基于双层粒子滤波和半监督Hough Forests 的多目标跟踪

本文针对单目摄像头、复杂可变背景环境下的多目标跟踪问题,将 tracking-by- detection 方法与粒子滤波相结合,从不稳定的信息源中提取高置信度模型作为观测,在半监督学习框架中实现了动态视频场景中的多个目标跟踪,并设计了一个多目标的维护机制以应对遮挡、背景变化、目标进出场景等可能引起目标混淆的情况.实验证明,本文提出的算法能够稳定跟踪复杂场景中的多个目标,有效区分不同目标,对目标的遮挡、背景干扰等均有良好的处理效果.     

基于混沌粒子滤波的视频目标跟踪

针对复杂场景中目标受光照、自身形变、遮挡等影响,本文以混沌粒子滤波为框架,建立多特征似然模型,进行目标遮挡处理,提出了一种鲁棒性好且抗遮挡性强的混沌粒子滤波跟踪算法.本算法中利用混沌优化搜索优化粒子,很好的克服了退化现象,减少了计算量,在多特征似然模型建立中,对特征选择做了改进,使算法鲁棒性更好,并在算法中添加了遮挡处理.理论数据及实际场景的仿真结果表明,本文提出的算法鲁棒性好且具有较强的抗遮挡能力.     

基于R-FCN框架的多候选关联在线多目标跟踪

在线多目标跟踪是实时视频序列分析的重要前提。针对在线多目标跟踪中目标检测可靠性低、跟踪丢失较多、轨迹不平滑等问题,提出了基于R-FCN网络框架的多候选关联的在线多目标跟踪模型。首先,通过基于R-FCN网络从KF预测结果和检测结果中获取更可靠的候选框,然后利用Siamese网络进行基于外观特征的相似性度量,实现候选与轨迹之间的数据关联,最后通过RANSAC算法优化跟踪轨迹。在人流密集和目标被部分遮挡的复杂场景中,提出的算法具有较高的目标识别和跟踪能力,大幅减少漏检和误检现象,跟踪轨迹更加连续平滑。实验结果表明,在同等条件下,与当前已有的方法对比,本文提出在目标跟踪准确度(MOTA)、丢失轨迹数(ML)和误报次数(FN)等多个性能指标均有较大提升。     

一种基于子空间学习的实时目标跟踪算法

针对当前目标跟踪算法鲁棒性低且运算慢的问题,本文提出了一种基于子空间学习的实时目标跟踪算法。该方法在粒子滤波跟踪框架下,采用增量式PCA子空间学习方法学习一个正交子空间,利用学习到的正交子空间对目标外观进行线性表示;针对目标在遮挡、运动模糊等复杂干扰状态下容易产生跟踪漂移的问题,本文建立了一个将遮挡等复杂因素考虑在内的观测模型和模板更新方案,解决了基于最小均方误差准则的传统观测模型在复杂场景下的跟踪漂移问题。实验结果表明,本文的跟踪方法能够达到很高的跟踪精度,同时也达到了接近实时的跟踪速度。     

基于YOLOv3检测和特征点匹配的多目标跟踪算法

针对传统多目标跟踪算法中行人检测速度慢、易受光照变化、行人快速移动及部分遮挡因素的影响造成行人目标跟踪性能差等问题,提出一种根据经典的Tracking-by-Detection模式,采用深度学习YOLOv3算法检测行人目标,然后利用FAST角点检测算法与BRISK特征点描述算法对相邻帧间的行人目标进行特征点匹配,实现多...     

基于Camshift的多特征自适应融合船舶跟踪算法

基于航道内船舶监控图像序列的多目标跟踪技术是开展船撞主动预警,提升桥区船舶通航安全的前提.基于颜色直方图的Camshift跟踪算法在复杂气象条件下无法得到准确的跟踪结果,本文提出了一种多特征自适应融合的多目标跟踪算法.该算法的目标模型由颜色、形状及纹理多特征自适应融合实现,增加了描述目标模型的可靠性和鲁棒性;在跟踪目标...     

