交通视频中的Kalman滤波的多车辆跟踪算法

提出了一种交通视频中的Kalman滤波的多车辆跟踪算法.该算法利用Kalman滤波器反馈控制系统估计运动状态进行预测和修正,并为运动目标建立模型;利用当前车辆的信息对下一帧目标的位置进行预测,以便缩小目标的搜索范围和搜索时间,从而快速跟踪车辆.利用车辆的外接矩形框大小、质心等特征对车辆进行特征匹配,为交通视频中的车辆建立对应关系,利用新的系统参数更新模型,获得车辆的轨迹,如此反复,从而实现对车辆的跟踪.实验结果表明,此算法运算速度很快,对于车辆这样的快速运动目标,也具有较好的跟踪效果.     

基于Meanshift优化粒子滤波算法的低空平台下车辆跟踪

针对低空平台下运行车辆的特点, 提出一种基于Meanshift粒子优化的粒子滤波算法实现低空平台下的车辆跟踪. 该算法使用颜色表示目标, 通过Meanshift算法对粒子滤波进行迭代优化, 减少了稳健跟踪一个目标所需的粒子数, 提高了算法的运行效率, 在小目标和多目标的情况下也能稳健跟踪. 实验结果表明, 该算法具有较强的鲁棒性和稳定性, 能实现低空平台下目标车辆的快速跟踪.     

一种基于Mean Shift和C-V模型的车辆跟踪算法

针对传统Mean Shift算法跟踪窗口固定不变,无法对不断改变尺寸的车辆目标进行有效跟踪的问题,文中根据车辆跟踪的特点,提出一种基于Mean Shift和C-V模型的车辆跟踪算法.首先利用传统Mean Shift得到初始跟踪窗口,然后根据C-V方法所提取的车辆形状信息对跟踪窗口的中心和大小做进一步修正,在跟踪过程中综合利用了目标颜色、形状等信息,同时对传统C-V方法进行改进,采用一种新的初始化水平集函数表达方法.实验结果表明,文中算法在满足实时性要求的同时,大大提高了车辆跟踪精度.     

改进YOLOv5的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块,一般情况下,车辆检测和车辆表观特征提取是在不同的神经网络中进行的,且一张图中的车辆目标越多,对车辆表观特征提取耗费时间的也越多,推理时间也相应变长。针对这一问题,基于经典的Tracking-By-Detection模式,提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块,使YOLO在输出目标位置信息的同时输出目标特征信息,以提高算法的跟踪速度。针对车辆间彼此覆盖的情况,提出一种基于动态IOU阈值的非极大抑制算法,以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配,从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性,实验结果表明,将YOLOv5网络进行改进后运用在目标跟踪算法中,相对于经典的YOLO+DeepSORT跟踪模型,在车辆密集的情景下平均推理时间减少了17%;在改进后的网络上添加动态IOU阈值非极大抑制,跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。     

基于无锚的轻量化孪生网络目标跟踪算法

针对运算资源受限条件下难以实现高精度、高帧率跟踪的问题,提出一种基于无锚的轻量化孪生网络目标跟踪算法.首先使用修改的轻量级网络MobileNetV3作为主干网络提取特征,在保持深度特征表达能力的同时减小网络的参数量和计算量;然后对传统互相关操作,提出图级联优化的深度互相关模块,通过丰富特征响应图突出目标特征重要信息;最后在无锚分类回归预测网络中,采用特征共享方式减少参数量和计算量以提升跟踪速度.在两个主流数据集OTB2015和VOT2018上进行对比实验,实验结果表明,该算法相比于SiamFC跟踪器有较大的精度优势,并且在复杂跟踪场景下更具鲁棒性,同时跟踪帧率可达175帧/s.     

IMM算法在车辆机动目标跟踪中的应用

针对高速公路车辆的机动目标跟踪问题,采用交互多模型算法(IMM)中的2个模型分别表示车辆的匀速运动状态和匀加速运动状态,并结合目标运动模型对目标当前加速度和其方差进行蒙特卡洛仿真.仿真结果表明该算法不仅可以在匀速运动时将关键测量噪声减低,而且在机动模型中保证状态估计量比未滤波的雷达测量值精确,同时可以对运动模型进行准确的识别,从而改善路面机动目标的跟踪性能,提高车辆的安全性和可靠性.因此,交互多模型算法可以满足高速车辆机动目标跟踪的要求.     

基于多分辨率光流和多尺度角点的运动车辆跟踪

针对稀疏光流LK(Lucas-Kanade)算法不能稳定跟踪快速移动目标的局限性,提出了基于小波金字塔的多分辨率光流跟踪算法.算法基于多分辨率思想对原始稀疏光流进行了改进,从而实现了准确跟踪快速移动目标.在特征提取方面,提出了多尺度Harris角点检测方法,较好地解决了传统Harris方法的漏检和角点分布不均匀的缺陷,适合复杂交通场景中运动车辆特征提取.实验表明,当运动车辆旋转、移动以及摄像机变焦时,角点始终稳定可靠,并且跟踪算法能够快速、准确地匹配特征角点,实现了复杂交通场景下对运动车辆目标的实时稳定跟踪.     

