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。     

基于卡尔曼滤波的多目标跟踪方法

针对视频多目标跟踪中由于目标间的遮挡、交错或目标漂移而导致跟踪失败的情况,提出一种基于卡尔曼滤波以及空间颜色直方图的遮挡预测跟踪算法。利用空间颜色直方图对目标进行建模,可以对不同目标进行区分进而在目标之间出现交错或目标漂移时仍能跟踪到目标。通过卡尔曼滤波算法可以 预测 目标的状态,对预测位置之间存在交错的目标进行遮挡标记,以便在下一帧中仍然可以跟踪到被遮挡的目标。采用2D MOT 2015数据集进行实验,跟踪的平均精度达到了34.1%。实验结果表明,所提方法对多目标跟踪的效果有所提高。     

运动像机下基于粒子滤波的多目标跟踪算法

针对摄像机运动情况下的多目标跟踪问题,提出了基于粒子滤波的跟踪算法.在粒子滤波算法基础上,将二阶自回归过程作为系统状态转移模型,HSV颜色直方图作为观测模型,对视频中多个目标的位置、大小进行跟踪.实验结果表明,该算法能实时正确地跟踪多个目标,并对局部遮挡有较好的鲁棒性,也能在目标短暂消失导致跟踪失败后,在目标重新出现后及时捕获并继续进行跟踪.     

一种新的行人多目标跟踪算法

基于TBD(track by detection)框架,使用YOLO网络训练并优化得到了较好的行人检测器,提出一种匹配网络进行多目标的匹配,得到一个准确率较高的行人多目标跟踪框架。为解决行人多目标跟踪中误匹配、目标丢失等问题,提出对于跟踪轨迹模板更新的策略以及对于计算的优化。在MOT数据集上的实验证明,该算法在行人多目标跟踪中取得了较高的准确率,其他多项指标也都达到了较高的水平。     

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。     

一种基于彩色边缘综合特征的图像检索算法

图像特征的提取与表达是基于内容的图像检索技术基础。边缘是重要的视觉感知信息,也是图像最基本的特征之一,其在图像分析和理解中有重要价值。文中以视觉重要的图像边缘轮廓为基础,提出一种基于彩色边缘综合特征的图像检索算法。该算法首先利用Canny检测算子提取出原始图像的彩色边缘轮廓。然后构造出能全面反映边缘轮廓内容的3种直方图,即加权颜色直方图、角度直方图和梯度方向直方图。最后综合利用上述3种彩色边缘直方图计算图像间的内容相似度,并进行彩色图像检索。仿真实验表明,该算法能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率。     

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。     

一种基于检测的实时在线多目标跟踪方法

针对当前多目标跟踪算法模型复杂、实时性较差的情况,提出一种基于检测的实时在线多目标跟踪方法。该方法首先利用检测器检测视频中的目标,得到检测框,后经卡尔曼滤波器利用检测框进行估计,去掉噪声影响,得到预测目标位置坐标及运动等信息。使用GIoU作为距离度量,计算预测框和检测框之间重叠问题,继而生成相似度矩阵。最后采用匈牙利算法解决线性指派问题,实现多目标之间的数据关联。实验结果表明,该方法能够良好地实现实时在线的多目标跟踪。     

一种改进的夜间行人检测算法

针对夜间动态背景下的行人检测中分割算法受光照条件影响大、误识别多等问题,提出双阈值分割算法和以多目标跟踪为核心的算法框架。新的分割算法解决了行人亮度分布不均时的分割问题,同时在新的框架下可以综合多帧的处理结果进行综合判断,通过将基于支持向量机的识别算法和多目标跟踪算法的融合,降低了系统的计算量,且比一般的系统具有更高的识别率。     

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。     

基于多特征融合的粒子滤波多目标跟踪算法研究

目前,应用于多目标跟踪的BPF算法仍不能很好解决跟踪过程中出现的相似干扰、目标交叉、短时部分遮挡等问题,且在跟踪过程中,粒子集的分配也对整个跟踪存在不良影响。对此,提出一种基于HOG+Adaboost检测和混合粒子滤波(MPF)相结合,并在跟踪过程中为每个新目标相互独立地分配新的粒子集,采用分块—积分直方图和LBP特征相融合作为目标的观测模型的算法。实验结果证明,该算法在实现多目标跟踪的基础上,很好地解决了上述问题,提高了多目标跟踪的鲁棒性。     

混合Boost算法实现的行人检测技术

传统AdaBoost存在一定的局限,比如训练分类器时对训练样本自身所带的噪声过于敏感,产生的分类器泛化能力不强和导致分类器过拟化问题,在训练分类器时只能静态分配分类器权重而不能自适应地对每个训练样本动态调整权重等问题。提出一种基于SBoost算法和PBoost算法,引入样本权重调节器、非平衡的样本采样、误差纠偏方法来检测潜在的样本。模拟实验表明:改进后的技术有效的提高了分类器的精确度且防止过拟化问题。     

