基于蛙眼R3细胞感受野模型的运动滤波方法

视觉感受野(Visual receptive field)模型作为生物视觉感知计算的基础单元,在整个生物视觉信息加工过程中发挥着重要作用.借鉴具有运动视觉特长的生物感受野特性研究高效的运动视觉计算技术,是一种潜在可行的方法.本文基于蛙眼R3细胞感受野,在高斯差分模型(Difference of Gaussians, DOG)的基础上引入时间和空间各向异性的运动视觉表达方式, 提出一种基于蛙眼R3细胞的不对称各向异性感受野(Asymmetric anisotropy receptive field, AARF)模型,表达蛙类视觉系统对运动目标敏感的视觉时空特征.基于该运动视觉模型,进一步提出了一种面向序列图像运动目标分析的蛙眼时空运动滤波算子(Frog-based spatio-temporal motion filter, FSTMF),以实现运动目标准确检测与分析.实验结果表明,该方法具有使序列图像背景模糊、动态目标突显的滤波效果,既符合蛙眼视觉背景模糊而前景清晰的特性,也为下一步运动目标的准确检测实现了高效的预处理.     

基于视觉显著性的均值漂移跟踪算法

为解决突变运动下的目标跟踪问题,提出了一种基于视觉显著性的均值漂移跟踪算法,将视觉注意机制运用到均值漂移跟踪框架中,利用时空显著性算法对视频序列进行检测,生成视觉显著图,从视觉显著图对应的显著性区域中建立目标的颜色特征表示模型来实现运动目标跟踪.实验结果表明:该算法在摄像机摇晃等动态场景下可以较准确检测出时空均显著的目标,有效克服了在运动目标发生丢失和遮挡等情况下跟踪不稳定的问题,具有较强的鲁棒性,从而实现复杂场景下目标较准确的跟踪.     

基于视觉显著性的两阶段采样突变目标跟踪算法

针对运动突变目标视觉跟踪问题,提出一种基于视觉显著性的两阶段采样跟踪算法.首先,将视觉显著性信息引入到Wang-Landau蒙特卡罗（Wang-Landau Monte Carlo,WLMC）跟踪算法中,设计了结合显著性先验的接受函数,利用子区域的显著性值来引导马尔可夫链的构造,通过增大目标出现区粒子的接受概率,提高采样效率;其次,针对运动序列中平滑与突变运动共存的特点,建立两阶段采样模型.其中第一阶段对目标当前运动类型进行判定,第二阶段则根据判定结果采用相应算法.突变运动采用基于视觉显著性的WLMC算法,平滑运动采用双链马尔可夫链蒙特卡罗（Marko chain Monte Carlo,MCMC）算法,以此完成目标跟踪,提高算法的鲁棒性.该算法既避免了目标在平滑运动时全局采样导致精度下降的缺点,又能在目标发生运动突变时有效捕获目标.实验结果表明,该算法不仅能有效处理运动突变目标的跟踪问题,在典型图像序列上也具有良好的鲁棒性.     

扩展2维环境中的移动机器人多人体目标跟踪

移动机器人如何自主实现人体目标的检测与跟踪是服务机器人研究领域中的关键问题之一.在深入分析单目视觉和激光测距特性的基础上.文章首先针对室内场景进行扩展2维环境建模研究,并提出在该环境下的人体目标分段模型构建与自主辨识方法.为了有效实现对多个人体目标的同时跟踪,本文提出了一种基于非恒速运动模型和卡尔曼滤波对多人体目标进行有效匹配与跟踪的方法.实验表明本文所提方法能有效的克服目标旋转、部分遮挡和重叠以及光线明暗变化给人体目标跟踪带来的影响,具有较好的鲁棒性和实用性.     

基于三维模型的交通场景视觉监控

视觉监控是计算机视觉研究的前沿方向.动态场景视觉监控就是利用计算机视觉和人工智能的理论和方法.通过对摄像机拍录的图像序列进行自动分析来对场景中的运动物体进行定位、跟踪和识别,并对物体的运动行为作出判断或者解释,达到监控的目的.本文结合交通场景监控这一特定任务,实现一个包括摄像机标定、模型可视化、运动车辆的姿态优化与定位、跟踪预测、基于轨迹分析的行为理解等功能算法的交通场景视觉监控系统.从算法和实现的角度出发，文章对系统中各个功能模块进行了较为详细的描述与讨论.     

