基于激光雷达的多帧联合目标跟踪系统

本文讨论了利用激光雷达与检测前跟踪算法进行室内行人跟踪,实现监测室内人群社交距离的探测系统。激光雷达距离分辨率高,定位误差小,目标探测时间间隔小,很适用于对轨迹不确定的行人进行跟踪。本文所用检测前跟踪算法分为三步,首先利用历史数据所建杂波图滤除固定物杂波。其次利用多帧检测算法得到时间窗内的目标轨迹段,以此滤除随机噪声产生的虚警点,提升检测效率。第三步利用轨迹关联算法,将各个时间窗内的轨迹片段相互关联,得到完整的行人轨迹,从而增强机动目标与相互临近目标的跟踪效果。实测实验表明在激光雷达跟踪多个目标时,其跟踪精度在10~15cm,多次实验均未出现目标丢失或虚假轨迹,较好地完成了室内行人的检测与跟踪。     

基于YOLO目标检测算法的人群多目标识别跟踪方法

目前对人群跟踪方法主要是建立跟踪模型,实现人群群体检查和跟踪,但是无法实现人群中多行人的识别和个体跟踪,造成人群跟踪与多目标识别存在效率低下和不准确。本文提出基于YOLO目标检测算法的人群多目标识别跟踪方法,通过对人群多目标的可见特征提取人群的行人轨迹和外观特征,实现人群多目标识别的跟踪。实验结果表明,该方法提高了人群多目标的识别效率,具有一定的实用性。     

基于激光跟踪小空间搜索的运动轨迹生成方法

以实时跟踪监控多个运动目标为出发点,提出基于激光跟踪小空间搜索的运动轨迹生成方法。激光跟踪测距仪以采集到的激光点和运动目标像素坐标为依据,构建激光自主瞄准模式瞄准运动目标,引导激光靠近运动目标并缩短二者间距离,利用激光跟踪测距仪的小空间搜索性能确定运动目标质心,实现运动目标精准定位检测;采用均值漂移粒子滤波跟踪算法,以检测所得的运动目标位置作为初始粒子跟踪运动目标,获取运动目标跟踪效果图;结合轨迹生成模块,生成运动目标轨迹。实际应用结果表明,检测及跟踪多个运动目标时,准确性高,且生成运动目标轨迹完整且与实际运动轨迹一致,生成结果准确无遗漏可达100%,检测目标车辆的时间均在2.5 s以下,分别低于文献方法2.5 s和1.9 s,降低了检测时间,并且具备性能稳定、实用性强优势。     

基于多特征融合的行人检测跟踪统计方法

为了避免传统方法行人过线统计的不足,提高视频中人数统计的适用性和有效性,提出了一种基于多特征融合的行人检测跟踪统计方法。首先,采用垂直拍摄的方式获取视频,利用Mean-Shift分割算法分割图像,根据发色信息和头部轮廓特征识别出人头目标区域;其次使用融合多特征的匹配算法对人头进行匹配跟踪;最后通过运动目标轨迹分析估算出监控区域内的人数。实验结果表明提出的算法在保证准确率的前提下,扩大了人数统计的适用性。     

基于偏振图像的低照度场景多目标检测算法

偏振光反射信息可直接反演目标本征特性,且在传输过程中具备较强的抗干扰特性,因此偏振成像技术可适用于多种复杂环境中的智能监控、交通监察领域。近年来使用深度学习判读图像检测目标的方法迅速发展,已经广泛应用于图像处理的各个领域。本文提出了一种基于偏振图像与深度神经网络算法的行人、车辆多目标检测算法YOLOv5s-DOLP。首先,通过实时获取到偏振图像进行偏振信息解析,获取目标偏振度图像。其次,为增强偏振度图像中检测目标与背景存在高对比度的特性,在主干网络中引入通道注意力与空间注意力,提升网络特征进行自适应学习的能力。此外,使用K-means算法对目标位置信息进行聚类分析,加快网络在偏振度图像的学习速度,提升目标检测精度。实验结果显示,该算法结合了偏振成像和深度学习目标检测的优势,对于低照度复杂场景中的车辆、行人目标检测效果好、检测速度快,对于道路车辆的目标检测、识别与跟踪具有一定的应用价值。     

基于深度学习和特征信息关联的多行人目标跟踪算法

多行人目标跟踪是智能安防监控系统的关键技术之一,其跟踪准确度的高低直接关系到监控系统的效果。针对复杂监控场景下多行人目标跟踪困难的问题,提出了一种YOLOv3网络模型与SORT跟踪算法相结合的鲁棒跟踪方法。通过简化网络模型输出以提高模型效率,对YOLOv3模型针对行人检测数据集进行重新训练。为了避免因长时间遮挡导致的目标跟踪失败,设计行人重识别网络(Re-ID)来提取目标表征特征,并通过计算特征向量的余弦距离来判别帧间行人目标的关联程度。实验结果表明,文中设计的改进YOLOv3检测器使行人检测率有明显的提高,提出的行人目标跟踪算法有效提高了跟踪效果,在MOT16数据集上的跟踪准确率和跟踪精准率相比于SORT算法分别提高了15.72%和3.14%。     

基于标签多伯努利滤波器的机动小目标检测前跟踪

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间,能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模,将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上,为了实现对运动模型时变目标的检测前跟踪,将交互式多模型(IMM)与LMB检测前跟踪算法相结合,提出IMM-LMB检测前跟踪算法.此外,给出了该算法的序贯蒙特卡罗实现.仿真结果表明,所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪,且能够在线更新多模型概率,更好的适应多机动目标场景.     

