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.     

结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.     

基于运动模型和数据关联的多目标跟踪

在多目标跟踪的拥挤场景中,目标之间的相互遮挡以及目标外观变化,给多目标跟踪中的目标位置预测和数据关联带来了很大的挑战.利用卡尔曼滤波算法建模目标运动模型对目标轨迹进行预测,能够有效缓解目标外观变化的影响.数据关联是多目标跟踪中的重要组成部分,为此,设计了一种相关性网络来处理多目标跟踪中的数据关联.实验结果证明：利用运动模型在跟踪速度上可以实现实时的跟踪效果,设计的相关性网络有效提升了跟踪器的跟踪精度.     

一种分解式模糊聚类粒子滤波的WSN多目标跟踪方法

针对无线传感器网络环境下的多目标跟踪时近相距和轨迹交叉目标容易出现目标丢失和跟踪混淆的问题,提出一种分解式模糊聚类粒子滤波(DFCM—RPF)的多目标跟踪方法。把多传感器数据融合和多目标跟踪问题分解为单传感器数据融合和单目标跟踪问题,先对传感器节点量测用基于跟踪门限算法去除杂波,在各传感器节点的观测空间分别建立模糊聚类算法进行数据关联并最优融合,然后用正则化粒子滤波预测目标状态。仿真表明,DFCM—RPF算法与原FCM多目标跟踪方法相比,航迹关联正确率由85%提高到100%,目标预测位置的RMSE由4.437 7 m下降到1.307 3 m,DFCM—RPF算法体现了较好的跟踪性能,并集数据关联、数据融合和目标跟踪于一体,大大降低WSN多目标跟踪问题的复杂性和计算量。     

行人多目标跟踪算法

针对多目标跟踪中因目标遮挡而导致跟踪过程中身份交换频繁的问题, 提出一种行人多目标跟踪算法. 该算法首先使用YOLOv4作为检测器, 检测出目标并确定检测框坐标, 利用扩展Kalman滤波器对轨迹进行预测; 然后用匈牙利算法作为数据关联模块, 采用级联匹配方法将扩展Kalman滤波预测的检测框与目标检测的检测框进行匹配, 并将发生遮挡的目标加入轨迹异常修正算法; 最后在数据集MOT16的测试集上进行实验. 实验结果表明, 该算法取得了56.5%的跟踪准确度, 且对遮挡现象效果良好, 有效改进了对目标遮挡身份频繁切换以及遮挡引起的目标丢失的问题.     

基于层级特征与相似性估计的跟踪器

针对多目标跟踪中存在的小目标易漏检和遮挡问题造成的身份切换等问题,沿用经典的基于检测跟踪(tracking-by-detection)框架,提出了一种基于深度学习的数据关联方法。利用深度学习特征提取的能力,在基于行人检测基础上设计了层级特征提取相似性估计的多目标跟踪器。通过端到端的方式提取跟踪物体的层级特征,并计算不同帧物体间特征的相似性,得到相似性矩阵。再利用匈牙利算法根据相似性矩阵完成最优指派问题,实现数据关联部分。实验结果表明,所设计跟踪器缓解了目标跟踪过程中由于遮挡问题带来的跟踪物体身份切换问题,并且在MOT16数据集上取得了较好的效果。     

分布式多目标自动跟踪和特征管理算法

一种可扩展的分布式多目标跟踪和特征管理的算法(DMTIM),适用于对多目标进行跟踪的传感器网络。DMTIM由数据关联、多目标跟踪、特征管理,以及信息融合所组成。数据关联和未知数量多目标的跟踪通过马尔科夫蒙特卡罗数据关联实现。通过信息融合来获取所有相邻传感器的本地一致性,实现特征管理。试验证明,DMTIM算法能够通过传感器网络实现对多目标有效的跟踪和特征管理。     

基于数据关联融合KCF与Kalman滤波的车辆多目标跟踪

在复杂交通场景下的车辆多目标跟踪,由于车辆之间较高的相似性和交互性,跟踪算法为了保证精度一般都较为复杂,无法满足智能分析应用需求。为此,本文结合简单有效的数据关联算法和快速精准的单目标跟踪算法,提出在线数据关联的多目标跟踪新方法。方法利用目标检测算法获得的当前目标集,通过关联算法建立目标与已形成轨迹集的关联矩阵,并通过行列耦合原则选出最佳关联对作为关联结果,针对不同的关联结果尤其是漏检和严重遮挡的情况,引入KCF与Kalman滤波联合完成目标轨迹的持续更新。实验表明,本文算法对目标误检、漏检以及严重遮挡情况均可以很好解决,并且对目标轨迹的实时准确获取,可以为交通视频智能分析提供可靠的轨迹数据。     

