具有身份标识的多目标跟踪

针对多目标跟踪,运动目标身份标号在目标发生遮挡、交错时容易混淆的问题,提出一种基于颜色特征信息的多目标跟踪算法。即在目标跟踪过程中,充分利用背景减除法所获取的前景团块区域,对其进行有效分类,如噪声区域、单目标区域和多目标区域,根据分类情况采用不同的处理机制。算法利用修正时间印机制处理噪声区域,利用Kalman预测处理快速运动,利用均值移动算法处理目标标识混淆问题。通过多组实验可以看出,新算法处理速度达到30帧/s、实时性能好,具有很强地抑制背景干扰、目标长时间跟踪的特性。     

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。     

融合YOLO检测的多目标跟踪算法

针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。     

融合SPA遮挡分割的多目标跟踪方法

复杂环境下的多目标视频跟踪是计算机视觉领域的一个难点,有效处理目标间遮挡是解决多目标跟踪问题的关键。将运动分割方法引入目标跟踪领域,提出一种融合骨架点指派(SPA)遮挡分割的多目标跟踪方法。由底层光流信息得到骨架点,并估计骨架点遮挡状态;综合使用目标外观、运动、颜色信息等高级语义信息,将骨架点指派给各个目标;最后以骨架点为核,对运动前景密集分类,得到准确的目标前景像素;在粒子滤波器跟踪框架下,使用概率外观模型进行多目标跟踪。在PETS2009数据集上的实验结果表明,文中方法能够改进现有多目标跟踪方法对目标间交互适应性较差的缺点,更好地处理动态遮挡问题。     

基于MSPF的实时监控多目标跟踪算法研究

近年来,实时监控下多目标跟踪作为智能交通系统(Intelligent transportation system,ITS)的重要组成部分受到关注.传统多目标跟踪方法通常具有处理速度慢、容易对交叉行进车辆产生误匹配等问题.本文首先对基于贝叶斯规则的车辆视频复杂背景的建模及运动目标的检测进行研究,在此基础上提出一种基于Meanshift粒子滤波(Mean shift particle filter,MSPF)的多目标跟踪算法,首先对每一目标车辆在下一帧可能出现的范围进行预测,对单目标和多目标情况采用不同的检测策略,避免了全局搜索,提高了跟踪速度;通过构造基于最新观测信息的重要性密度函数,提高了MSPF算法在复杂背景情况下追踪部分遮挡及交叉车辆的准确性和鲁棒性.仿真实验结果验证了所提出算法的有效性.     

视频序列中面向人的多目标跟踪算法

针对视频序列中人的跟踪问题,提出一种基于运动检测的多目标跟踪算法．跟踪系统由运动目标检测、关联矩阵建立、特殊情况判断及处理以及轨迹关联4部分构成．提出一种基于改进的c-均值聚类的自适应运动分割方法;不同情况下建立不同的关联矩阵,以准确判断实际场景状况;对遮挡问题作出处理,在两个目标遮挡不严重的情况下,分别采用均值漂移算法对其进行跟踪．实验结果表明,该算法具有较强的鲁棒性,能有效实现复杂场景下多目标跟踪．     

基于AdaBoost和RVM的实时多目标跟踪

提出了基于AdaBoost检测和相关向量机回归预测的多目标跟踪算法——AdaBoost-RVM算法,该算法可以处理目标数可变的多目标跟踪问题。训练一个AdaBoost检测器,用于识别目标,间隔一定帧数检测场景中出现的所有目标,并与已跟踪目标的HSV空间直方图和HOG特征进行匹配,以确定目标为消失、重现或新目标出现,对新目标构建样本集,采用RVM训练得到用于预测的相关向量。另外,缩小样本特征维度从而缩短了训练和预测时间,采用卡曼滤波对预测值进行修正,提高了跟踪精度和稳定性。将其应用于行人和汽车的跟踪,实验结果表明,该算法能有效地处理跟踪过程中的目标数变化、目标遮挡等问题,实现多目标的实时跟踪。     