基于改进DeepSort的行人多目标跟踪算法

针对现有的行人多目标跟踪算法在遮挡、人群密集和光线差等情况下表现不佳的问题，提出一种改进YOLOv4与改进DeepSort算法相结合的行人多目标跟踪算法。首先，为增强检测网络的特征提取能力，在YOLOv4中嵌入ECANet注意力模块，提高检测精度；其次，在改进DeepSort的跟踪算法中，由卡尔曼滤波算法预测多个行人目标在图像中的轨迹之后，使用GhostNetV1替换DeepSort中的重识别网络来生成行人的外观特征，提高行人重识别网络的性能；进而，采用匈牙利算法对检测框和预测框进行最优匹配，对未匹配成功的检测框采用DIOU代替IOU（交并比）进行二次匹配，提高DeepSort网络的跟踪性能；最后，开展了新跟踪算法与原DeepSort算法的对比实验，结果表明新算法的误检、漏检现象变少，鲁棒性增强，跟踪性能得到提高，MOTA提升了18.8%,IDF1提升了18.2%，身份编号转换次数降低了84次。     

颜色不变量空间下的行人跟踪算法研究

为了有效的克服遮挡问题准确跟踪行人,本文提出了一种通过不断学习新的外观模型来自适应跟踪行人的跟踪算法。该算法首先将颜色不变量特征平面作为根特征来表示初始特征空间;然后将跟踪问题转化为0或1的二进制问题,通过局部最小二乘法（PLS）来对目标外观特征和对应的类型标签进行建模得到前景和背景的模板。随着目标外观的变化,本文利用局部最小二乘法（PLS）在颜色不变量平面上分析多个外观特征的样本信息,不断的更新模板,从而达到对遮挡具有很好鲁棒性的行人跟踪效果。通过对通用数据集进行试验表明:该算法在颜色暗淡和颜色鲜明的视频图片中都能达到很好的跟踪效果。      

基于Hausdorff距离的行人跟踪计数方法

运用目标匹配和目标链,对视频中的行人进行跟踪和计数。提出了一种基于Hausdorff距离的快速目标匹配方法,利用快速匹配形成的聚类进行最佳匹配,通过目标运动速度和方向的光滑性度量来建立每个运动目标的“目标链”即运动轨迹,实验结果表明此方法保证了运动跟踪的连续性和行人计数的有效性。     

复杂场景下的加权粒子滤波行人跟踪方法

针对粒子滤波跟踪算法在行人目标遮挡、光线干扰以及背景与行人相似等情形下,目标易发生漂移、跟踪精度不高的问题,本文提出一种加权粒子滤波行人跟踪方法。该方法联合遮挡模型和Online Boosting算法,利用在线学习实时更新强分类器,并结合跟踪时建立的遮挡模型,以及行人运动时与上一次目标位置的距离、相似度等影响因子,对粒子权重进行重新构造,实现了复杂变化场景下的行人自适应跟踪。通过对PETS-L2S1公共数据集和自有数据集分别进行实验,可以得到本文提出的方法能有效去除目标遮挡、相似背景以及光线突变的干扰,实现稳定、准确、实时的行人跟踪。      

位移矢量一致下的多飞行器三维轨迹跟踪识别

合作靶标点三维轨迹的跟踪识别是实现室内环境中多飞行器位姿估计的关键,为此,提出了一种基于时空一致条件下的多目标三维轨迹跟踪识别算法。该方法包括运动轨迹跟踪与识别两部分,对于合作靶标点三维轨迹跟踪,提出了一种基于运动目标位移矢量一致的数据关联方法,该方法首先利用运动平滑性假设计算得到的数据关联概率值,结合匈牙利算法求解得到目标的数据关联关系,然后在贝叶斯滤波框架下实现合作靶标点的三维轨迹跟踪。对于合作靶标点的三维轨迹识别,又可以分为粗细两部分,利用运动轨迹Hankel矩阵的秩实现运动轨迹的粗识别,利用运动轨迹之间的Hausdorff距离实现运动轨迹的细识别,最终实现对每一个飞行器的轨迹识别与注册。实验结果表明,在三维测量手段为机器视觉,测量空间大小为2 m×2 m×2 m,提出的多目标跟踪算法的三维轨迹跟踪误差小于4 mm（3σ）时,轨迹识别正确率为100%。因此,所提出的算法可以有效地实现多飞行器上合作靶标点三维轨迹的跟踪识别。     

