基于嵌入式平台的低时间复杂度目标跟踪算法

针对嵌入式平台往往算力受限的应用背景,提出了一种低时间复杂度的、适用于复杂场景的目标跟踪算法CTSTC算法。算法由自适应更新的时空上下文目标跟踪环节和自适应更新的压缩感知目标辅助定位环节两部分构成,当时空上下文跟踪结果不可靠时,启动压缩感知目标辅助定位环节,如果辅助定位后的结果可靠,则采用辅助定位结果校正时空上下文跟踪环节。算法运行速度与时空上下文算法（STC）接近,I5CPU下测试可达每秒1 577帧,远高于其他常用算法,是一种运算速度极高的目标跟踪算法,但算法在复杂环境下的鲁棒性却有所提升。使用OTB2013数据集进行测试,较STC算法,CTSTC精度提升12.8%,成功率提升27.5%。算法在以DM6437为核心的小型目标跟踪系统上进行测试,可以实现实时稳定跟踪。     

嵌入式视觉运动目标跟踪技术研究

传统的PPM（Posterior Probability Measure）视觉运动目标跟踪算法,在目标发生尺寸变化时,会因跟踪窗不能自适应地改变尺寸而导致目标跟偏甚至跟丢的现象.因此本文在深入研究PPM跟踪算法的基础上,基于PPM跟踪算法的运算特点,提出了一种能袁征被跟踪目标尺寸大小的PPM缩放指标,进而设计了跟踪窗口自适应的PPM跟踪算法,实验显示,改进后的跟踪算法能得到较好的跟踪效果.基于TMS320DM642对嵌入式视觉目标跟踪系统的结构和功能进行设计,对改进后的PPM跟踪算法进行了DSP移植,最终实现了一套嵌入式视觉目标跟踪系统.     

自适应位置融合的目标跟踪算法

为提高分层卷积特征目标跟踪算法的实时性和鲁棒性,文中提出了一种基于多个相关滤波器预测位置自适应融合的实时目标跟踪算法。该算法首先提取VGG-19网络的Pool4层卷积特征,通过特征均值比对多通道的特征图进行裁剪,提高算法速度。然后利用不同高斯样本分布训练多个相关滤波分类器,并对所有分类器预测的目标位置进行自适应融合,提高算法对目标姿态变化的鲁棒性;最后采用稀疏模型更新策略,进一步提高算法速度。在OTB100标准数据集上测试本文算法, 实验结果表明,该算法的平均距离精度为86.3%,比原分层卷积特征跟踪算法提高了2.6个百分点,在目标发生遮挡、形变、相似背景干扰等情况时具有很好的鲁棒性;平均跟踪速度为45.2帧/s,是原算法的4倍,实时性能良好。     

基于双步相关滤波的目标跟踪算法

针对目标跟踪中因目标遮挡、目标出视野导致的跟踪失败问题,为提高相关滤波目标跟踪算法的鲁棒性,提出了一种基于双步相关滤波的目标跟踪算法。首先根据方向梯度直方图特征不同单元大小目标表征的特点,提出双步相关滤波目标跟踪框架,在提高目标跟踪精度的同时保证了跟踪速度;然后融合多种目标特征,来获得目标更加全面的特征表征,以提高目标跟踪的鲁棒性;最后提出基于目标跟踪置信度指标的目标模板自适应更新策略,来解决目标遮挡时目标模板被污染的问题。实验在OTB100标准目标跟踪数据集上进行验证,通过与其他跟踪算法进行比较结果表明,该算法与其中最优跟踪算法相比,目标跟踪精度提升6.0%,目标跟踪成功率提升5.5%,平均跟踪速度为27.4 fps,保证了目标跟踪的实时性。实际目标跟踪应用中,在目标严重遮挡等情况下,该算法仍然可以对目标进行稳定精确地跟踪。     