融合跟踪器:融合图像特征和事件特征的单目标跟踪框架

目标跟踪是计算机视觉领域的一项基本研究问题。作为主流目标跟踪方法传感器，传统相机可以提供丰富的场景信息。但是由于受到采样原理的限制，传统相机在极端光照条件下会出现过曝光或欠曝光的问题，且在高速运动场景中存在运动模糊的现象。而事件相机是一种仿生传感器，它能够感知光照强度变化输出事件流，具有高动态范围、高时间分辨率等优点，但难以捕捉静态目标。受传统相机和事件相机的特性启发，提出了一种双模态融合的单目标跟踪方法，称为融合跟踪器(Fusion Tracker)。该方法通过特征增强的方式自适应地融合来自传统相机和事件相机数据中的视觉线索，同时设计一种基于注意力机制的特征匹配网络，将模板帧的目标线索与搜索帧相匹配，建立长期特征关联，使跟踪器关注目标信息。融合跟踪器可以解决特征匹配过程中相关性运算导致的语义丢失问题，提升目标跟踪的性能。在两个公开数据集上的实验展示了所提方法的优越性，并且通过消融实验验证了融合跟踪器中关键部分的有效性。融合跟踪器可以有效提升在复杂场景中目标跟踪任务的鲁棒性，为下游应用提供可靠的跟踪结果。     

一种面向停车场场景的运动目标检测与跟踪方法

针对采用固定相机的停车场场景监控视频中可能出现运动目标较长时间停留的情况,提出一种帧间差(Frame difference)和运行期均值(Running average)相结合的运动目标检测方法,然后在卡尔曼滤波以及运动目标直方图和轮廓信息的辅助下实现运动目标的跟踪.实验结果表明,该方法可以在满足实时监控的需求下较好的检测与跟踪停车场场景中的运动目标.     

基于DST-PCR5多目标自适应视觉跟踪方法

复杂场景下实现快速稳定地自适应跟踪是视觉领域亟需解决的课题之一, 利用目标的多特征信息进行高效融合是提升跟踪算法鲁棒性能的重要途径。本文首先基于DST(Dempster-Shafer Theory)和PCR5(Proportional Conflict Redistribution No.5)设计一种新的合并策略融合运动目标的颜色和纹理特征,其次在粒子滤波框架下建立复杂场景下的多目标自适应跟踪模型,最终实现了复杂场景下多特征信息融合的自适应视觉跟踪。实验结果及性能分析表明,该方法在不良的跟踪条件下,高冲突证据的自适应处理能力得到明显改善,有效提高了粒子的使用效率和跟踪的鲁棒性,可以较好实现复杂场景下准确、稳定地多目标跟踪。     

基于Co-Training的协同目标跟踪

运动目标跟踪是计算机视觉的核心问题之一,广泛应用于诸多领域。该文提出一种基于Co—Training半监督学习框架的目标跟踪方法。该方法融合2种互相独立的特征信息来描述目标模型,采用Co—Training来协同更新模型,有效避免了现有方法的误差累积问胚。实验结果证明,该方法在复杂场景下仍能实现稳定有效的跟踪。     

改进视觉背景提取模型的运动目标检测算法

针对视觉背景提取模型对动态场景适应性不强、运动目标检测精度低等问题,提出一种改进的视觉背景模型算法.在模型建立与初始化阶段,采用按序抽取的方法将像素点本身信息加入到背景模型中,形成邻域背景模型,降低复杂场景对模型的影响;在前景检测阶段,结合像素点的空间邻域信息自适应地获取分割阈值,减少各类复杂场景对检测结果的干扰,提高运动目标检测的精度;在背景更新阶段,根据场景复杂度动态地调整模型的更新周期与更新方式,使得模型能够有效地消除虚影与背景噪声的影响,增强模型对复杂场景的适应性与鲁棒性.与典型算法进行对比的实验结果表明,该算法具备较高的检测精度,适用于动态场景中的运动目标检测.     

