基于局部特征匹配的多目标跟踪算法

为解决多目标跟踪过程中因遮挡导致跟踪失败的问题,提出一种基于局部特征匹配的跟踪算法。在卡尔曼滤波跟踪框架下,根据目标数据关联的结果判断目标的状态并进行针对性处理。当目标处于相互遮挡的状态时,利用目标的局部模板在当前帧进行匹配获取目标候选区域,利用改进的距离加权彩色直方图计算候选区域与局部模板的相似度,结合直方图的相似度和卡尔曼预测确定目标的位置。实验结果表明,在满足实时性的要求下,该方法能够有效地处理目标的遮挡问题。     

基于运动一致性的视觉多目标跟踪算法

视觉多目标跟踪模块在主动式车载障碍物检测系统中占据关键地位。然而,现有的视觉多目标跟踪算法多依赖离线计算得到的目标检测结果,并未充分考虑这个阶段耗时对实际应用中跟踪效果的影响。因此,本研究首先针对实际应用环境,设计了一个多线程异步的视觉障碍物检测系统框架;随后,提出了一种多特征融合的视觉多目标跟踪算法,该算法以本研究所提出的基于目标运动向量的运动一致性特征指标为基础,结合目标跟踪研究中常用的外观特征和马氏距离等特征,优化级联匹配策略,旨在提升对具有相似外观特征和运动规律的多个目标的跟踪稳定性,同时保证常规场景下目标的稳定跟踪;最后,将所提出的多目标跟踪算法集成于所设计的障碍物检测系统框架中,通过实验分析来验证该算法的有效性。实验结果表明,该算法能较稳定地跟踪实际应用环境下的各类目标,相比参照算法可达到更长时间稳定跟踪的效果。     

基于深度学习的视觉多目标跟踪算法综述

视觉多目标跟踪是计算机视觉领域的热点问题,然而,场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢.近年来,随着视觉智能处理研究的不断深入,涌现出多种多样的深度学习类视觉多目标跟踪算法.在分析了视觉多目标跟踪面临的挑战和难点基础上,将算法分为基于检测跟踪(Det...     

足球场内球员多目标跟踪算法

为解决足球比赛场内球员的多目标跟踪任务中,因场外人员对跟踪的干扰,球员频繁地运动、互相遮挡,以及摄像镜头复杂地移动等情况,造成的跟踪准确度低、跟踪目标ID(identity)保持能力弱的问题,提出一种适用于足球场内球员跟踪的多目标跟踪数据集和多目标跟踪算法。通过条件生成对抗网络分割出球场区域,筛选出球场内的基于YOLOX框架的目标检测结果;在数据关联阶段,设计一种融合IoU(intersection over union)与欧式距离的代价矩阵进行目标间的相似性度量;利用足球比赛上场人数存在上限的先验条件,弹性约束跟踪目标ID的增长。实验结果表明,针对足球场内球员的跟踪问题,该算法能够在多目标跟踪准确度、跟踪目标ID保持能力上有极大提高。     

CNN-Transformer特征融合多目标跟踪算法

在卷积神经网络（CNN）中,卷积运算能高效地提取目标的局部特征,却难以捕获全局表示;而在视觉Transformer中,注意力机制可以捕获长距离的特征依赖,但会忽略局部特征细节。针对以上问题,提出一种基于CNN-Transformer双分支主干网络进行特征提取和融合的多目标跟踪算法CTMOT(CNN-transformer multi-object tracking)。使用基于CNN和Transformer双分支并行的主干网络分别提取图像的局部和全局特征。使用双向桥接模块（two-way braidge module,TBM）对两种特征进行充分融合。将融合后的特征输入两组并行的解码器进行处理。将解码器输出的检测框和跟踪框进行匹配,完成多目标跟踪任务。在多目标跟踪数据集MOT17、MOT20、KITTI以及UADETRAC上进行评估,CTMOT算法的MOTP和IDs指标在四个数据集上均达到了SOTA效果,MOTA指标分别达到了76.4%、66.3%、92.36%和88.57%,在MOT数据集上与SOTA方法效果相当,在KITTI数据集上达到SOTA效果。由于同时完成目标检测和关联,能够端到...     

