采用改进辅助粒子滤波的红外多目标跟踪

结合改进的辅助粒子滤波与马尔科夫随机场,提出一种多目标跟踪算法来跟踪红外场景中的多个目标.依据目标区域的灰度直方图描述目标,使用标准辅助粒子滤波对各目标的采样粒子集进行粗略优化,同时在辅助粒子采样过程中引入Mean-shift算法来提高粒子采样效率,解决多目标跟踪时粒子数量呈指数级增长的问题,并进一步提高算法的实时性.针对多目标跟踪常出现的目标遮挡导致跟踪失败的问题,引入图模型理论,利用马尔科夫随机场来表示多目标跟踪模型,将多目标的跟踪问题转换为图模型的推理问题.实验结果表明,该跟踪算法使用较少粒子便能实现跟踪,跟踪正确率达84％,且能有效解决多目标跟踪时的相互遮挡问题.     

基于非精确图匹配的三维CAD模型局部检索

本文提出一种基于非精确图匹配的三维CAD模型局部匹配方法。该方法首先将三维模型转化为属性邻接图表示;然后计算目标模型与被检索模型的属性邻接图之间顶点相容程度矩阵与边相容程度矩阵,并由此建立顶点匹配矩阵的目标优化函数;最后运用平均场理论求解匹配优化问题。在匹配过程中,充分利用属性邻接图的顶点与边属性信息动态裁剪搜索空间,实现快速的匹配。实验结果表明,该方法能够检索到不同相似程度的三维CAD模型,并且检索效率满足实际要求。     

基于多阶段关联的多目标跟踪算法

针对现有多目标跟踪算法关联过程中,外观和几何信息利用不充分,同时跟踪对象的邻域间信息交互不足的问题,提出了一种基于多阶段关联的多目标跟踪算法,根据目标之间的不同关联状态,将几何信息和外观信息合理应用于不同关联阶段。算法提出了基于正则化距离交并比(DIoU-Mea)的匹配模块,仅利用几何信息快速将强关联目标匹配。同时基于稀疏图网络(GNN)的关联模块对跟踪对象的邻域建模,促进对象之间的信息交换并提高跟踪精度。基于通道注意力融合特征模型和形状交并比的双校验模块(Double-Revise)进一步细化跟踪结果。所提算法利用不同阶段匹配算法的互补优势,在各阶段合理利用外观和几何信息,过滤掉错误的匹配并识别正确的目标对应关系,在MOT17数据集上进行了验证与测试,其高阶跟踪精度(HOTA)在测试集中达到了64.8%,表明算法具有较好的性能,在密集场景下具有较好的鲁棒性。     

基于一致性点漂移的智能车视觉目标跟踪方法

针对智能车未知运动下的多目标跟踪问题,提出一种基于一致性点漂移的视觉多目标跟踪方法。 首先利用一致性点漂 移算法构建智能车未知运动模型,得到局部目标状态变换关系;其次建立一种基于外观相似性和运动一致性的自适应特征融合 函数;最后通过匈牙利算法求解轨迹与检测的对应关系,以实现面向智能车的鲁棒数据关联。 实验结果表明,与现有的 5 种主 流目标跟踪方法对比,所提方法在多个指标方面具有更好的效果,相较于结构约束(SCEA)算法,在 KITTI 数据集中较大运动场 景下,所提方法多目标跟踪准确率提高了 6. 3% ,在实拍实验数据下,所提方法多目标跟踪准确率提高了 7. 3% ,证明该算法能 在智能车未知运动下有效的进行多目标跟踪。     

单对立色流运动下的抠图跟踪

当目标与周围背景相似性较高,且目标运动形式复杂时,很难精确跟踪目标。针对传统目标跟踪方法因目标外观的不精确建模致使模型退化而产生漂移的问题,提出了一种单对立色流特征下的抠图跟踪方法。首先,根据彩色视频帧包含的丰富颜色信息,将单对立色颜色编码方式与Lo G兴趣点检测器结合,获取颜色兴趣点作为目标表示集合;其次,在目标运动预测阶段,通过估计相邻帧兴趣点的流匹配关系,获得预测帧的前景目标兴趣点估计;最后,利用获得的前景兴趣点估计进行抠图,重新划分当前帧的前背景标记,并对模型进行更新。该算法在Segtrack视频跟踪数据集上进行验证,定性定量分析了跟踪目标快速运动,目标形变和光照干扰下的跟踪效果。实验结果表明该算法可有效提高形变目标跟踪的准确性,优于当前目标跟踪的先进算法。     

