变电站场景下高置信度策略的DSST目标检测及跟踪

目标跟踪在视频监控、人机交互及图像压缩等领域发挥着重要作用。由于DSST(discriminative scale space tracking)跟踪算法需要手动标记初始帧的位置,并且其实时速度和更新策略有待改善。因此,提出了一种改进的DSST跟踪算法;该算法在DSST算法的基础上融合了检测算法和图像缩放算法,同时引入了APCE(average peak-to correlation energy)置信度指标。使用变电站和benchmark数据集对其进行了测试,并与FCT(fast compressive tracking)及Staple等算法相比。结果表明该算法提高了跟踪精度,缩短了每帧的运行时间,且在背景、尺度变化及遮挡等方面表现出较强的鲁棒性。     

基于随机森林的长期目标跟踪方法

结合正负样本相互作用思想和随机森林算法构建检测器,融合基于LK光流法的跟踪器,提出一种基于TLD(Tracking Learning Detecting)的随机森林长期目标跟踪方法。将该方法与Mean-Shift算法、TLD算法进行对比,结果表明该算法能很好应对目标丢失、遮挡情况,准确率在93%以上。在多种情况下对该方法进行实验验证,可实现刚性物体和非刚性物体在复杂背景下的长时间精确跟踪。     

飞行状态敏感的关联门调节算法

机动目标的跟踪精度受飞行状态、噪声等多种因素影响,机动目标发生强机动或者杂波干扰过大都会导致跟踪精度下降。关联门是数据关联算法筛选的有效量测和提高跟踪精度的重要环节。本文提出了一种飞行状态敏感的关联门调节算法(Flight-Status-Sensitive Tracking Gate Adjustment Algorithm, FSSTGAA)。该算法根据目标的飞行状态分析误差的来源及其变化趋势,在跟踪误差尚可接受的范围内,依据误差动态变化率动态调整关联门大小。仿真结果表明,相比于传统关联门自适应算法,本文算法能有效地降低目标丢失率,提高机动目标的跟踪精度。     

基于视频的运动目标跟踪算法

为更加准确、 快速地检测与跟踪到运动目标, 将背景差分法和帧间差分法相融合对 CAMSHIFT (Continuously Adaptive Mean-SHIFT)算法进行改进。 首先, 通过背景差分法和帧间差分法相融合确定目标所在 区域, 然后结合 CAMSHIFT 迭代算法实现目标跟踪。 实验结果表明, 该方法改变了传统 CAMSHIFT 算法需手 动选定目标和跟踪窗容易发散的局限性, 并提高了跟踪的准确性与稳定性。     

融合关系网络的Tracktor++多目标跟踪算法

为了提升Tracktor++在多目标跟踪中的性能，提出了一种改进的多目标跟踪方法，即关系网Tracktor++(RN-Tracktor++)，它在Tracktor++中引入关系网络进行目标关联。对于给定的视频序列，首先通过FRCNN-FPN(Faster Region Convolutional Neural Network-Feature Pyramid Network)检测器的回归分支从前一帧中的目标框预测得到它们在当前帧的位置，然后通过关系网络将它们与已有轨迹进行关联，从而得到每个特定目标的运动轨迹。在MOT17、MOT20及降采样的PETS(Performance Evaluation of Tracking and Surveillance)数据集上的实验结果表明，所提出的方法实现了更好的跟踪性能，特别是在降采样的PETS数据集上，与Tracktor++相比，MOTA(Multiple Object Tracking Accuracy)精度提高了1.6%，证明了关系网络用于目标关联可提高跟踪性能。     

一种长宽比自适应变化的目标尺度估计算法

针对视觉跟踪中由于尺度变化、遮挡等复杂场景造成的跟踪失败问题,提出一种尺度长宽比自适应变化的目标尺度估计算法.该算法采用35×35个尺度因子来实现对目标的长宽比估计,为了降低运算量,通过分层尺度估计对二维尺度采样因子进行选择,既确定了目标的最佳尺度,又提高了算法的运行速度;为了进一步提高跟踪算法的鲁棒性,使用相邻两帧之间响应向量的欧式距离作为评判模板是否更新的标准.将尺度估计和模板更新模块引入到目前3种性能出色的相关滤波算法DSST、HCF和OSA中,进行仿真验证.实验结果表明,与原始算法相比,引入模块的新算法在跟踪成功率和精度上均有显著提高,在OTB100数据集上,成功率与3种原始算法相比,分别提高了1.3％、1.4％ 和1.4％,精度分别提高了1.2％、1.3％ 和1.0％,尤其在尺度变化、目标遮挡等复杂场景下具有明显的优势.     