融合空间掩膜预测与点云投影的多目标跟踪

针对自动驾驶目标跟踪领域中,目标遮挡引起特征点损失,从而导致丢失跟踪目标的问题,本文提出了一种融合空间掩膜预测与点云投影的多目标跟踪算法,以减少遮挡产生的不利影响。首先,通过实例分割掩膜提取模型处理时序图像数据,获得基掩膜数据。其次,将获取掩膜数据输入跟踪器,通过预测模型获取后续序列图像掩膜输出,并利用验证器进行对比分析,以获得准确的目标跟踪输出。最后,将获取的二维目标跟踪数据投影到对应的点云图像中,获得最终的三维目标跟踪点云图像。本文在多个数据集上进行仿真实验,实验结果表明本文算法的跟踪效果优于其他同类算法。此外,在实际道路上进行测试,对于车辆的检测精度达到81.63%,验证了本文算法也可以满足实际路况下目标跟踪的实时性需求。     

基于稀疏子空间的卷积神经网络目标跟踪

针对粒子滤波目标跟踪过程中初始化和权值退化的数据处理情况,在粒子滤波框架下提出一种基于稀疏子空间的卷积神经网络目标跟踪算法。以仿生学为基础,在目标跟踪过程中引入稀疏子空间和卷积神经网络。首先,利用稀疏子空间模型筛选出与目标状态相似度较高的候选区域进行后续跟踪处理,减少冗余计算并降低跟踪的复杂性;然后,将稀疏子空间输出用作卷积神经网络的输入,并利用卷积神经网络模型对图像数据处理的优点进行目标跟踪的数据处理;最后,通过对目标数据的不断更新来减少目标表观变化的影响。实验表明,该算法能够更好地处理目标跟踪中的目标遮挡、运动模糊、光流与尺度变化,提高算法的准确性和数据处理能力。     

基于场景平面结构的增强现实方法

提出了一种基于场景平面结构的增强现实方法.首先,选定图像序列中的两帧对目标场景进行局部的三维重建;然后,选择场景中某一平面作为处理和跟踪的对象,通过交互指定该平面内矩形的四个顶点作为虚拟对象的嵌入区域并建立局部参考坐标系,从而实现虚拟对象与三维场景的迅速对齐;最后通过鲁棒的场景平面跟踪算法实现虚拟对象在整个图像序列中的真实感嵌入,完全允许嵌入区域被部分遮挡的情况.真实序列图像的实验结果及对算法的分析验证了方法的有效性和可行性.     

自适应多目标图像跟踪处理系统研究

针对空间多目标跟踪测量,介绍一种应用于武器试验的多目标图像跟踪处理系统。通过分析多目标自适应数字"波门"识别技术的综合预测算法,建立多"波门"系统捕获和跟踪方案,实现对多目标的选择跟踪。同步过程采用高精度数字锁相,增加测量精度。该系统在多目标跟踪测量中具有较广的应用前景。     

基于多机器人自组织协作的多目标跟踪

提出了一种基于局部区域内的机器人和目标密度的多机器人分布式控制算法。运用这种算法,多机器人在跟踪多目标过程中,每个机器人能在每次调整速度和方向之前,根据最新的通讯信息和感知信息,计算通讯范围内相邻机器人和感知范围内移动目标的数量及位置坐标,然后按照所受人工势场(APF)力的合力决定下一次移动的新位置坐标,这个合力乘以一个基于机器人和目标密度的可变加权系数,以适应不同状态,然后按照动力学和运动学方程计算速度及方向。通过仿真实验对该算法进行了验证,实验结果表明,多机器人可以根据多目标的移动进行自主协作跟踪观测,算法的性能优于无可变加权系数的APF法和静态感知节点(SN)法。此方法对于实时监测和目标跟踪具有实际应用意义。     

基于ReInspect算法的多目标追踪

为了提高复杂场景下多目标检测的准确性,提出了一种基于ReInspect算法的对于多个运行目标的检测方法.该算法基于OverFeat算法和Faster R-CNN算法的思想,加入LSTM(long short-term memory)循环网络结构用于记录多个目标的特征序列;通过调整LSTM网络特征标签信息,预处理损失函数...     