基于数据关联矩阵的多目标跟踪算法

针对视频中的多目标跟踪问题,提出一种改进的基于数据关联矩阵的多目标跟踪算法,实现视频场景复杂环境下的多个目标跟踪。使用区间分布模型获取图像的背景和前景,对前景目标建立相应的运动模型。根据运动模型和Kalman滤波器的位置预测,建立相关的匹配代价函数、关联矩阵和匹配链表。实验结果表明,该算法对目标在场景中的频繁出现和消失、交叉运动和短暂遮挡等均有较好的处理效果。     

改进的KCF算法在车辆跟踪中的应用

针对核相关滤波算法(KCF)在复杂道路场景下难以应对因车辆尺度变化,遮挡及旋转而不能继续跟踪的问题,提出了一种新的跟踪方法来更好地实现复杂道路场景下的车辆跟踪。该方法借鉴快速分类尺度空间跟踪器(fDDST),采用一维尺度相关滤波器进行尺度估计。同时融合Kalman滤波器形成预测-跟踪-校准的跟踪机制。该机制结合遮挡处理能够保证系统在目标被严重遮挡时跟踪的准确性。在模型更新方面,在目标被遮挡时,自适应的调节学习率参数,及时纠正模型偏移、特征丢失等问题。实验结果表明,在复杂道路场景下车辆旋转 、遮挡及尺度变化时,均能有效地跟踪目标车辆,且具有良好的鲁棒性。     

基于光照自适应动态一致性的无人机目标跟踪

无人机跟踪任务经常面临各种光线变化场景,然而无人机跟踪方法主要在光线充足下实现鲁棒跟踪。提出一种具有光照自适应性和跨帧语义感知动态一致性评估的无人机跟踪方法,实现光线不足下的无人机目标跟踪。首先构建光照自适应模块对昏暗场景进行识别,对视频图像的光照强度进行补偿;其次构建目标模板训练具有目标感知能力的滤波器进行相关运算,并利用跨帧之间的响应信息进行一致性评估;最后构建动态约束策略并对响应差异进行约束,使跟踪器保持时间平滑。在UAVDark135和UAV123数据集上,与9种先进算法进行对比实验,结果表明该算法具有较好的跟踪性能。     

结合背景空间信息的相关滤波目标跟踪算法研究

目标检测跟踪算法在智能监控和人机交互中有着广泛的应用,而复杂场景下的跟踪技术研究在计算机视觉领域中具有重要的理论意义和商业价值。为解决复杂场景(光照变化、尺度变化、遮挡等)中由于主客观因素变化所导致的目标漂移问题,采集目标区域相邻的背景图像块来获得更多的背景特征,并将背景图像块添加到目标函数中来实现对目标图像块的限制。将结合了背景空间信息的方法集成到相关滤波器框架上,在现有公开数据集上进行实验。实验结果表明,在一些复杂场景下的跟踪效果得到了改善和提高,能够在不影响帧率的情况下,有效提高目标跟踪的成功率和准确性,优于其他相关滤波跟踪器。     

基于IR-UWB雷达的多视角融合动态目标追踪

近年来,对运动目标的定位和追踪被广泛地应用于室内导航、智能家居、安防监控和智慧医疗等场景.基于无线射频信号的非接触式定位追踪受到了研究人员的广泛关注,其中基于商用IR-UWB的技术能够以较低的成本和功耗实现目标定位和追踪的功能,具有较强的发展潜力.然而,现有工作大多存在以下问题:1)追踪场景受限,只针对理想情况下室外或者相对空旷的室内场景进行建模和处理; 2)目标的运动状态受限且建模过于理想; 3)虚假动态目标引起的追踪精度不足.为了解决这些问题,在理解多径场景下接收信号谱组成的基础上,提出一个基于IR-UWB的动态目标追踪方法.首先提取原始信号谱中动态成分,并利用基于高斯模糊的多径消除和距离提取算法,消除了多径干扰,仅保留与运动目标直接相关的一次反射信息,从而准确地获取了目标的距离变化曲线.随后,提出多视角融合算法,将不同视角上的设备距离信息进行融合,实现对自由活动目标的准确定位和追踪.此外,还搭建一个基于低成本商用IR-UWB雷达的实时动态目标追踪系统.真实室内家居场景中的实验结果表明,系统估计的人体中心的位置与真实运动轨迹的误差始终小于20 cm.在改变实验环境、实验者、活动速度...     

基于上下文感知与自适应响应融合的相关滤波跟踪算法

针对当前相关滤波跟踪算法在抗背景干扰、响应融合方式以及模型更新策略上的不足,提出一种基于上下文感知与自适应响应融合的相关滤波跟踪算法.通过引入上下文感知技术,提高算法在背景杂波及遮挡等跟踪场景下的鲁棒性;通过研究HOG特征和颜色直方图特征二者响应图和响应值的特点,提出一种自适应响应融合方法,提升融合响应图的可靠性;在模型更新方面,采用了高置信度模型更新策略来减轻传统模型更新策略中模型污染及跟踪漂移的问题.实验结果表明,本文算法在OTB50数据集上达到了74.7%的跟踪精度,跟踪成功率为54.8%,均优于对比的主流相关滤波跟踪算法,并且在背景杂波、光照变化、遮挡、运动模糊等复杂跟踪场景中具有较好的跟踪精度与鲁棒性.     