精子多目标跟踪的抗遮挡算法的研究与实现

为解决计算机辅助精液分析(CASA)系统中原版精子多目标跟踪算法在精子被白细胞或其它精子遮挡时,会产生检测失败和跟踪错误等问题,提出一种改进的抗遮挡算法。根据精子目标的面积和形态特征,判定遮挡的类型和发生期间,利用Kalman滤波对白细胞遮挡的精子进行虚拟定位跟踪,对精子互相遮挡的目标保持特征信息跟踪,在遮挡结束时重新匹配找回目标。实验结果表明,改进的算法能够成功跟踪到遮挡情况下的精子目标运动轨迹,提高了精子多目标跟踪算法的准确性和鲁棒性。     

一种融合多特征与子快的抗遮挡算法

为解决复杂情况下运动目标的检测问题,本文提出一种基于多特征融合和新子块分割的算法。该算法通过综合目标的颜色和纹理特征加强对目标的跟踪,并通过新的子块分割完成对不同子块的权值赋予,对发生遮挡时不同区域进行差别处理。同时在发生完全遮挡时还采用kalman滤波模型对轨迹进行预测,获得运动目标信息并更新。实验结果表明:该算法能够较好的完成遮挡情况下的目标跟踪。     

一种融合多特征与子快的抗遮挡算法

为解决复杂情况下运动目标的检测问题,本文提出一种基于多特征融合和新子块分割的算法。该算法通过综合目标的颜色和纹理特征加强对目标的跟踪,并通过新的子块分割完成对不同子块的权值赋予,对发生遮挡时不同区域进行差别处理。同时在发生完全遮挡时还采用kalman滤波模型对轨迹进行预测,获得运动目标信息并更新。实验结果表明:该算法能够较好的完成遮挡情况下的目标跟踪。     

一种利用时空约束轨迹片段关联的目标跟踪方法*

目标跟踪是智能监控系统中的一个重要的研究领域。由于检测不准确,目标部分或者整体遮挡会造成检测失败。针对以上问题提出一种利用时空约束的轨迹片段关联方法实现对目标的跟踪。首先通过减背景方法检测到移动目标,然后生成轨迹片断,最后通过计算轨迹片段的时空连续性关联轨迹片段,找到最符合时空连续性的轨迹片段关联。通过实验证明方法可以有效解决遮挡,误检测以及目标合并分离问题。     

一种鲁棒的多特征融合目标跟踪新算法

仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。提出了一种新的多特征融合目标跟踪算法,该算法将目标的颜色、纹理、边缘、运动特征统一使用直方图模型进行描述,以降低算法受目标形变和部分遮挡的影响,在Auxiliary粒子滤波框架内将所有特征观测进行概率融合,以突出状态后验分布中目标真实状态对应的峰值,从而有效避免了复杂背景的干扰,并给出了一种有效的融合系数计算方法,使融合结果更加准确可靠。实验结果表明,该算法能同时处理刚性与非刚性目标的跟踪,较单一特征的跟踪算法具有明显的优势,对复杂背景下的跟踪具有较高的鲁棒性。与现有多特征融合算法的比较也证明了本文算法的有效性。     

基于姿态模型的人群目标分割方法

多相机间运动目标的跟踪与识别需要获得尽可能准确的目标区域。针对人群目标的粘连问题,提出一种基于姿态模型的人群目标分割方法。依据人体在运动过程中姿态的变化规律,构造7种出现频率较高的姿态模型。依次对单个目标和联合目标进行模型匹配,获得各个目标的位置、大小以及运动姿态信息。实验结果表明,该方法能有效解决相互遮挡情况下的目标分割问题。     

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。     

多模型协作的分块目标跟踪

为了解决复杂场景下,基于整体表观模型的目标跟踪算法容易丢失目标的问题,提出了一种多模型协作的分块目标跟踪算法.融合基于局部敏感直方图的产生式模型和基于超像素分割的判别式模型构建目标表观模型,提取局部敏感直方图的亮度不变特征来抵制光照变化的影响;引入目标模型的自适应分块划分策略以解决局部敏感直方图算法缺少有效遮挡处理机制的问题,提高目标的抗遮挡性;通过相对熵和均值聚类度量子块的局部差异置信度和目标背景置信度,建立双权值约束机制和子块异步更新策略,在粒子滤波框架下,选择置信度高的子块定位目标.实验结果表明,该方法在复杂场景下具有良好的跟踪精度和稳定性.     

