多激光雷达行人跟踪安防系统设计研究

为了解决常规行人跟踪安防系统跟踪延时过高的问题,实现实时跟踪安防,设计多激光雷达行人跟踪安防系统。硬件部分,采用多激光跟踪雷达和DM1827芯片;软件部分,提取行人跟踪安防特征后设计安防架构和安防功能模块,从而实现行人实时跟踪安防。系统测试结果表明,设计的行人跟踪安防系统跟踪延时较低、性能良好,能够满足行人实时跟踪安防需求,具有一定的应用价值。     

基于多特征融合与分层数据关联的空中红外多目标跟踪方法

针对星空背景下目标相似度高、数量大和误检数目较多所导致的空中红外多目标跟踪困难问题，提出基于分层数据关联的空中红外多目标在线跟踪方法。首先，根据红外场景特性来提取目标的位置特征、灰度特征和尺度特征；其次，综合这三个特征来计算目标与轨迹之间的初步关联关系以获得真实目标；再次，将所获得的真实目标按照尺度大小分类，大尺度类目标数据关联采用表观特征、运动特征、尺度特征三种特征相加的方法来计算，小尺度类目标数据关联采用表观特征与运动特征两种特征相乘的方法来计算；最后，根据匈牙利算法对两类目标分别进行目标分配、完成轨迹更新。多种复杂情况下的实验结果表明：与仅采用运动特征的在线跟踪方法相比，所提方法的跟踪准确率提升了12.6%；与采用多特征融合的方法相比，所提方法的分层数据关联不仅提高了跟踪速度，也使跟踪准确率提升了19.6%。综上，该方法不仅跟踪精度高，而且具有较好的实时性和抗干扰能力。     

深度学习辅助的多行人跟踪算法

目的 目标的长距离跟踪一直是视频监控中最具挑战性的任务之一。现有的目标跟踪方法在存在遮挡、目标消失再出现等情况下往往会丢失目标,无法进行持续有效的跟踪。一方面目标消失后再次出现时,将其作为新的目标进行跟踪的做法显然不符合实际需求;另一方面,在跟踪过程中当相似的目标出现时,也很容易误导跟踪器把该相似对象当成跟踪目标,从而导致跟踪失败。为此,提出一种基于目标识别辅助的跟踪算法来解决这个问题。方法 将跟踪问题转化为寻找帧间检测到的目标之间对应关系问题,从而在目标消失再现后,采用深度学习网络实现有效的轨迹恢复,改善长距离跟踪效果,并在一定程度上避免相似目标的干扰。结果 通过在标准数据集上与同类算法进行对比实验,本文算法在目标受到遮挡、交叉运动、消失再现的情况下能够有效地恢复其跟踪轨迹,改善跟踪效果,从而可以对多个目标进行持续有效的跟踪。结论 本文创新性地提出了一种结合基于深度学习的目标识别辅助的跟踪算法,实验结果证明了该方法对遮挡重现后的目标能够有效的恢复跟踪轨迹,适用在监控视频中对多个目标进行持续跟踪。     

基于多特征融合与分层数据关联的空中红外多目标跟踪方法

针对星空背景下目标相似度高、数量大和误检数目较多所导致的空中红外多目标跟踪困难问题,提出基于分层数据关联的空中红外多目标在线跟踪方法。首先,根据红外场景特性来提取目标的位置特征、灰度特征和尺度特征;其次,综合这三个特征来计算目标与轨迹之间的初步关联关系以获得真实目标;再次,将所获得的真实目标按照尺度大小分类,大尺度类目标数据关联采用表观特征、运动特征、尺度特征三种特征相加的方法来计算,小尺度类目标数据关联采用表观特征与运动特征两种特征相乘的方法来计算;最后,根据匈牙利算法对两类目标分别进行目标分配、完成轨迹更新。多种复杂情况下的实验结果表明：与仅采用运动特征的在线跟踪方法相比,所提方法的跟踪准确率提升了12.6%;与采用多特征融合的方法相比,所提方法的分层数据关联不仅提高了跟踪速度,也使跟踪准确率提升了19.6%。综上,该方法不仅跟踪精度高,而且具有较好的实时性和抗干扰能力。     

基于深度学习和颜色特征的行人跟踪算法

针对行人跟踪算法中因行人遮挡而导致行人跟踪准确率低、跟踪速度慢的问题,论文提出了一种基于深度学习和颜色特征的行人跟踪算法。首先利用yolov5目标检测算法检测行人,得到带有行人框的视频帧,同时利用检测框坐标信息判断行人之间是否存在遮挡,若有遮挡,则把遮挡区域像素设为0,分割出非遮挡区域,将非遮挡区域转化为HSV颜色空间,量化HSV分量,构造颜色特征直方图,并表示为一维向量G。其次,以第一帧行人检测框坐标为基础构建行人跟踪模型,初始化跟踪对象,并根据行人质心变化预测行人位置。在公开数据集MOT-16数据集上测试,MOTA为49.78%,相比于Sort和DeepSort算法分别提高1.51%和0.33%,在IDF1分数上分别高于Sort和DeepSort算法7.07%和3.46%。跟踪速度比DeepSort提升24%。     