位移估计自适应滤波算法

基于“当前”统计模型的基础上，利用位移预测估计与实时位移估计间的偏差进行自适应方差调整，提出了一种新的自适应滤波算法——位移估计自适应跟踪算法(Adaptive Filtering Algorithm of distance Estimation简记为ADE)。大量仿真结果表明，采用ADE算法既保持了对机动目标的跟踪性能，又显著提高了对弱机动目标及非机动目标的跟踪精度。     

基于嵌入式多核DSP 系统的并行粒子滤波目标跟踪

目标跟踪中的伺服系统需要极低的跟踪延时,由于粒子滤波跟踪算法固有的庞大计算量使得目标跟踪的精度大受影响。提出了一种粒子滤波跟踪算法在多核DSP 系统中的快速实现方法。首先,利用DSP 片上的包加速器来降低以太网相机的采集延时以及CPU 占用率,CPU 占用率从31%降低到10%;其次,通过手动操作高速缓存的刷新和实效,解决了多核同时共享图像数据带来的存储器一致性问题,多个核能通过高速缓存快速获取图像数据;最后,通过在多核核心上设置代理任务的方法,建立了一种多核并行计算的机制。粒子滤波算法中计算复杂度高的运算阶段被分配到多个核心上同时运算,实现了算法的低延时。实验结果显示8 核加速比达到7 倍以上,优于开放多处理标准 OpenMP 的并行优化效果。     

复杂场景下基于自适应特征融合的目标跟踪算法

为提升复杂场景下目标跟踪的鲁棒性,优化模型运行效率,提出一种基于自适应特征融合的相关滤波跟踪算法。该算法采用方向梯度直方图特征和卷积神经网络来对目标进行信息构建,利用特征响应的峰值旁瓣比和旁瓣值占比自适应地确定融合系数,根据融合响应来预测目标位置。为适应场景的变化,降低光照、背景和目标形变等对跟踪的影响,引入平均峰值相关能量来设计滤波器学习率调整机制,动态地进行模型更新。通过对深度特征提取网络进行轻量化设计,降低特征网络参数,提高跟踪速度。在OTB100通用数据集上进行测试,实验结果表明:文中所提算法有效降低了干扰对目标跟踪的影响,且跟踪精度、成功率和速度整体优于对比算法。     

面向嵌入式系统的轻量级目标检测算法

由于嵌入式设备的内存和计算能力有限,在无人机平台上运行基于深度学习的目标检测算法进行实时解析具有很大的挑战性,同时,算法在小目标、高密度、多类别的场景下,检测精度有待提高。在此前提下,构建NCWS-YOLO轻量级算法,以YOLOv5算法为基础,基于非极大值抑制方法,融合加权框融合算法,提出了NCW方法,重构了预测端目标框筛选网络,使检测精度提升了3.9%。并且利用通道剪枝技术,对批归一化层进行通道稀疏化训练,选择不包括shortcut的层进行修剪,使参数量减少了74%,模型大小缩减了72.2%,浮点数运算降低了37.6%,将算法部署于嵌入式设备上实现了对无人机数据集的目标检测任务。所提方法在无人机数据集上测试精度(Pr)和平均精度(mAP@0.5)分别达到了0.941和0.969,在Nvidia Jetson TX2上推理速度提升了49.6%。实验数据表明,该网络能够在低功耗、算力低的嵌入式设备上进行实时检测。     

自适应上下文感知相关滤波目标跟踪

针对传统相关滤波目标跟踪算法在目标快速运动、遮挡、复杂背景等情况下跟踪精度低的问题,提出了一种自适应上下文感知的相关滤波目标跟踪算法。在相关滤波算法框架的基础上,重点针对循环移位带来的边界效应与固定学习率进行改进:首先,在分类器训练阶段提出一种基于响应图极值的自适应采样策略加入上下文信息;然后,采用了一种分段学习率调整策略使算法更好地适应目标变化;最后,在标准数据集上验证了算法的性能。实验结果表明,提出的算法提高了DCF与SAMF算法的跟踪精度,不仅在目标快速运动、遮挡、复杂背景等情况下鲁棒性较好,而且还能作为一种框架集成到大部分相关滤波类算法中。     