基于BELLHOP模型的水下多目标跟踪算法研究

针对高频主动声呐的深海多目标跟踪问题,提出了基于BELLHOP模型的无迹卡尔曼滤波-高斯混合概率假设密度(Unscentesd Kalman Filter-Gaussian Mixture-Probability Hypothesis Density, UKF-GM-PHD)水下多目标跟踪算法。该算法首先利用BELLHOP射线声学模型,计算出本征声线、目标信号的幅度、相位及时延信息,以此构造目标回波信号并叠加高斯白噪声。然后,由回波信号计算得到目标相对于观测站的距离、方位角和俯仰角信息,作为目标跟踪系统中的量测信息。最后利用提出的UKF-GM-PHD多目标跟踪算法,实现高频主动声呐非线性系统的多目标跟踪。仿真结果表明,在深海高频主动声呐条件下,文章提出的UKF-GM-PHD多目标跟踪算法较传统高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density, GM-PHD)方法,明显降低了目标丢失率,并且最优子模式指派统计量(Optimal Sub-Patter Assignment, OSPA)距离也更小,跟踪效果更好。     

目标联合状态类型密度表示的跟踪门技术

大多数传统的跟踪门技术仅使用目标的运动学量测信息,在多目标、多杂波跟踪场景中会导致较大的关联不确定性。考虑到属性传感器可以获取目标的类型信息,提出了基于目标联合状态类型概率密度的跟踪门方法。首先给出目标状态与类型的联合概率密度表示,从而导出以类为条件的跟踪门构建方法。为了适用于实时的非线性跟踪系统,门限的计算采用了基于仿真的算法。场景 1显示如果目标的量测预测密度为偏斜函数时,基于仿真的门限算法可以获得最优的跟踪门;场景 2为地面编队目标的跟踪过程。与使用传统的跟踪门相比,以类为条件的跟踪门技术在很大程度上提高了目标量测到航迹的关联率。     

一种灰度成像扩展目标跟踪方法

灰度图像色彩信息贫乏会导致易陷于局部相似,使跟踪点发生漂移。针对此问题,提出了基于目标成像空间域与特征域分布的改进直方图模式扩展目标跟踪算法。以基于像素位置和像素灰度值的直方图模式作为目标模式;相似度测量采用基于Bhattacharyya系数定义的距离;用均值偏移迭代进行匹配区域搜索;通过建立卡尔曼预测跟踪策略解决目标被遮挡时的跟踪问题。试验结果表明,采用该算法,跟踪点漂移由原来十几个像素的波动减少到仅偶有1个像素的抖动。     

带SSR修正的异步多传感器系统的无味JPDA跟踪

针对杂波环境下多变采样率传感器多目标跟踪问题,考虑到二次雷达(SSR)具有辨别敌我方目标和更精确的高度探测能力,本文提出了一种带SSR修正的异步多传感器系统的无味JPDA跟踪算法.该算法首先通过测量值映射的异步数据处理方法对多传感器数据进行点迹的合成,然后通过二次雷达对敌方目标的高度信息进行自适应修正,最后用无味JPDA算法对按序到来的异步采样量测进行顺序滤波融合.通过蒙特卡洛仿真,表明该算法在提高目标跟踪精度和正确关联概率上是有效的.     

基于随机集理论的多目标跟踪研究进展

基于随机有限集理论的多目标跟踪方法,能够避免数据关联步骤的困扰,能够较好地解决复杂环境中目标数目未知且随时间变化的多目标跟踪问题.本文分析基于数据关联和基于随机集理论的多目标跟踪方法,阐明基于随机集理论的多目标跟踪方法的特点和优点,对目标状态提取、航迹关联、更准确的滤波算法,以及复杂条件下的PHDF算法等关键问题进行总结和评述,并指出该领域今后的研究热点.     

Modified input estimation technique for tracking manoeuvring targets

A new input estimation (IE) model for problems in tracking manoeuvring targets is proposed. The proposed model is constructed by combining the two models of uncertainties, Bayesian and Fisher. The conventional model, which describes targets with manoeuvre, is based on the state vector of target position and velocity. The acceleration is treated as an additive input term in the corresponding state equation. The proposed method is a Kalman filter-based tracking scheme with the IE approach. The proposed model is a special augmentation in the state-space model which considers both the state vector and the unknown input vector as a new augmented state vector. In the proposed scheme, the original state and acceleration vectors are estimated simultaneously with a standard Kalman filter. The proposed tracking algorithm operates in both the non-manoeuvring and the manoeuvring modes and the manoeuvre detection procedure is eliminated. The theoretical development is verified by simulation results, which also contain some examples of tracking typical target manoeuvres. The results are compared with a traditional IE method. A comparison based on the Monte-Carlo simulation is also made to evaluate the performances of the proposed method in three scenarios: low, medium and high manoeuvring target.