基于稀疏帧检测的交通目标跟踪

为了获取高速公路交通视频中目标车辆的行驶轨迹,提出一种基于视频的多目标车辆跟踪及实时轨迹分布算法,为交通管理系统和交通决策提供目标车辆交通信息.首先,使用YOLOv4算法检测目标车辆位置及置信度.其次,在不同场景条件下,使用提出的基于稀疏帧检测的跟踪方法,结合KCF跟踪算法,将车辆数据进行关联获取完整轨迹.最后,用车辆分布图和交通场景俯视图显示轨迹,便于交通管理与分析.实验结果表明,提出的跟踪方法在车辆跟踪中有较高的跟踪正确率,同时基于稀疏帧检测的跟踪方法处理速度也较快,实时轨迹分布正确反映了真实场景的车道信息以及目标车辆运动信息.     

Tracking pedestrians using local spatio-temporal motion patterns in extremely crowded scenes

Tracking pedestrians is a vital component of many computer vision applications, including surveillance, scene understanding, and behavior analysis. Videos of crowded scenes present significant challenges to tracking due to the large number of pedestrians and the frequent partial occlusions that they produce. The movement of each pedestrian, however, contributes to the overall crowd motion (i.e., the collective motions of the scene's constituents over the entire video) that exhibits an underlying spatially and temporally varying structured pattern. In this paper, we present a novel Bayesian framework for tracking pedestrians in videos of crowded scenes using a space-time model of the crowd motion. We represent the crowd motion with a collection of hidden Markov models trained on local spatio-temporal motion patterns, i.e., the motion patterns exhibited by pedestrians as they move through local space-time regions of the video. Using this unique representation, we predict the next local spatio-temporal motion pattern a tracked pedestrian will exhibit based on the observed frames of the video. We then use this prediction as a prior for tracking the movement of an individual in videos of extremely crowded scenes. We show that our approach of leveraging the crowd motion enables tracking in videos of complex scenes that present unique difficulty to other approaches.     

基于颜色-纹理特征的目标跟踪

针对传统的基于颜色特征目标跟踪算法在一些复杂场景中存在的跟踪不稳定性,提出一种基于颜色 纹理特征的目标跟踪算法;在传统的基于颜色Mean shift的目标跟踪算法中加入纹理特征,在提取目标颜色特征的同时提取目标的纹理特征,并且采取串接原则,在搜索目标新位置时仍然沿用传统的基于颜色的均值漂移跟踪算法,但在每一次迭代过程搜寻目标最佳的位置点即特征相似最大的区域时,利用纹理特征来实现,并且采用八邻域搜索法（候选区域周围扩大八个大小相等的区域）来解决部分遮挡的问题。通过对比实验表明,该算法在复杂场景中表现出的实时性和鲁棒性较好。关键词：     

加权间隔结构化支持向量机目标跟踪算法

目的 目标在跟踪过程中,各种因素的干扰使得跟踪结果存在不确定性。因此,将跟踪过程中所提取样本的可靠性融入跟踪模型中,有助于克服低可靠性样本对跟踪算法的影响。为此,基于最近的结构化支持向量机（SSVM）跟踪算法,提出一种包含样本置信度的加权间隔结构化支持向量机跟踪模型（WMSSVM）,以增强SSVM跟踪算法性能。方法 首先,基于打分和位置重合率估计样本可靠性;其次,建立WMSSVM模型处理具有不同置信度的跟踪样本训练问题,并采用对偶坐标下降优化算法求解跟踪模型。结果 在包含100个视频的OTB100跟踪数据集上进行测试,提出的WMSSVM跟踪器与基准跟踪器Scale-DLSSVM相比,在精准度和成功率两个指标上分别提高了1%和2%。与最近的跟踪算法相比,提出的方法也表现出更好的性能。结论 本文首次将样本的可靠性融入结构化支持向量机跟踪模型,并提出一种基于加权间隔的结构化支持向量机跟踪模型及其优化求解方法,在包含100个视频序列的跟踪数据集上验证了提出方法的有效性,本文提出的算法能够适应复杂场景下的跟踪任务,并在背景混杂、目标形变、遮挡、运动模糊、目标出界、快速位移等类别的视频中表现出优异的性能。