基于角速度修正的变结构多模型目标跟踪算法

为提高强机动目标的跟踪精度,提出一种基于角速度估计值自适应修正的变结构多模型算法。将角速度估计应用于基于有向图切换的变结构多模型目标跟踪算法。通过引入改进的角速度估计方法,提高了角速度的估计精度。在有向图切换的基础上,实时估计角速度,并根据角速度估计值修正有向图,增强了变结构多模型目标跟踪算法的机动适应性。仿真结果表明,该方法在对强机动目标的跟踪性能上有明显提高。     

An efficient real-time target tracking algorithm using adaptive feature fusion

Visual-based target tracking is easily influenced by multiple factors, such as background clutter, targets’ fast-moving, illumination variation, object shape change, occlusion, etc. These factors influence the tracking accuracy of a target tracking task. To address this issue, an efficient real-time target tracking method based on a low-dimension adaptive feature fusion is proposed to allow us the simultaneous implementation of the high-accuracy and real-time target tracking. First, the adaptive fusion of a histogram of oriented gradient (HOG) feature and color feature is utilized to improve the tracking accuracy. Second, a convolution dimension reduction method applies to the fusion between the HOG feature and color feature to reduce the over-fitting caused by their high-dimension fusions. Third, an average correlation energy estimation method is used to extract the relative confidence adaptive coefficients to ensure tracking accuracy. We experimentally confirm the proposed method on an OTB100 data set. Compared with nine popular target tracking algorithms, the proposed algorithm gains the highest tracking accuracy and success tracking rate. Compared with the traditional Sum of Template and Pixel-wise LEarners (STAPLE) algorithm, the proposed algorithm can obtain a higher success rate and accuracy, improving by 2.3% and 1.9%, respectively. The experimental results also demonstrate that the proposed algorithm can reach the real-time target tracking with 50+fps. The proposed method paves a more promising way for real-time target tracking tasks under a complex environment, such as appearance deformation, illumination change, motion blur, background, similarity, scale change, and occlusion.     

改进的“当前”统计模型变采样率目标跟踪算法

为满足实际雷达系统对高精度和高实时性的要求,提出了一种改进的"当前"统计模型变采样率机动目标跟踪算法。该算法针对"当前"统计模型必须预设加速度极值和机动频率的问题,提出一种加速度方差和机动频率在线同步自适应方法,建立改进的"当前"统计模型机动目标跟踪算法;针对在线自适应方法计算量大的问题,结合采样周期的大小与目标机动特性的关系,引入变采样率方法。仿真结果表明,与传统"当前"统计模型相比,改进的"当前"统计模型机动目标跟踪算法能显著提高对不同机动强度目标的跟踪精度;变采样率方法通过减少采样点数,节省了系统资源,提高了跟踪实时性;所提算法将两者结合,用传统的"当前"统计模型1.5~2倍的平均采样周期得到了更小的位置均方根误差,实现了用单模型方法同时改善跟踪精度和实时性的目的。     

融合灰度与显著性特征的空中红外目标跟踪

针对红外目标特征简单且信息量少导致跟踪精度不高,提出一种基于灰度和显著性特征融合的核相关滤波算法用于空中红外目标跟踪。首先,在保证目标足够特征信息量的前提下对较大的目标进行不同等级压缩。然后将提取的二维灰度特征与显著性特征按页方式进行拼接扩展成三维特征,再将融合的特征用于核相关滤波。实验表明所提算法能够适应多种环境下的空中红外目标跟踪,跟踪精度和成功率典型值分别达到84.8%和63.9%,较大部分算法有很大提高,平均跟踪速度高达125 f/s,体现出了良好的实时性。因此,本文提出的算法在保证实时性的同时提高了跟踪的可靠性,具有一定的实用意义。     