协同运动状态估计的多目标跟踪算法

多目标跟踪在视频分析场景中有着广泛的应用,如人机交互、虚拟现实、自动驾驶、视频监控和机器人导航等。多目标跟踪问题可以表示为在已有的检测数据上进行目标轨迹关联,检测算法的准确性对跟踪性能起着关键性的作用。在基于检测的目标跟踪框架中,提出了一种协同运动状态估计的跟踪算法,该算法主要关注相邻帧之间的数据关联,从目标检测、目标运动状态估计和数据关联这3个方面来直接解决多目标跟踪面临的挑战。首先,对于目标检测,采用Multi Scale Convolutional Neural Network(MS-CNN)算法作为检测器,这是因为深度学习在检测的效益上优于传统的机器学习方法;其次,为了更好地预测目标的运动状态和处理目标间的遮挡,针对不同状态的目标采取不同的运动估计方法: 采用核相关滤波来评估处于跟踪状态的目标的运动状态,当目标处于遮挡状态时,采用卡尔曼滤波做运动估计;最后,采用Kuhn-Munkres算法对检测目标和跟踪轨迹做数据关联。通过大量的实验证实了算法的有效性,且实验结果表明算法的准确性很高。     

基于深度学习的多目标跟踪算法研究

多目标跟踪（MOT）是当前计算机视觉领域的重要研究方向,其应用已渗透到各领域,包括交通监控、智能机器人、无人驾驶以及军事等研究领域。本文首先回顾了多目标跟踪算法的基本框架,列出了目前多目标跟踪面临的主要难点,最后结合研究现状分析了各种基于深度学习的多目标跟踪算法的优点和局限性。     

基于时空渐进特征模型的抗遮挡多目标跟踪

针对多目标跟踪过程中存在目标相互遮挡的问题,提出一种基于时空渐进特征模型的抗遮挡多目标跟踪方法.该方法根据目标的关联状态、重叠情况、深度顺序构建遮挡推理模型,在线识别被遮挡目标, 并对其进行基于时空渐进特征模型的目标再检测.首先,利用目标特征模型中的空间位置参数确定搜索区域;然后,计算目标模型与检测响应之间的表观特征相似度,引入一种自适应阈值,并选择相近程度较高的检测响应为候选量测;最后,采用时间特征匹配的方式获得目标真实检测响应,完成多目标跟踪的任务.通过MOT15和MOT17数据集中的实验结果表明,所提出方法能够有效地识别被遮挡目标,可在多种复杂场景下实现相互遮挡目标的鲁棒性跟踪,相对于现有方法具有较高的准确性、精度和轨迹完整性.     

基于检测的多目标跟踪算法综述

多目标跟踪是计算机视觉领域重要的研究课题,在交通监控、自动驾驶以及虚拟现实等领域应用广泛。近年来,随着深度学习的快速发展和目标检测算法精度的不断提升,基于检测的多目标跟踪算法已超越传统跟踪方法,成为当前多目标跟踪算法的主流。文中首先回顾了传统多目标跟踪算法的发展过程,然后介绍了基于检测的两类多目标跟踪算法,即在线多目标跟踪算法及离线多目标跟踪算法,之后将算法在MOT16数据集上的运行结果进行对比分析,并依据两类跟踪算法的优缺点对基于检测的多目标跟踪做出总结与展望。     

基于多信息融合的多目标跟踪方法研究

在线多目标跟踪作为计算机视觉和人工智能方面的一个研究热点,随着深度学习的发展取得了较大的进展。但是依然存在诸如复杂场景跟踪准确度低等亟待解决的问题。针对多目标跟踪研究中存在的行人特征信息较少、跟踪目标被遮挡等问题,提出了一种融合表观信息、轨迹历史信息和目标运动信息的多目标跟踪方法,通过专门设计的双分支网络结构和损失函数使模型在学习时将三种信息相互融合;改进相似性分数计算方法获得更多的特征信息,提取更为鲁棒的特征。多信息融合的多目标跟踪方法在计算方面开销较少,能够在测试时达到实时的效果。并且,通过相关实验验证,基于多信息融合的多目标跟踪方法能够在MOT16数据集上达到很好的性能,可以更好的处理目标遮挡、目标误检及目标丢失等情况。     

遮挡情况下基于特征相关匹配的目标跟踪算法

特征相关匹配是重要的运动目标跟踪方法.目标特征有灰度特征和边缘特征两大类,在遮挡情况下,采用哪种特征进行匹配,要根据目标本身属性来确定.本文先对目标灰度性质做出判断,然后根据灰度单一或是丰富来合理选择边缘相关匹配或者是基于多子块的灰度相关匹配来解决遮挡情况下的刚性目标跟踪问题.其中边缘匹配算法是通过当前边缘与实时更新模板的最优匹配来确定目标的运动位移量.基于多子块的灰度相关匹配算法通过目标的各个具有较明显特征的子块准确判定遮挡区域,利用剩余的未被遮挡的子块参与灰度相关匹配继续跟踪目标.实验结果表明,这种算法是十分有效的.     