基于随机有限集理论的多扩展目标跟踪技术综述

随着传感器分辨率的不断提高,扩展目标跟踪技术在实际应用中的作用日益凸显。传统的基于数据关联的目标跟踪方法在对多扩展目标进行跟踪时难以适用,而基于随机有限集理论的方法由于避免了数据关联的困扰而得到了广泛的关注和大量的研究。通过对近年来基于随机有限集理论的多扩展目标跟踪技术研究现状进行了综合分析,包括外形建模方法、最优多目标跟踪贝叶斯滤波器的各类近似技术以及基于随机有限集的多扩展目标跟踪算法的性能评价指标等。最后在已有研究发展的基础上,提出了基于随机有限集理论的多扩展目标跟踪技术需重点关注和解决的若干问题,包括如何将外形建模与群目标轮廓建模进行结合、多机动扩展目标跟踪、多扩展目标跟踪性能评价指标、非线性非高斯下的扩展目标跟踪、非标准量测下的扩展目标跟踪等问题。     

基于改进粒子滤波的声图像多目标跟踪方法

摘要：
针对利用声图像实现水下多目标跟踪问题,提出一种改进的粒子滤波多目标跟踪算法.通过引入联合概率数据关联算法,建立了联合概率数据关联 粒子滤波算法模型,使粒子权值中得以反映量测与目标轨迹间的关联概率,有效保证了各目标跟踪轨迹的连续性.采用了包含距离及角度的双重跟踪门得到确定矩阵,使跟踪精度得以提高.补充了轨迹起始及轨迹终结方法,以对跟踪过程进行完善.最后,通过水下多目标跟踪试验,对比分析了不同数据关联算法的试验结果,验证了所提方法的有效性,为基于前视声纳的多目标跟踪提供了一种更为有效的方式. 关键词：
联合概率数据关联; 粒子滤波; 目标跟踪; 前视声纳 中图分类号： TP 39
文献标志码： A     

基于合成时空谱的多目标运动分析

针对水下多目标的检测与定位问题，提出了一种基于合成时空谱的多目标运动分析方法．该方法可对多个弱目标同时实现检测、定位、跟踪和运动分析，避免了多目标跟踪中的数据关联、轨迹交叉等信号处理难点，提高了算法的适用性．研究利用遗传算法的小生境技术，实现了多目标的运动参数估计．仿真结果表明，在低信噪比情况下，对强度不等、轨迹交叉的2个目标仍可进行有效地定位和跟踪．     

基于生成对抗网络的多目标行人跟踪算法

多目标跟踪领域中,在背景复杂、目标遮挡、目标尺度和姿态变换等情况下,容易出现目标丢失、身份交换和跳变等问题.针对这些问题,提出了一种基于检测的多目标跟踪算法,使用改进的YOLO人体人脸关联算法,对当前帧待检目标进行分类和位置检测,使用生成对抗网络构建特征提取模型,学习目标的主要特征以及细微特征,再运用生成对抗网络生成多目标的运动轨迹,最终融和目标的运动信息和外观信息,得到跟踪目标的最优匹配.在MOT16数据集下的实验结果表明,提出的多目标跟踪算法具有较高的精确度和鲁棒性,对比目前身份交换和跳变最少的算法,跳变的次数少了65%,准确度提高了0.25%.     

基于K-近邻法和粒子滤波的多目标跟踪算法

针对多目标跟踪中目标与观测样本关联难的问题,提出了一种基于K-近邻法和粒子滤波的多目标跟踪算法.首先利用K-近邻方式将目标和观测信息进行数据关联,然后利用粒子滤波算法解决非线性问题的特点,单独对所有目标进行滤波,以完成对目标状态的更新.仿真实验表明,所提算法能够很好地对多目标展开跟踪,与联合概率数据关联算法(JPDAF)相比,能更好地逼近目标的真实轨迹,跟踪精度得到大幅提升.     

基于深度聚合高分辨率网络的多目标跟踪

为了提高多目标跟踪性能，在单个网络中结合目标检测和重识别任务的特点，提出了一种基于深度聚合高分辨率网络的多目标跟踪算法.跟踪器通过DLA网络提取抽象的语义特征图，并将其输入到改进的轻量型HRNet网络中，以高分辨率聚合目标的多尺度特征，同时引入重识别分支提高匹配精度.经由传统的相似度计算、运动预测和数据关联阶段，完成跟踪流程.通过消融实验研究了不同融合层组合和特征维度对跟踪性能的影响，并在基准数据集上与当前跟踪器的各项性能指标进行比较.结果表明，所提算法以简洁的主干网络输出高分辨率的深层特征，兼顾了跟踪精度和执行效率.跟踪器的精度和识别率较高，且具备实时跟踪性能.     

