目标轨迹关联问题是天基光学跟踪系统的核心和难点之一。传统的分布式轨迹关联方法基于目标的3维轨迹信息,不适用于被动传感器的2维轨迹关联问题。为此,该文以倾角差为统计检验量,建立轨迹统计检验模型,提出基于全局最优思想的轨迹关联算法,并用密集多目标场景进行算法的蒙特卡罗仿真。结果表明,该轨迹关联算法性能优良,可以有效完成密集目标环境下的被动多传感器多目标轨迹关联任务。     

基于空时线索的TLD视频跟踪算法

视频跟踪是计算机视觉领域的研究热点之一,Tracking-Learning-Detection(TLD)是近年来提出的一种有效的视频跟踪框架。针对短时遮挡以及复杂可变背景环境下的目标跟踪问题,提出了一种基于空时线索的TLD视频跟踪算法。在该算法中,采用由局部图像块的多通道特征训练生成的霍夫森林进行检测,通过多个局部图像块引入目标相关的空间位置信息,提高了算法的区分能力;然后,根据图像块对光流跟踪初始位置进行随机化布置并利用空间位置信息对光流跟踪结果进行加权,改善光流跟踪的性能;最后,对光流跟踪输出置信度与霍夫森林检测输出置信度进行自适应空时融合,综合提高目标的跟踪精度。实验结果表明,与原始TLD算法相比,本文算法能够更有效地处理遮挡问题,实现复杂背景环境下的鲁棒目标跟踪。      

融合运动信息与表观信息的多目标跟踪算法

多目标跟踪是计算机视觉领域的重要研究方向,其在智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目前目标跟踪算法仍面临诸多的挑战,例如遮挡、背景复杂、运动模糊等因素所造成的影响难以完全规避。文中基于一种简单的在线跟踪方法,提出一种融合多类信息的算法,有效地提升了跟踪器的性能。模型关注于帧与帧之间的目标检测与数据关联问题,依赖于不同帧之间目标运动与表观的相似性,当目标丢失及存在遮挡时,融合多源信息减少相关的不确定性。同时,该算法在真实环境中可实现实时跟踪的性能。实验评估结果表明,提出的跟踪器在公开数据集上具有良好的性能,可以显著减少目标丢失率以及身份交换率。     

基于信息融合的多目标单站无源跟踪新技术研究

跟踪起始与数据关联是多目标无源单站跟踪的关键技术.本文提出了一种基于目标多特征信息融合的自适应跟踪起始算法,通过构造多维动态可变的跟踪门,进行自适应跟踪起始检测,然后根据序列概率比检验准则进行轨迹确认.同时提出了一种基于多目标多特征信息融合的数据关联算法,首先通过定义多个特征数据关联度,将单个有效观测的多特征信息进行融合,再对多目标进行综合数据关联.计算机仿真表明,该跟踪起始算法能够快速有效地启动航迹,数据关联算法的性能要优于传统的NN方法和扩展的NN方法.     

一种抗遮挡自适应粒子滤波目标跟踪方法

针对传统视觉跟踪算法在目标发生遮挡时容易发生偏离或失败的缺陷,提出了一种新的抗遮挡自适应粒子滤波(PF)目标跟踪方法。在粒子传播过程中,利用目标SSD(sum of squareddifference)残差所生成的高似然区域能自适应地调整状态空间中的粒子采样区域范围和采样粒子数量,使跟踪中粒子采样覆盖目标的各种状态可能性,全面提高状态空间质量。预测状态和粒子估计状态通过噪声协方差很好地融合起来,能够较有效地解决遮挡情况下的跟踪问题,使目标定位更加精确。粒子数量的自适应不仅能很好提高跟踪精度,而且在一定程度上降低了计算代价。实验结果表明,本文算法对跟踪目标遮挡具有较好的容错性和跟踪鲁棒性,能有效实现复杂场景下的目标跟踪。     

基于卷积注意力模块和无锚框检测网络的行人跟踪算法

针对多目标跟踪过程中遮挡严重时的目标身份切换、跟踪轨迹中断等问题,该文提出一种基于卷积注意力模块 (CBAM)和无锚框(anchor-free)检测网络的行人跟踪算法。首先,在高分辨率特征提取网络HrnetV2的基础上,对stem阶段引入注意力机制,以提取更具表达力的特征,从而加强对重识别分支的训练;其次,为了提高算法的运算速度,使检测和重识别分支共享特征权重且并行运行,同时减少头网络的卷积通道数以降低参数运算量;最后,设定合适的参数对网络进行充分的训练,并使用多个测试集对算法进行测试。实验结果表明,该文算法相较于FairMOT在2DMOT15, MOT17, MOT20数据集上的精确度分别提升1.1%, 1.1%, 0.2%,速度分别提升0.82, 0.88, 0.41 fps;相较于其他几种主流算法拥有最少的目标身份切换次数。该文算法能够更好地适用于遮挡严重的场景,实时性也有所提高。     

基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法

针对在线多目标跟踪中检测器造成的漏检、误检问题和目标遮挡情况,提出一种基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法。通过卡尔曼滤波算法对目标进行建模并预测目标的状态;融合目标的空间位置信息和外观深度特征信息,使同一目标之间相似性距离尽量小,并利用匈牙利算法建立跟踪目标和检测目标间的数据关联;利用策略解决未关联的检测目标或跟踪目标等复杂情况。采用MOT16数据集进行实验,实验结果表明能够有效地解决目标交错和遮挡导致跟踪漂移的问题,并且主要跟踪性能参数有显著提高。     

一种引入预测机制的时空上下文跟踪算法

针对时空上下文(STC)算法在抗遮挡目标跟踪中的不足,提出使用上下文模型相似度作为判别遮挡的条件和改进上下文模型更新方程的修正系数,同时采用预测算法修正搜索区域,构建了一种基于时空上下文跟踪的抗遮挡目标跟踪算法,并通过标准目标跟踪视频库对原算法和改进后算法的跟踪性能进行仿真和对比。实验证明,在原算法的基础上提高了抗遮挡跟踪的鲁棒性,在一些图像序列中跟踪成功率的提高最高可达30%。     

基于局部分块和模型更新的视觉跟踪算法

针对目标跟踪过程中的目标表观变化、背景干扰及发生遮挡等问题,该文提出一种基于局部分块和模型更新的视觉跟踪算法。该文采用粗搜索与精搜索相结合的双层搜索方法来提高目标的定位精度。首先,在包含部分背景区域的初始跟踪区域内构建目标模型。然后,利用基于积分直方图的局部穷搜索算法初步确定目标的位置,接着在当前跟踪区域内通过分块学习来精确搜索目标的最终位置。最后,利用创建的模型更新域对目标模型进行更新。该文主要针对分块跟踪中的背景抑制、模型更新等方面进行了研究,实验结果表明该算法对目标表观变化、背景干扰及遮挡情况的处理能力都有所增强。     

结合重识别特征和运动预测的多目标跟踪方法

多目标跟踪是智慧城市交通安防的重要技术之一。为了提高多目标跟踪的准确性并改善真实场景下的遮挡问题，提出了一种结合重识别特征和运动预测的多目标跟踪方法。在多目标检测网络中扩展一个基于卷积神经网络(Convolutional Neural Networks, CNN)的重识别特征分支，提取目标的重识别特征；采用基于置信度的卡尔曼滤波预测模型来预测轨迹的空间分布以改善目标的遮挡问题，结合检测目标和轨迹在重识别特征和位置两方面的相似度来完成目标关联。实验结果表明，所提出的方法在真实行人场景下的跟踪精度优于大多数算法，具备一定的应用潜力。