一种新的快速鲁棒多摄像头目标跟踪方法

多摄像头(视角)目标跟踪系统中,由于视角间存在大量信息冗余可有效提高跟踪鲁棒性.但在传统基于模板匹配方法中,由于视角不同导致匹配不准,会带来较大跟踪误差.针对这个问题提出了一种基于卡尔曼滤波的在线目标信息时空交互算法,利用多摄像头几何限制,实现多个摄像头的信息交互,减少了模板匹配的搜索范围,进而降低了多摄像头目标跟踪算法的计算复杂度.同时通过在线估计卡尔曼滤波模型中噪声功率,并且自适应调整卡尔曼增益将信息交互过程中误差传递降至最小.仿真结果表明,该方法可以实现更鲁棒的目标跟踪.     

基于拓扑结构的多摄像头网络协同跟踪机制

在城市安防监控系统中,由于存在着摄像头数目多,被监控的目标运动快,无法对目标进行快速而又准确的自动跟踪等问题.本文将摄像头监控系统与地理信息系统(GIS)相结合,通过定义摄像头之间的时间转移概率,构建了一个多摄像头网络时空拓扑结构模型,将多个摄像头有效的关联在一起,同时建立目标与类似目标之间的费用流网络,通过求得最小费用最大流方式实现目标路径估测.     

基于多路图像融合的目标跟踪系统设计

针对传统视频监控在区域面积较大的场所具有目标跟踪范围有限、小目标特征不全、数据存储浪费、信息检索复杂等问题,提出基于多路图像融合的目标跟踪系统的设计方案及相关算法。根据现有智能视频分析技术,提出基于双重机制的目标检测算法以提高目标检测效率和准确度,设计单摄像头目标跟踪与特征放大并行方案解决目标跟踪不流畅及目标特征不全的问题,提出多摄像头协同跟踪与视频图像融合算法解决大范围连续跟踪问题。实验测试表明,系统能较好地在摄像头之间连续跟踪目标,并将各摄像头获取的目标关键数据进行有效融合,数据存储量小,能满足无人值守时监测需要,具有一定的实用性和可推广性。     

一种多目标检测跟踪算法研究

针对多目标跟踪领域中现有研究方法存在的实时性差、易漂移等问题,基于YOLOv3算法和KCF算法,提出了一种多目标检测跟踪算法.首先,利用训练好的YOLOv3网络获取视频中目标的位置,并对各个目标进行ID分配;其次,将多个目标并行输入到基于核相关滤波的跟踪模块进行目标跟踪;然后,判断是否满足启动修正策略的条件,若满足则用...     

一种运动目标检测与跟踪快速算法的研究

运动目标的检测与跟踪是计算机视觉和图像编码研究的主要内容之一,有着广泛的应用领域。而基于光流场的检测与跟踪是其常用的方法之一。本文提出了基于帧间差阈值法和光流场相结合的快速运动目标检测与跟踪算法,计算结果表明该算法简单实用、运算速度快,克服了单纯光流场方法的不足。     

基于多传感器数据融合的目标识别和跟踪

基于单传感器（雷达或红外）系统存在局限性,提出了基于多传感器（雷达和红外）信号融合的目标识别和跟踪系统,它能利用不同传感器的数据互补和冗余。特征层融合能通过利用其他传感器模块提供的目标特征信号来提高目标检测概率和降低虚警概率;决策层融合能矫正因受干扰等原因而失去目标跟踪能力的传感器模块的伺服跟踪回路,并提高抗干扰性。     

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%.     

多摄像头目标跟踪动态单应投影方法研究

动态单应投影变换算法利用各个摄像头之间的相对位置参数,并基于文中所给出的光轴辅助坐标变换方法,可以快速地计算出各个视角间单应变换矩阵的参数,通过该变换可以实现各视角图像间的快速投影.这种快速投影变换方法不需要通过匹配视角间图像的像素点对来计算单应矩阵参数,而是直接利用摄像头内部固定参数和外部相对位置参数快速计算视角间图...     

一种基于多目标独立跟踪的机载定向天线

机载视距定向天线是无人机测控链路的重要组成部分,不仅需要满足对多个目标独立跟踪的功能要求,还需要满足体积小、重量轻的装机要求,传统定向天线不能同时满足功能和装机的要求。笔者设计了一种基于多目标独立跟踪的机载定向天线,采用双方位共轴设计实现了一台天线座架安装两副定向天线,进而实现多目标独立跟踪。整个天线高度集成,有效地减轻了重量,减小了包络尺寸,能够满足装机要求,适应更多的载机平台。     

运动目标识别与跟踪系统实现方案探讨

本论文主要研究视频序列图像中运动目标识别与跟踪的基本原理及实现方案。运动目标识别与跟踪系统是主要是通过对成像设备所获取的图像序列进行处理,力图从复杂的背景中识别出目标,并对目标的运动规律加以预测,实现对目标的连续、准确的跟踪。系统的算法涉及目标图像的预处理、目标识别与目标跟踪等。     