基于边缘特征的亚像素相关匹配跟踪算法

基于像素灰度和基于特征的相关匹配跟踪算法跟踪精度不高,只能匹配定位到整像素点。针对该问题,采用相关函数拟合极值法对整像素匹配点进行亚像素定位。设计一种新的实验方法和基于边缘特征的相关匹配跟踪算法。实验结果表明,该算法可以达到0.1级别的亚像素定位精度。     

基于点模式匹配的视频文字跟踪和笔画提取

给出一种在复杂背景下的视频文字跟踪和文字笔画提取方法。用基于Harris角点特征的点模式匹配法跟踪视频序列中静止和运动的文字,以确定文字序列的时间属性,比较了采用图像整体像素匹配和点模式匹配的跟踪精度。用基于多帧融合思想的前景/背景识别算法提取视频文字笔画并作OCR识别。实验结果显示,点模式匹配的跟踪算法比图像整体像素匹配的算法跟踪精度更高,在图像背景复杂、变化快的情况下,基于多帧融合的文字笔画提取方法优于传统的二值化方法。     

基于多传感融合的路面机动目标跟踪

Maneuvering targets tracking is a fundamental task in intelligent vehicle research. This paper focuses on the problem of fusion between radar and image sensors in targets tracking. In order to improve positioning accuracy and narrow down the image working area, a novel method that integrates radar filter with image intensity is proposed to establish an adaptive vision window. A weighted Hausdorff distance is introduced to define the functional relationship between image and model projection, and a modified simulated annealing algorithm is used to find optimum orientation parameter. Furthermore, the global state is estimated, which refers to the distributed data fusion algorithm. Experiment results show that our method is accurate.     

基于联合概率数据关联算法的红外弱小目标跟踪

针对在云天背景下运动的红外弱小目标,从数据关联的角度,利用联合概率数据关联算法实现多个红外弱小目标的跟踪.实验结果表明,在杂波环境下,联合概率数据关联算法可以稳健地跟踪多个红外弱小目标的目标状态,跟踪效果好.     

基于条件对抗网和层次特征融合的目标跟踪

为了解决目标跟踪过程中因运动模糊和低分辨率导致跟踪效果变差的问题,提出一种基于条件对抗网和层次特征融合的目标跟踪算法。使用条件对抗生成网络模型（DeblurGAN-v2）,对输入的低分辨率视频帧去模糊;使用改进型VGG-19网络提取目标候选区域的Conv2、Conv4、Conv6三层特征,将孪生网络提取到的低层结构特征、中层特征与高层语义特征进行融合,以提高特征的表征能力。在目标跟踪评估数据集OTB2015与VOT2018上的实验结果表明,与SiamFC、SiamDW等其他算法相比,该算法具有更高的准确性,能够适应目标遮挡运动模糊、外观变化及背景干扰等复杂情况。相比于SiamFC,改进算法在OTB2015数据集上成功率提升5.5个百分点,在VOT2018数据集上EAO提升16.4个百分点。     

一种改进的特征点匹配局部遮挡目标识别算法

图像的目标识别是图像处理与模式识别领域一个重要的研究方向,它在安全监控、医疗渗断等领域得到了越来越广泛的应用,传统算法能够准确地识别背景简单、无遮挡的目标,然而对于存在局部遮挡的目标常常会出现虚警或漏报．针对这一问题,木文提出了一种改进的基于特征点匹配的目标识别算法．该算法利用harris角点检测对特征点进行初步提取,通过对已得特征点的概率密度的有效性估计来对其进行精准提取,进而实现对局部遮挡的目标的有效识别．实验表明：本文算法实时性较好,能很好的解决局部遮挡的目标识别问题．     

特征融合自适应目标跟踪

经典视觉单目标跟踪方法通常以单特征描述被跟踪的目标。但在实际场景中,目 标因受外界因素如光照或自身变化如形变的影响而发生变化。为了更好地描述目标,首先引入 HOG 特征和 CN 特征,利用传统的特征提取方法,训练得到各自的相关滤波器;然后与各自特 征相关滤波得到各自的响应图;最后采用实际响应与期望响应的差值法求得各自响应图的权重, 将其与各响应图自适应融合得到目标的最终位置,并自适应更新各自的模型。实验选取公共数 据集 OTB2013 的 34 个彩色视频帧序列对不同算法进行定性和定量地分析和论证。相比效果最 好的 DSST 算法,平均中心误差减少了 7.8 像素,成功率提高了 1.2%,精度提高了 2.3%。实验 结果表明该算法具有较好的跟踪鲁棒性和准确性。     

一种基于改进CAMshift的多特征跟踪算法

针对传统CAMshift跟踪算法在复杂环境中跟踪效果不理想的问题,论文提出融入基于纹理特征的SURF算法与改进CAMshift算法形成多特征融合跟踪算法。通过基于色调分量H和饱和度分量S联合生成目标直方图模板,利用完整的目标颜色信息特征增强算法对复杂环境的适应能力。为进一步提高算法的鲁棒性,利用SURF算法实现跟踪目标的重定位,克服了复杂环境下丢失目标后跟踪问题。实验证明,论文提出的多特征融合算法在保持理想的鲁棒性和准确性的同时,也提高了跟踪的实时性。