基于尺度估计的无人机场景车辆跟踪算法研究

无人机场景下的车辆跟踪发展迅速,并且研究方向较为广阔.近些年来,基于相关滤波的目标跟踪算法达到了不错的跟踪效果,并且它的快速算法满足了我们的需求,具有很好的应用前景.以相关滤波算法作为框架,使用基于尺度估计核相关滤波目标跟踪算法.通过循环位移的方法扩展候选训练样本,经过计算训练样本与目标样本的相关系数产生置信响应图,并通过置信响应图的相应最大值来确定当前帧的目标位置.特征选择双选机制并结合颜色模型,可改进目标跟踪的精度和速度.采用德国实验室提供的无人机车辆视频,并对提出的算法和特征选择方法与之前方法进行对比实验.由实验结果得出,本研究所提出的算法比以往的算法有较大提升.     

基于卡尔曼滤波改进压缩感知算法的车辆目标跟踪

针对传统的基于压缩感知技术的目标跟踪算法存在的跟踪漂移问题，提出了一种采用改进压缩感知算法和卡尔曼滤波方法相结合的车辆目标跟踪算法. 首先，通过传统压缩感知目标跟踪算法识别出本帧目标存在概率最大的区域得到观测值； 其次，利用卡尔曼滤波预测本帧的跟踪轨迹得到预测值，通过卡尔曼滤波增益系数对预测值与观测值进行修正，获得最终目标跟踪结果； 最后，在修正后的目标区域周围进行正负样本采样以实现朴素贝叶斯分类器更新，进而实现目标跟踪轨迹的实时更新. 通过实验室试验以及野外实测验证了所提方法的可行性，相较于基于压缩感知技术的目标跟踪算法，本文所提方法的跟踪结果平均误差分别降低了48%和89%，跟踪轨迹更加趋近车辆真实运动轨迹.     

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。     

亚投射模与亚内射模

通过引进模的内射根，给出亚内射模的定义，用亚投射模和亚内射模，给出任意环Ｒ中非０单投射和非０单内射模的存在性的等价该划，同时我们考虑了亚投射模和亚内射模的一些性质，讨论了亚内射模和亚投射的结构，最后我们举出例了说明：亚投射模未必是投射模，亚内射模未必是内射模，并且投射模也未必是亚投射模，内射模也未必是亚内射模。     

有限群L(3,2)的GF(2)模

采用代数的方法,讨论了群L(3,2)的GF(2)模,特别对于L(3,2)的GF(2)模的可分解性作了比较详尽的研究.该法也可用于更加复杂的有限群的讨论.     

x-提升模

通过引入x-提升模的概念，讨论了两个x-提升模的直和仍然是x-提升模的充分条件．作为推论可得到两个提升模的直和仍然是提升模的充分条件．     

关于正则环的若干性质

本文通过P-平坦模的性质,研究了正则环的一些性质,并给出了正则环的一些有益刻画,得到了R为正则环当且仅当每一个奇异右R-模P-平坦当且仅当每一个循环奇异右R-模P-平坦当且仅当P-平坦右R-模的同态像P-平坦这一主要结果。     

关于NCD－环作成环的条件

本文利用ＮＣＤ－环上的模的理论，研究了ＮＣＤ－环作成通常意义的环的若干条件。     

只有一个不可分解么模的环

在Hopf代数的研究中,需要刻划只有一个不可分解么模,且此模为单模的环.环的正则模是若干这一单模的直和.本文给出了这类环的结构.     

直内射模与扩张直内射模

本文是关于直内射模工作的继续.文章首先进一步讨论了直内射模的性质,得到:一个环R是Artin半单环的充分必要条件是每个R-模都是直内射模.然后根据Harada关于模的扩张性的定义,研究了扩张直内射模,指出了当R-模M是扩张直内射模时,Krull-Schmidt-Matlis问题有肯定的回答.同时还证明了模的扩张直内射性按直和项保持.     

几乎相关内射性和扩张模

讨论了模的几乎相关内射性和扩张性．研究了扩张模的直和     

分次版本的Enochs定理

证明了分次版本的Enochs定理: 设A是有限生成分次R-模B的分次子模, 若对任何FP-gr-内射 R-模E, 分次同态f:A→E恒能扩张到B, 则A是有限生成的。 由此得到有限生成分次R-模M是有限表现的当且仅当对任何FP-gr-内射模E, 都有EXT1_R(M,E)=0。