基于多粒度特征的行人跟踪检测结合算法

对于一些较为流行的应用,例如视频场景监控,对行人的长期有效跟踪是应用的基础.尽管对目标检测与跟踪的相关技术研究已经有了很长的历史,但是如何实时并较为准确地实现目标行人跟踪目前仍然是一个活跃的研究领域.基于多粒度的思想,提出了一种改进的行人跟踪算法,将卷积特征与底层颜色特征结合,对基于深度学习的跟踪算法GOTURN(generic object tracking using regression networks)得到的跟踪结果进行判断决策,结合目标检测对跟踪结果进行修正.实验结果表明：与单一的跟踪算法相比,多粒度决策的跟踪算法能够更加准确地对目标行人进行跟踪,可以显著提高跟踪精度.     

面向服务机器人的多行人检测与跟踪

服务机器人在给人提供帮助,带来生活便利的同时,需要检测并跟踪行人.然而,环境复杂,多个行人之间存在遮挡等问题,给行人的检测与跟踪带来了挑战.在行人检测方面,本文提出了最近邻方法融合激光人腿检测和Kinect人体检测的结果,有效改善了行人检测的精度和完整性.针对多行人跟踪,本文提出了一种改进的粒子滤波算法对行人的位置和速度进行了估计,克服了传统粒子滤波算法计算量大,重采样阶段粒子贫化的缺点.最后,在实际场景中采用改造的turtlebot机器人进行了测试,并进行了计算机可视化,实验结果证明本文提出的方法具有很好的准确性,实时性和鲁棒性.     

深度学习及时空约束的行人跟踪算法研究

由于以往的行人跟踪方法大部分不能有效地解决目标被遮挡后以及目标尺寸变化再跟踪的问题,所以引入了深度学习的方法,但是经实验发现单纯使用深度学习行人跟踪会因行人检测部分的误差而出现整体的跟踪准确率不高的问题.提出了一种基于深度学习和时空约束后处理的行人跟踪方法,深度学习的行人检测部分采用了根据实际应用场景优化过的SSD算法...     

融合多层特征的多尺度行人检测

目的 行人检测在自动驾驶、视频监控领域中有着广泛应用,是一个热门的研究话题。针对当前基于深度学习的行人检测算法在分辨率较低、行人尺度较小的情况下存在误检和漏检问题,提出一种融合多层特征的多尺度的行人检测算法。方法 首先,针对行人检测问题,删除了深度残差网络的一部分,仅采用深度残差网络的3个区域提取特征图,然后采用最邻近上采样法将最后一层提取的特征图放大两倍后再用相加法,将高层语义信息丰富的特征和低层细节信息丰富的特征进行融合;最后将融合后的3层特征分别输入区域候选网络中,经过softmax分类,得到带有行人的候选框,从而实现行人检测的目的。结果 实验结果表明,在Caltech行人检测数据集上,在每幅图像虚警率（FPPI）为10%的条件下,本文算法丢失率仅为57.88%,比最好的模型之一——多尺度卷积神经网络模型（MS-CNN）丢失率（60.95%）降低3.07%。结论 深层的特征具有高语义信息且感受野较大的特点,而浅层的特征具有位置信息且感受野较小的特点,融合两者特征可以达到增强深层特征的效果,让深层的特征具有较为丰富的目标位置信息。融合后的多层特征图具有不同程度的细节和语义信息,对检测不同尺度的行人有较好的效果。所以利用融合后的特征进行行人检测,能够提高行人检测性能。     

基于CKF的特征辅助数据关联多目标跟踪

针对密集杂波环境下的多目标近距跟踪问题,提出了一种基于容积卡尔曼滤波(CKF)和特征辅助数据关联的多目标跟踪算法(FADA-CKF).通过特征信息来对传统量测进行扩维,利用扩维后的量测对关联概率进行修正,将特征信息辅助技术融入到联合概率数据关联中,再利用容积卡尔曼滤波(CKF)处理非线性观测量,对目标状态进行估计.将FADA-CKF算法用于近距多目标跟踪场景中,仿真结果表明,改进算法在跟踪精度和误跟率方面要优于传统的JPDA跟踪算法.     

分层关联的多目标跟踪算法研究

检测跟踪(Tracking by detection)是近年来多目标跟踪领域的一个主要研究方向。遵循检测跟踪框架,提出一种基于分层关联的全局性的数据关联算法。首先利用目标检测器在整个视频上检测目标,得到检测响应;然后利用广义最小团图在视频片段中对检测响应进行数据关联,得到轨迹片段;最后再在整个视频中对轨迹片段进行分层关联,得到最终的轨迹。在公共数据集上的测试结果表明,该算法能够有效地对多个目标进行数据关联,具有较强的处理遮挡能力。     