IPNet:帧间预测校验的多域卷积神经网络目标跟踪算法

针对现有卷积神经网络分类预测MDNet算法在线更新机制容易将错误样本引入网络模型,导致跟踪算法失效的问题,提出一种基于帧间预测校验的MDNet目标跟踪改进算法IPNet。该算法运用视频压缩领域的帧间预测方法和聚类算法,在前一帧目标跟踪位置的基础上,计算前后连续两帧中目标的相似度,估计出目标下一帧可能出现的候选区域,实现目标位置预测,达到校验跟踪结果的目的。IPNet算法能有效减少更新样本导致的跟踪失效问题,改善了在目标旋转、快速运动以及背景混杂等情况下的跟踪效果,提升了算法的跟踪性能。     

一种邻帧匹配与卡尔曼滤波相结合的多目标跟踪算法

传统目标跟踪算法很难在户外视频中进行行人实时跟踪及人流量统计,针对该问题,提出一种联合邻帧匹配与卡尔曼滤波器的多目标跟踪算法。该算法首先以方向梯度直方图(HOG)为特征的自适应推进(Adaboost)分类器进行行人人头检测,进而采用卡尔曼滤波进行行人轨迹预测,并应用邻帧匹配算法对该目标运动轨迹进行校正。在邻帧匹配法中,本文新颖的将跟踪过程中的目标匹配问题转化为基于匈牙利算法的指派问题。因邻帧匹配法能更好地区分不同待匹配目标的特征,较传统跟踪算法,能更好的避免误匹配、漏匹配等问题,提高了目标跟踪的准确率,实验证明,该监控系统准确率高,且能满足扶梯监控系统应用场景下的鲁棒性、实时性要求。     

视频帧内运动目标复制-粘贴篡改检测算法

摘要： 提出了一种基于Lucas_Kanade(LK)光流及运动目标预检机制的视频帧内运动目标复制 粘贴篡改检测算法.该算法分为运动目标检测与跟踪、运动序列筛选和空间域匹配3个阶段.运动目标检测与跟踪利用背景建模算法和卡尔曼滤波器进行检测和跟踪;运动序列的筛选采用LK方法得到各运动序列的光流值,并计算其相关性来选择可能存在篡改的视频帧序列;空间域匹配利用尺度不变特征变换算法对上一阶段得到的对应运动序列逐帧进行匹配,过滤正常的视频序列.实验结果表明,本文算法能有效检测同源视频中针对运动目标的多帧复制 粘贴篡改.     

基于跟踪轨迹的车辆异常行为检测

为提高ITS(Intelligent Traffic System)交通事件管理的智能性, 提出基于跟踪轨迹的车辆异常行为检测,分为目标检测跟踪、轨迹分析处理和车辆行为分析3 个步骤。首先利用三帧差法对目标进行初始定位, 采用基于Kalman 预测器的改进跟踪算法对车辆进行跟踪; 然后提出采用最小二乘法自适应分段直线拟合算法对目标跟踪获得的运动轨迹进行快速拟合; 最后结合运动方向变化率和速度变化率两个参数建立车辆异常行为检测模型。实验结果表明, 在道路监控视频中, 该算法能快速准确检测急刹车、急转弯和急转弯刹车等车辆异常行为。     

基于马尔科夫决策过程的多目标跟踪算法

目前,多目标跟踪算法仍面临诸多挑战,例如遮挡、快速运动等所造成的影响难以完全规避.为了解决上述问题,提出一种基于马尔科夫决策过程的多目标跟踪算法.该算法将每个目标建模成一个马尔科夫决策过程,通过最大化奖励函数来驱动状态间的转移,并将强化学习训练用于数据关联相似度函数,有效地解决了目标遮挡问题.同时,为了解决物体快速运动...     

基于改进YOLOv3的街道行人检测与跟踪方法

针对室外街道的行人检测与跟踪,提出一种改进YOLOv3与简单在线实时跟踪(simple online and real-time tracking,SORT)算法相结合的检测及跟踪方法.首先,引入距离和比例交并比(distance and proportional-IOU,DPIOU)损失,将原有的损失函数中的均方误差(mean square error,MSE)部分进行变化,从而得到更精确的检测框;其次,将网络结构中的RestNet进行优化,改变下采样区域,增加池化层,进而减少特征信息的丢失;最后将检测结果输入SORT算法进行建模和匹配.实验结果表明,在室外街道的场景下,改进的算法与YOLOv3相比较,损失值收敛更快,平均准确率高出4.85％,跟踪准确率上升3.4％,同时,模型的速度有所提高,最快可达14.39 FPS.     