一种基于贪心搜索的实时多目标遮挡处理算法

提出了一种固定摄像机遮挡条件下的多目标跟踪算法,包括基于区域相关的运动前景分割、基于合并--分裂检测的数据关联和基于贪心搜索的遮挡目标定位三部分. 该算法的主要特点表现在: 1)将遮挡条件下的目标跟踪问题转化为一个已知目标数量和特征的图像分类问题; 2)用贪心搜索和积分图算法快速定位遮挡中的目标,保证了算法的实时性; 3)对目标数量无约束,能够处理多目标相互遮挡下的跟踪问题(发生遮挡的目标数量大于等于2), 且对目标的遮挡程度和目标运动模式无约束,具有良好的可扩展性. 采用手工标定的IBM多人遮挡数据库的测试结果证明了算法的有效性.     

融合相关粒子滤波目标跟踪算法

相关滤波算法因其优越的高效性和鲁棒性被广泛应用于目标跟踪领域,但是该算法无法很好地处理目标遮挡和尺度变化等问题。针对该现象,提出了一种融合相关粒子滤波目标跟踪算法,该算法采用多个相关滤波器,学习到更多目标信息和背景信息,提高了目标与背景辨识度,并且引进了粒子滤波随机采样策略,在目标离开遮挡物时能够快速捕捉到目标。在尺度估计中引入了多尺度因子,对定位到的目标进行多尺度缩放,选用与滤波器响应值最大区域对应的尺度因子作为缩放比例,从而对目标进行尺度更新;粒子滤波算法随着粒子数目的增加,其计算量也随着增加,针对该问题,提出了基于粒子繁衍的重采样算法,在跟踪效率上做了提升。对提出的算法进行了三部分对比实验,实验结果验证了提出算法在处理目标遮挡和尺度变化问题上的有效性。     

适用于遮挡问题的目标跟踪算法

提出一种基于网格模型的目标跟踪算法．该算法首先进行遮挡区域检测，然后进行网格结点的运动估计和网格更新过程完成目标的多帧跟踪．改进的遮挡区域检测算法有效地提高了检测准确度，从而确保遮挡区域的准确跟踪；网格结点的运动估计是通过特征窗口运动补偿匹配完成，可以有效地克服块效应．实验证明，该算法解决了二维运动估计时网格模型在遮挡区域存在的问题，并可以有效地进行目标准确跟踪．     

基于动态遮挡阈值的多视角多目标协作追踪

多移动目标相互运动过程中产生的相互遮挡造成目标间的复杂空间关系,为视觉传感器网络的多目标信息融合、协同处理和协作追踪带来困难,提出动态遮挡阈值的多视角多目标协作追踪的多视角多目标协同追踪算法.为克服多视觉传感器中的信息融合及目标一致性表征问题,在基于贝叶斯理论的多视角移动追踪中引入遮挡变量,来描述多目标间的空间关系;通过分析不同视角包含的目标信息量及其对于融合的贡献,给出了遮挡阈值的动态表达式;通过动态调整和比较遮挡阈值来判断目标间的遮挡状态,改进了目标遮挡的判决标准和公共平面中的目标融合特征;并通过结合改进粒子滤波得到基于遮挡变量的多视角目标协作追踪算法,保证了追踪系统的稳定性.实验结果表明,引入遮挡变量以及动态遮挡阈值有效解决了传统追踪算法中的目标不一致性、尺寸变化等难题,提高了目标追踪精度,在目标被遮挡的情况下仍然能够保持良好的追踪效果.     

基于时空注意力机制的目标跟踪算法

目标跟踪技术在智能监控、人机交互、无人驾驶等诸多领域得到了广泛的应用.近年来,学者们提出了许多高效的算法.然而,随着跟踪环境越来越复杂,目标跟踪算法在遮挡、光照变化、背景干扰等复杂环境下仍然面临着巨大的挑战,从而导致目标跟踪失败.针对上述问题,提出了一种基于时空注意力机制的目标跟踪算法.首先,采用孪生网络架构来提高对特...