基于广义关联聚类图的分层关联多目标跟踪

检测跟踪是近期多目标跟踪研究的热点方向之一.目前大部分方法都是基于相邻帧之间的双向匹配,对检测点进行数据融合.本文提出的方法是,给定一个滑动时间窗口,在窗口内对某个目标每帧出现的检测点进行一次性数据融合.我们把多目标跟踪看作图的分割问题,利用广义关联聚类（Generalized correlation clustering problem,GCCP）图优化文中提出的数据融合.吸取分层数据关联的思想,把多目标跟踪分成两个阶段.首先,在时间窗口内遵循检测点,利用广义关联聚类,得到自适应长度的轨迹片段,轨迹片段长度不受窗口宽度的限制.然后,基于轨迹片段进一步数据关联,得到目标的长轨迹.在公共数据集上的实验测试表明,本文方法能够有效地实现多目标跟踪,对于遮挡处理、身份转换处理以及轨迹的生成具有很好的鲁棒性,多目标跟踪准确率（Multiple object tracking accuracy,MOTA）超过当前水平.     

基于交互式自适应概率数据关联的目标跟踪算法

在联合交互式多模型概率数据关联思想的基础上,将自适应滤波算法应用到概率数据关联滤波器中,提出了一种适用于杂波环境机动目标跟踪的新算法-交互式自适应概率数据关联(Interactive Multiple Models Adaptive Probabilistic Data Association-IMM-APDA)算法,避免了模型选取的不确定性,扩大了机动目标的跟踪范围,实现了杂波环境中对目标较高精度的状态估计.理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度.     

杂波下强机动目标跟踪自适应数据关联算法

杂波下的机动目标跟踪的综合概率数据关联(IPDA)算法是在概率数据关联(PDA)算法的思想基础上引入目标存在及可观测概率所形成的.本文进一步通过引入自适应调整因子,提出了针对强机动目标跟踪的自适应IPDA算法(CIPDA),并通过仿真论证,与传统的IPDA相比,CIPDA提高了对强机动目标跟踪的稳定性和精确度.     

基于稀疏表达的多示例学习目标追踪算法

追踪目标在经历较大姿势变化时,会导致追踪目标偏移甚至丢失。为此,提出一种基于稀疏表达的多示例学习目标追踪算法。联合多示例学习与稀疏表达方法,将目标物体的局部稀疏编码作为多示例学习的训练数据,通过学习正负样本的局部稀疏编码获得一个多示例学习的分类器,分类的结果与粒子滤波框架相结合,估计目标在整个视频序列中的运动状态。实验结果表明,该算法稳定性较好,与增量学习追踪算法、范式学习追踪算法和多示例学习追踪算法相比,其中心位置误差率减少30%以上。     

基于深度学习的移动机器人目标跟踪系统

针对当前智能移动机器人在跟踪过程中常因目标发生外观形态上的变化而丢失跟踪目标的问题,利用Caffe深度学习框架和ROS机器人操作系统作为开发平台,设计一个高准确度及高实时性的移动机器人目标跟踪系统并进行了研究.使用对于目标形变、视角、轻微遮挡及光照变化具有鲁棒性的基于孪生卷积神经网络的GOTURN目标跟踪算法,通过ROS系统为桥梁使离线训练的跟踪模型实时应用于TurtleBot移动机器人上,并开展了详细的测试.实验结果表明,该目标跟踪系统不仅设计方案可行,实现了移动机器人在各种复杂场景下有效地跟踪目标,还具有成本低、性能高和易扩展等特点.     

基于mean-shift算法的目标跟踪方法

针对雷达多目标跟踪提出一种基于mean-shift[算法的目标跟踪方法.首次将mean-shift的方法应用于目标的数据关联,找出源于目标的观测值后对其进行Kalman滤波,从而估计出目标运动的轨迹,实现目标跟踪.MST跳出传统思维框架,首次利用概率密度分布的不同来区分服从不同参数分布的数据,从整体上对观测数据进行整合再结合最邻近法完成数据关联,该方法具有计算速度快,跟踪效果好的特点.     

基于深度学习的眼动跟踪数据融合算法

针对传统数据融合算法在多场景下的眼动跟踪数据融合效果较差的问题,提出一种新的基于深度学习的眼动跟踪数据融合算法,即Eye-CNN-BLSTM算法.该算法在原始眼动跟踪数据空间位置信息基础上添加新的人工特征;将卷积神经网络(Convolutional Neural Network,CNN)与双向长短时记忆网络(Bi-di...     

基于深度学习的多船舶目标跟踪与流量统计

研究船舶的目标跟踪对提高水上目标视频图像智能监管的水平有着至关重要的作用,系统通过深度学习SSD模型进行对船舶目标定位检测,使用修正的KCF算法对检测到的船舶目标进行跟踪。把深度学习的方式引入船舶目标检测领域,与传统检测方法相比精准率大大提高,同时提出了一个修正的KCF算法对多船舶目标进行跟踪,较好地解决了目标漏检与重复统计的问题。对大量船舶目标样本进行训练学习后,船舶检测定位精准,检测成功率达到91%以上,船舶跟踪算法快速稳定,检测与跟踪算法达到30帧每秒,船舶目标流量统计准确率达到95%以上,整个系统框架满足实时性的要求。