遮挡环境下基于路侧异源雷达融合的多交通目标鲁棒跟踪方法

多目标跟踪是保障自动驾驶行驶安全与效率的基础,其获取的数据广泛应用于自动驾驶运动规划、驾驶决策等上层应用。传统多目标跟踪方法在遮挡环境下往往存在目标丢失、错位的现象,针对这一问题,本文提出了基于异源雷达融合与遮挡预测模型的鲁棒跟踪方法。首先,基于激光雷达与毫米波雷达的局部观测一致性方程,提出了一种基于多目标运动约束与全局最大匹配的多传感动态自标定算法。其次,针对完全遮挡环境下因观测数据缺失导致的跟踪中断问题,提出了一种基于异构雷达融合无迹卡尔曼滤波与长短期时序神经网络的混合监督目标位置预测方法。通过实验表明,本文提出的方法在完全遮挡环境下可有效补全至少81%断开的多车辆目标轨迹,且相比于最先进的方法,能够实现更为可靠的多交通目标跟踪。     

目标运动轨迹匹配式的红外-可见光视频自动配准

为实现精确的红外-可见光视频序列的自动配准,提出了一种新的基于目标轨迹线匹配的配准方法。首先,利用运动目标检测技术提取目标前景,并由基于相关滤波器(KCF)的多目标跟踪算法对每个前景顶点进行跟踪,进而获取每个目标的运动轨迹。此后,为每条轨迹线建立归一化运动方向描述子与归一化运动幅度描述子,通过时序分析、方向描述子匹配及幅值描述子匹配建立分步约束的匹配机制,完成轨迹线匹配工作。最后,采用迭代更新的方式获取最佳全局配准矩阵,实现对异源视频的配准。在LITIV数据库上的9组视频上进行测试验证,实验的结果表明:本文配准算法的重叠率误差一般小于0.2,接近或已超过手动的Ground-Truth矩阵。通过充分利用目标的运动信息,该算法实现了精确的红外-可见光图像序列配准。     

面向模型局部搜索的最短路径集最优匹配方法

为实现边界表示模型的局部搜索,提出一种将模型属性图局部结构比较问题转化为属性图最短路径集最优匹配问题的方法。为获得属性图的最短路径集,给出一种可以生成两两节点间所有最短路径的算法;为实现查询模型与备选模型对应的最短路径集之间的最优匹配,将离散粒子群优化算法引入模型搜索领域,提出面向最短路径集最优匹配的算法,定义了相应的基本运算规则、适应度函数、终止条件和算法步骤。模型搜索实验结果表明,所提算法可以解决如何获取模型局部结构对应关系和计算局部结构间距离的问题,从而有效地支持模型的局部搜索。     

基于多特征融合的运动目标跟踪方法

采用单一特征描述目标和传统模型更新方法对目标进行跟踪难以适应目标的遮挡、形变以及复杂场景变化等问题。针对此问题,提出一种多特征融合和选择性更新模型的相关滤波器跟踪算法。分别利用方向梯度直方图和颜色特征训练滤波器模型,在检测阶段根据不同特征响应图的峰值旁瓣比和加权融合两种特征;根据每帧最终目标位置响应图的峰值旁瓣比,判断目标是否发生遮挡,发生遮挡时则不更新模型,下一帧中继续使用当前模型进行跟踪。选取公开测试视频集中12段视频序列与多个前沿运动目标跟踪算法进行对比实验,结果显示,相对于次优的基于颜色特征(color names,CN)的算法,平均中心位置误差减少了25.12像素,平均跟踪精度提高了29.31%。实验结果表明,在目标发生尺度变化、遮挡和光照变化等情况下,该算法可以稳定、准确跟踪运动目标。     

基于薄板样条函数的无人机多目标跟踪算法

针对无人机单机载相机运动下的多目标跟踪存在目标位置漂移和状态预测失效等问题,提出了一种基于薄板样条函数的无人机多目标跟踪方法.利用空间变换函数刻画无人机运动,构建无人机运动下的目标状态空间模型,利用外观特征初始化轨迹与量测对应关系,根据初始对应关系并计算薄板样条函数的最小二乘解求解出模型未知参数,进而根据模型预测轨迹运...