一种Anchor-Free的联合模型车辆多目标跟踪算法马利陈诗煊牛斌

针对现有车辆跟踪算法不能很好地平衡效率与精度,存在较多ID切换、误检的问题,提出一种Anchor-Free的联合模型车辆多目标跟踪算法,通过把Anchor-Free可变卷积深度特征融合网络引入联合模型,在联合学习车辆目标检测和重识别特征嵌入的基础上,以轨迹关联的方式,完成车辆多目标跟踪任务.所提出的算法在UA-DETRAC车辆数据集及KITTI-tracking数据集组合成的联合数据集上进行训练和测试,结果表明,提出的车辆多目标跟踪算法有效减少了ID切换、误检问题的出现,网络结构更简单,算法运行效率更高.     

基于检测、重识别和社会长短型记忆网络的多目标行人跟踪

运动目标检测和视频跟踪技术在民用和军用的许多领域中都有广泛的应用场景。目前,尽管在车站、银行和大型购物中心等公共场所使用摄像机已非常普遍,但在复杂背景及密集场景下,用于行人跟踪的自动监控技术仍然需要大量的人工干预。多目标跟踪因其学术价值和商业潜力,在计算机视觉中逐渐备受关注。研究多目标跟踪的主要目的是减少对人类的依赖,并自动完成复杂环境中目标的实时观察以及对感兴趣目标行为的分析和描述。近年,深度学习等技术的发展使得多目标跟踪算法得到极大提升,但是当目标发生形变、尺度变化及被遮挡等情况时,还是很容易导致目标跟踪失败。现有的实时多目标跟踪研究主要集中在相关性判别上,其本质上是一种实时关联方法,而无法构成完整的多目标跟踪。本文针对多目标跟踪提出新型网络称为（detection-reid-social lstm network,DRSN）,该网络将检测和重识别（person re-identification,RE-ID）集成到一个网络中,并使用社会长短型记忆网络（social long short-term memory,Social-LSTM）对目标的轨迹进行预测。本文允许在共享模型中学习...     

基于重叠视域的跨相机多目标跟踪

针对短道速滑运动员检测难度大,难以准确进行跨相机目标交接等问题,提出了基于重叠视域的跨相机多目标跟踪算法.通过使用Global context network(GCnet)注意力模块、Funnel ReLU(FReLU)激活函数和DistanceIoU非极大值抑制（DIoU-NMS）改进YOLOXs算法,提高对粘连目标的检测精度.依据平面单应性原理将相机图像坐标映射至统一世界坐标以关联相邻相机,提出基于目标质心位置相似性与检测框空间相似性关联权重的改进型匈牙利匹配算法,实现跨相机目标一致性判定.实验结果表明：YOLOXs-GFD算法的平均准确率在Skater数据集和INRIA数据集上分别提升2%、1.1%.MOT-skater数据集上,跨相机多目标跟踪指标MCTA和IDF1分别为80.6%、83.7%.所提出的算法对短道速滑运动员的跨相机跟踪具有更优的准确性与鲁棒性.     

基于人工蜂群算法的多目标跟踪数据关联研究

为快速实现多目标跟踪的数据关联,将人工蜂群算法(ABC)与多目标跟踪数据关联相结合,实现快速的多目标跟踪数据关联.本文以跟踪门确定目标的有效量测,以新息的似然函数描述量测与目标的关联关系,建立多目标数据关联的组合优化模型,详细阐述了人工蜂群算法的基本原理,工作流程.利用人工蜂群算法寻找多目标数据关联优化组合模型的最优解,人工蜂群算法在离散空间的启发式机制实现搜索目标的量测与最佳数据关联.仿真表明,该算法与经典的JPDA算法以及基于元启发式的蚁群算法的数据关联算法进行比较,提高目标关联准确性和跟踪精度.     

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。     

基于交通视频序列的多运动目标跟踪算法

针对智能交通领域对自适应多运动目标跟踪的广泛需求,提出一种新型的基于交通视频序列的多目标跟踪算法。通过Marr小波概率核函数生成静态背景,并结合当前帧在B/RDWT(Binary/redundant discrete wavelet transforms)域进行多运动目标识别,同时采用边缘阴影剔除算法去除阴影的干扰。运动跟踪采用SI_P(SIFT-particle)粒子滤波算法,并结合改进的均值漂移(mean-shift)法获得运动目标的准确跟踪窗口。采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低运算的复杂度。算法采用VC++6.0实现,通过实际道路测试,研究结果表明:SI_P粒子滤波算法与传统算法相比,平均时耗只多0.15s,跟踪窗口尺度可自适应变化,并且该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性。