基于圆形采样和稀疏表示模型的鲁棒目标跟踪

为解决基于稀疏表示的跟踪算法在小样本空间中出现模板漂移而在大样本空间中实时性差的问题,提出了一种基于圆形采样的双重稀疏表示目标跟踪算法.该算法对跟踪矩形窗数据进行圆形采样,这不仅保证了目标的灰度和结构信息,而且减少了背景信息干扰.同时对稀疏表示得到的小模板系数引入距离权重判断函数,判断目标样本变化情况,提高模板更新效率.最后引入HOG（histogram of oriented gradient）特征,对稀疏表示得到的多个次优解进行二次稀疏表示,有效解决小样本数量少带来的估计误差.实验结果表明,该算法能够提高小样本空间中目标跟踪的鲁棒性和实时性.      

利用Kalman滤波的视频运动目标跟踪

提出一种基于kalman滤波的视频运动目标跟踪算法,首先对视频运动目标进行分割,求出运动目标的形心,再利用视频运动目标的形心所在宏块的运动矢量信息,用kalman滤波对运动目标的形心在下一帧的位置进行预测,从而快速、有效地自动跟踪多个目标对象.实验结果表明,该算法对运动目标的出现和消失,以及非刚性物体的尺度变化和变形,具有较强的鲁棒性.     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

基于Mask R-CNN的多目标跟踪算法

针对目前多目标跟踪算法在面对目标频繁遮挡时跟踪效果较差的问题, 提出采用Mask R-CNN作为检测器, 根据检测结果利用Kalman滤波器预测下帧图像中跟踪目标的位置, 用改进匈牙利算法进行数据关联, 并利用轨迹修正方案应对轨迹中断问题. 将该算法在MOT16数据集的各测试集上进行实验, 实验结果表明, 该算法目标跟踪准确率为55.1%, 且针对目标被遮挡问题效果较好.     

头肩视频图像的运动物体自动提取

介绍、比较区域分割、运动分割和物体分割的概念及其在视频序列图像分割中的应用。分析说明各种运动状态下帧差图像与相应帧灰度图像的关系。提出了基于帧差图像边缘与灰度图像边缘之间强相关性的运动物体边界自动跟踪、提取算法。利用运动物体边界的闭包分割、提取运动物体。提出了多层次运动物体描述的思想。     

基于特征分组的在线目标跟踪算法

在线目标跟踪是计算机视觉领域的一个具有挑战性的问题.提出了一种基于特征分组的在线目标跟踪算法.首先,利用像素点在多帧的方差对模板库中的目标模板进行特征分组.然后,利用主要特征图像和次要特征图像学习投影矩阵P,对样本进行投影.最后,利用最小误差法得出当前帧的跟踪结果.与其他典型算法相比,该算法对目标的异常变化具有很强的鲁棒性.     

基于改进的引导图像滤波和深度去噪自编码器的微弱目标跟踪算法

微弱目标易被周围环境中强烈的噪声干扰,为解决现有目标跟踪算法由于低信噪比导致跟踪准确度低的问题,提出一种将引导图像滤波器和深度去噪自编码器集成到粒子滤波器框架中的跟踪算法。通过引导图像滤波(guided image filter, GIF)算法对目标图像进行滤波处理,保留有价值的模板信息并使不准确的背景模板模糊,有效增强目标图像;通过改进的深度学习算法对深度去噪自编码器训练和微调,更好地适应目标外观变化;构造粒子分类器框架根据粒子重要性权重定位目标。实验结果表明,该算法在微弱目标跟踪准确度和抗干扰能力上优于多种现有主流跟踪算法。     

可变形Gabor小波特征模板跟踪方法

提出了一种利用可变形Gabor小波特征模板,跟踪存在较大视角变化目标的方法.利用Levenberg-Mar-qudit优化方法,从图像中提取出一组具有特定参数的Gabor小波,并求出其权重作为目标特征;在跟踪过程中利用同样的优化方法求出这组特征的仿射变换参数;从经过仿射变换后的图像中提取小波权重,将这个权重与初始权重的误差定义为能量函数.利用"贪心算法"修正小波的位置参数,使这个能量函数最小化,从而实现可变形模板跟踪.对直升机和飞机图像序列进行的跟踪实验证实:通过特征更新,在视角变化较大的情况下,该方法仍然可以稳定地跟踪目标.