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。     

基于异质信息对齐和重排序的跨模态行人重识别方法

可见光图像和红外图像成像原理不同,面向可见光和红外光的跨模态行人重识别面临较大的跨模态差异,行人异质信息对齐和挖掘异常困难。为此,提出基于异质信息对齐和重排序的跨模态行人重识别方法。在异质信息对齐方面,提出一种新的异质局部信息对齐算法,通过求取行人异质局部信息距离矩阵的最短路径,实现同一行人异质局部信息的动态匹配,解决行人异质信息对齐问题;在重排序方面,提出拓展k近邻重排序算法,通过动态地拓展查询图像k近邻异质信息,实现同一行人异质信息的融合,解决行人异质信息挖掘困难问题。实验结果表明,在SYSU数据集全场景查询模式上,所提方法与AGW模型结合k近邻重排序算法相比,在评价指标mAP和Rank-1上分别提升了10.12%和8.6%。     

一种自适应颜色特征的目标识别与跟踪法

文中提出了一种自适应颜色特征的目标识别和跟踪方法,该方法结合图像颜色特征和形态特征对图像进行处理.首先依据颜色特征对帧图像进行初步处理,利用图像数学形态学的运算特点,对初步处理的结果进行修正补偿.在识别跟踪过程中,作为识别依据的颜色特征会根据目标颜色特征的改变自适应地进行更新.在类人足球机器人比赛中取得了比较理想的识别跟踪效果,应用证明该方法可以提高视觉子系统的实时性和精确性.     

一种快速的目标边缘提取及跟踪方法

在光学跟踪测量系统对目标跟踪的过程中，需要随着目标的移动，始终知道目标的坐标。这就需要采用的算法能够准确、快速地找到目标所在位置。文中正是基于此种要求提出了一种快速的目标边缘提取及跟踪的方法。     

多分支融合变分细化蒸馏的跨模态行人重识别

目的 针对目前跨模态行人重识别研究中对行人细腻区域关注不足以及网络易受噪声影响的问题,提出一 种多分支融合变分细化蒸馏学习方法。 方法 首先,网络通过多分支聚合不同粒度的全局特征,督促深层网络学习 两种模态的全局信息和细节信息,丰富行人的特征描述符;然后,结合变分细化蒸馏策略,对特征信息进行再压缩, 保留与任务相关的深层信息,同时丢弃无用的干扰物;最后,将网络捕获的不同特征用多种损失函数联合监督,以 提高网络对行人表征的敏感度。 结果 所提方法在 SYSU-MM01 数据集的全搜索模式下,R-1 和 66. 93%和 mAP 分别达到 65. 25%;在 RegDB 数据集的可见光到红外设置下,R-1 和 mAP 分别达到 78. 26%、77. 83%。 结论 通过 消融实验、对比实验和可视化实验,充分验证了所提方法的有效性。     

一种视频序列中运动目标的检测与跟踪方法

运动目标的监控与测量在汽车导航和智能监控行业中得到大量应用。本文提出了基于统计背景模型和灰度质心模型的运动目标检测和跟踪算法。在此方法中先建立背景的高斯模型,然后检测出场景中的运动目标,最后根据目标检测的结论,得到运动目标灰度质心的计算结果,并在坐标系中记录位置,采用最小二乘法拟合实现了对运动目标的跟踪。相应的实验结果表明这种方法能有效检测和跟踪运动目标。     

智能小车目标识别跟踪系统的实现

对目标识别与跟踪技术进行了分析,在此基础上结合智能小车目标跟踪系统的开发,详细讨论了特定目标跟踪系统的具体实现方法、数字图像处理在目标识别中的应用以及小车智能控制的软、硬件设计.该系统通过配置在智能小车上的摄像头,采用数字图像处理技术对特定目标进行识别,在目标运动过程中,通过单片机接收计算机发出的命令控制智能小车跟踪目标,在没有人为干预的情况下,能够自主运行,稳定地跟踪目标.该设计为生长机器智能系统提供了一个研究平台.     

一种改进的RBF神经网络多目标优化算法

针对RBF网络训练中的多目标优化问题,提出了一种基于Pareto方法的改进的非支配排序遗传算法INSGA(Improved Non-dominated Sorting Genetic Algorithm).通过对某企业的订单数据进行预测的实验结果表明,它可以有效地解决以训练误差和测试误差为优化准则的RBF网络的参数确定问题,验证了改进的NSGA算法与RBF网络结合的可行性.     

图像目标识别与跟踪方法研究

为研究目标识别与跟踪领域的新方法,提高图像检测技术的水平,对现有的图像目标识别与跟踪方法做了一个系统的总结,包括图像预处理、图像特征提取与识别、目标跟踪三大模块,分别对每一模块所采用的方法进行介绍、归纳.     

一种具有目标匹配约束的加权多示例学习视频目标跟踪算法

以多示例学习(Multiple Instance Learning,MIL)目标跟踪方法为代表,基于自适应辨别模型的视频目标跟踪算法近年来得到广泛重视,这些算法用分类器对图像进行处理,将使分类器置信最大的采样样本作为当前帧的跟踪结果.在此基础上,基于加权多示例学习(Weighted Multiple Instance Learning,WMIL)的目标跟踪算法提出在分类器学习阶段对正样本进行重要性采样,加大正包内正样本的贡献,达到更好的跟踪效果.然而,当前一帧输出结果不准确时,会使得分类器学习性能下降,从而引起目标漂移或跟踪失败.本文基于WMIL算法,提出用目标匹配约束预判断当前帧是否存在目标漂移,从而对下一帧采样中心位置进行矫正,达到抑制目标漂移以及避免跟踪失败的效果.仿真结果表明,本算法在标准视频测试集上都取得了较优的结果.