跟踪状态自适应的判别式行人单目标跟踪算法研究北大核心CSCD

本文针对在行人跟踪过程中遇到的背景相似物干扰、行人之间的相互遮挡和背景杂乱等导致跟踪状态不稳定的问题,基于DIMP(learning discriminative model prediction for tracking)跟踪算法,提出了一种跟踪状态自适应的判别式单目标行人跟踪算法。跟踪过程中由分类滤波器和搜索区域进行卷积操作得到响应图,通过响应图判断跟踪状态,跟踪状态分为弱响应状态、多峰强响应状态、单峰强响应状态。针对多峰强响应状态下的干扰物影响,提出在线更新策略,利用激励和抑制损失更新分类滤波器,提高分类滤波器的判别能力。针对多峰强响应和弱响应状态下目标预测不准确的问题,通过偏移量和增添候选框修正目标位置,提高跟踪精度。实验验证提出的算法在行人视频序列上跟踪结果,精度达到了0.978,成功率达到了0.740,在NVIDIA GTX 1650显卡下有30 fps的实时速度。     

基于多目标Camshift手势识别

基于单目视觉下的手势识别技术一般由手势建模、特征提取、手势匹配等几个关键技术构成。手势跟踪算法目前主流的是粒子滤波算法和Camshift算法。系统采用Camshift算法,将人手图像由RGB空间转换到HSV空间后,在HSV空间利用半自动预定义模板颜色对人手进行分割,并对其进行改进实现多目标跟踪,由于Camshift算法为半自动算法,在对手势进行跟踪前需对手势进行手动标定,系统采用了手势跟踪与手势识别技术结合的方法,改进了Camshift算法,解决了Camshift的半自动问题和实现多目标跟踪,实现双手的手势识别。     

实时递推的最小二乘预测跟踪算法

针对探测系统跟踪误差对目标跟踪的影响,提出一种实时递推的最小二乘预测跟踪算法.该算法采用平方预测器的估算方式,获得目标运动轨迹的最佳逼近,通过不断更新的历史数据实时递推轨迹参数,预测下一帧目标位置.该算法采用Matlab软件编写易于工程实现的应用程序.得到仿真的目标真实轨迹与预测轨迹数据.仿真结果表明,该算法可以在系统...     

Sequence-tracker: Multiple object tracking with sequence features in severe occlusion scene

Multiple object tracking is one of the most fundamental tasks in computer vision, and it is still very challenging for real-world applications due to its severe occlusion and motion blur. Most of the existing methods solve these multiple object tracking issues by performing data association based on the deep features of the detections in consecutive frames, which only contain the spatial information of the detected objects. Therefore, the inaccuracy of data association would easily occur, especially in the severe occlusion scenes. In this paper, a novel multiple object tracking model named sequence-tracker (STracker) has been proposed, which combines both the temporal and spatial features to perform data association. We trained a sequence feature extraction network based on video pedestrian re-identification offline, fused the obtained sequence features with the depth features of the previous frame, and then implemented the Hungarian algorithm for data association. Experiments have been carried out to validate the effectiveness of the proposed algorithm and the corresponding results indicates that it can significantly improve the trajectory quality of our dataset in this paper. Remarkably, for the public detector results from MOT official website, the proposed algorithm can achieve up to 57.2% MOTA and 50.9% IDF1 on the MOT17 dataset.     

一种多传感器融合的行人多模式自主定位方法

在全球卫星导航系统拒止的环境里,导航信息难以获取,基于红外、超声波、射频、Wi Fi、超宽带(UWB)等室内定位方法均需要辅助电子标签,传统航位推算法只适合前向步态的路径跟踪,在后向、左向、右向步态模式下会出现反向或垂直的路径错误。针对以上问题,该文借助移动终端的惯性测量单元数据,在不依赖任何电子标签模式导航的情况下,实现短时多模式步态行人跟踪。结果表明,通过多次重复测试,步态检测准确率≥92%,以实际车库场景为实验背景,该文方法可获得全步态模式下自主路径跟踪,路径追踪误差小于3 m。     

边界约束的核密度估计红外人体目标跟踪方法

基于核密度估计的均值漂移算法因其良好的实时性而被广泛地应用于目标跟踪,但传统的均值漂移算法极易因颜色等信息的缺乏而使跟踪不稳定,且目标尺度的变化也不利于目标位置的准确估计,为此,提出了一种具有边界约束的均值漂移红外人体目标跟踪新方法。该方法通过各向异性扩散,并联合红外图像的梯度与亮度信息来获取目标边界,自适应调整核窗宽,从而利用均值漂移策略进行红外人体目标跟踪。实验结果表明,该方法在红外人体目标尺度改变时仍能实现良好的跟踪。     

行人动态实时监测系统的设计与实现

针对视频场景中行人动态信息监测的需求,设计实现了一种行人动态实时监测系统。首先,通过YOLOv3检测算法对场景中行人进行目标检测,在此基础上结合改进的KCF实现多行人目标的跟踪并获取对应下底边中心点。之后结合场景标定结果完成行人图像与三维空间位置监测、场景行人计数和行人行走速度等动态信息监测。通过实验表明,该系统不仅能够较好地完成视频场景下行人目标检测与跟踪,也能够精准完成以上信息动态实时监测的任务,为实际理论研究与工程应用奠定重要基础。