基于Hough森林的多特征快速行人检测

为了快速检测行人,根据人体头顶特性快速找出头顶候选点,依此为基点利用边缘检测算法提取目标轮廓,将其作为待测区域;然后利用改进的颜色自相似特征、结合区域边缘直方图和一致模式LBP26,1特征,在Hough森林分类器上进行分类检测。实验结果表明,该算法在检测正确率及速率方面都得到了提高,对于复杂动态场景、遮挡现象以及目标自身形变具有较强的鲁棒性和较高的准确性,在多种行人数据集中测试取得良好的效果。     

一种基于Leap Motion的非参数RDP检测算法

随着计算机软硬件技术的进步和应用的普及,人机交互技术在博物馆领域中扮演着越来越重要的角色,并且受到了学术界和产业界的高度重视。尤其是Leap Motion体感控制器的出现,使人机交互的应用范围更加广泛与成熟,操作者可以通过非接触式的方式对设备进行操作,而无需使用触控屏、鼠标、键盘等外部设备,令人机交互方式更加友好、便捷。为了提高手势识别的准确性与实用性,提出一种基于Leap Motion的非参数RDP检测算法应用在手势识别中,并与Ramer-Douglas-Peucker(RDP)算法进行比较。实验证明使用非参数RDP检测算法可以有效地识别手势并且具有很好的自适应性。     

基于三维模型的行人徘徊行为检测算法

针对不同应用场景给出了不同的徘徊定义,并提出一种基于三维模型的行人徘徊行为检测算法。该方法利用融合前景检测和行人检测的方法获取目标,并利用摄像机标定信息和图像信息建立目标的三维模型。针对传统算法无法获取目标真实轨迹的问题,利用三维模型对分块目标跟踪方法进行改进,以提取目标的真实运动轨迹。根据不同的应用场景对目标轨迹进行分析,判断目标是否有徘徊行为。实验结果表明,该方法能够获得较为准确的目标三维模型,得到目标的真实运动轨迹,从而鲁棒地、快速地检测目标的徘徊行为。     

基于运动标签的异常行为检测算法

针对视频监控中异常行为检测的问题,提出了一种基于运动标签的检测算法。通过对视频结构语义的分析,针对像素块的运动标签在时间维度和空间维度的分布关系,定义五种低维度的行为特征描述符作为视频中行为特征的表示。将这些提取的行为特征作为SVM分类器的输入,训练和建立了基于运动标签的异常行为检测模型。实验表明,该算法与同类算法相比,取得了更好的检测效果。     

基于可变形部件模型的粒子滤波快速行人检测与跟踪

针对视频中的行人检测和跟踪问题,提出一种基于可变形部件模型的快速行人检测、改进粒子滤波的行人跟踪算法。在行人检测阶段,为了改善非刚体行人的检测精度,采用了混合多尺度可变形部件模型;同时为了加速行人底层特征的计算,采用了基于预测算法的快速特征金字塔计算行人特征,代替传统的计算图像特征金字塔的每一个尺度特征。在行人跟踪阶段,采用时变的状态空间模型和基于颜色梯度直方图的观测模型对检测到的行人进行跟踪。实验证明,改进的行人检测算法可以在性能损失忽略不计的条件下,大大提高检测速度,并且相对于传统的行人跟踪,改进的粒子滤波算法对行人这一非刚性目标能实现较好的跟踪。     

基于多特征级联筛查的在线boosting快速跟踪算法

传统基于Haar-like特征的在线boosting跟踪算法(HBT)采用局部穷举搜索目标的方式,不能很好地应对运动速度较快的目标以及目标被完全遮挡的情形。当目标状态和周围背景发生变化时,传统HBT算法会产生累积错误。对此系统进行改进,提出一种基于多特征级联筛查的在线boosting快速跟踪算法:将每帧视频网格化,依次根据目标运动方式、网格方差、目标模型、颜色分布以及重叠情况等多种特征级联筛选出有可能成为目标的网格。将这些候选网格交给boosting分类器得到最终的置信度,从而得到目标位置信息,实现快速的在线目标跟踪。用朴素贝叶斯分类器代替简单的阈值分类器,提高算法的准确性。实验结果表明,所提出的方法在鲁棒性、准确性和实时性上都有很大提升。     

基于行人与车辆关系模型的行人检测

针对在交通场景下的行人,考虑到绝大多数交通场景中车辆与行人同时存在,提出一种在对背景图像进行初步行人检测的同时对车辆进行检测的方法,建立一种行人与车辆关系模型。以车辆位置作为辅助检测基础,引入真假阳性检验用以排除出现在不可能区域的行人并介绍了具体方法。该方法首先对行人、车辆、行人与车辆关系特征进行定义并建模形成与其有关的函数关系,然后推导得到适用于支持向量机的标准形式,最后通过支持向量机回归法训练分类器进行分类识别。现场实测结果表明,此种方法大大降低了误检率,对不同分辨率图片中的行人均有较好的识别效果。