基于多模板匹配的双模型自适应相关滤波跟踪算法

为有效提升目标跟踪的精确度和实时性,设计了基于多模板匹配的双模型自适应相关滤波跟踪算法。对多模板匹配模型与核相关滤波跟踪模型参数进行初始化处理：多模板匹配模型选取得分函数作为模板与候选样本间匹配准则,通过候选样本得分获取最佳目标,更新多模板后,通过形变多样相似性实现多模板匹配;核相关滤波跟踪模型利用所采集目标样本数据建立循环矩阵,通过训练核化岭回归分类器获取核相关滤波器,并获取响应置信图,再利用响应置信图获取下一帧图像目标位置。通过自适应融合策略获取两个模型所估计目标位置,再采用金字塔尺度估计策略估计目标尺度变化,通过不断更新各模型参数实现目标精准跟踪。实验结果表明,在目标受遮挡或旋转、光照变化等复杂环境下,该算法的中心跟踪误差均低于15 dpi,平均跟踪精确度均高于98%,且目标定位时间低于100 ms,说明该算法在跟踪精确度和实时性上具有明显的应用优势。     

一种改进的方差自适应滤波算法

标准的基于”当前”统计模型的自适应卡尔曼滤波算法中机动频率和加速度极限值存在靠经验预先设定的问题,以及在跟踪非机动和弱机动目标时存在精度不高的问题,本文在分析已有的加速度方差自适应算法的基础上,提出了一种改进的加速度方差自适应算法.仿真结果表明本文提出的改进的加速度方差自适应算法是有效性的,较已有算法提高了跟踪非机动或弱机动目标的精度.     

各向异性核函数均值漂移目标跟踪算法研究

针对传统均值漂移算法利用固定核或对称核函数进行目标跟踪时出现目标跟踪丢失或跟踪失败的问题,提出了基于各向异性核函数的自适应带宽均值漂移目标跟踪算法,以提高目标跟踪的准确性、实时性.在符号距离核函数的基础上引入符号距离约束函数,构成各向异性核函数,满足目标外部的区域函数值为零,为目标跟踪提供准确的跟踪窗.依据基于各向异性核函数的均值漂移应用到目标跟踪中需满足跟踪窗内的样本点到中心点的向量权重之和为0的思想,计算各向异性核函数模板的均值漂移窗口中心.利用相似度阈值对前后两帧目标模板的变化情况进行限制,实现各向异性核函数模板的自适应更新及目标的准确实时跟踪.实验结果表明所提出算法的准确性和实时性较高.     

基于机动检测的参数自适应跟踪算法

在机动目标跟踪中,传统当前统计模型卡尔曼滤波算法对弱/无机动目标跟踪精度不高,对突发机动跟踪精度显著下降,且跟踪性能受限于先验参数.针对上述问题,本文提出一种基于机动检测的参数自适应机动目标跟踪算法,算法利用新息的概率分布特性构建双阈值检测门限,依据检测结果进行参数自适应调整.首先,利用加速度预测误差方差信息,自适应调...     

An adaptive target tracking method for 3D underwater wireless sensor networks

Today, underwater target tracking using underwater wireless sensor networks (UWSNs) is an essential part in many military and non-military applications. Most of moving target tracking studies in UWSNs are considered in two-dimensional space. However, most practical applications require to be implemented in three-dimensional space. In this paper an adaptive method based on Kalman filter for moving target tracking in three dimensional space using UWSNs is proposed. Since, energy protection is a vital task in UWSNs; the proposed method reduces the energy consumption of the entire network by a sleep/wake plan. In this plan only 60% of the closer nodes along the path of the moving target will be waked up using a sink activation message and participate in the tracking, while the other nodes remain in sleep state. At each stage of tracking, the location of the target is estimated using a 3D underwater target tracking algorithm with the trilateration method. Subsequently, the estimations and target tracking results are inserted into the Kalman filter as measuring model to produce the final result. Performance evaluation and simulations results indicated that the proposed method improves the average location error by 45%, average estimated velocity by 86%, and average energy consumption by 33% in comparison to the trilateration method. However, computation time is increased as a result of improving tracking accuracy; and tracking accuracy is lost about 20% due to saving energy. It was shown that the proposed method has been able to adaptively achieve a trade-off between tracking accuracy and energy consumption based on real-time user requirements. Such adaption can be controlled trough the sink node based on real-time requirements.