基于全景视觉的目标跟踪方法研究

文章充分利用全景视觉具有360°视域的特点,将其引入视频监控领域,提出了一种基于全景视觉的目标跟踪方法。该方法基于多摄像机跟踪的思想,通过分析全景视觉的构造,将其分解为基于静态相关联多相机的跟踪。通过划分视场分界线,确定摄像机间的重叠区域,并对摄像机间相互关联关系进行描述和判断。当目标进入重叠区域时,通过同一目标在相邻视域中的关联实现目标交接,以达到在整个全景视觉中实现目标连续跟踪的目的。以全景视频中的行人跟踪为例,对文中所提的跟踪方法进行验证。实验结果表明,该方法可以有效解决多相机间的目标交接问题,实现全景视觉下目标的连续跟踪。     

全景体视图自动方程

在体视结构中,视点、景物以及画面三者间相对位置的任何改变均会引起体视图的变异,本文建立的自动方程,含有11个可变参量(6个景物参量、3个视点参量、2个画面参量),适当地控制这些参量,即可绘制出所希望的全景体视图。实现了:(1)景物姿态随意变换;(2)全景跟踪观察;(3)画面可置于空间任意位置。至此,彻底地解决了单画面全景体视图的算法。本文还初步实现了复合画面全景体视图,将对全景体视图的更深入研究及开拓应用起到推进作用。     

基于多视图像序列跟踪的SAR地面运动目标检测

为基于合成孔径雷达(SAR)检测地面切向运动目标,提出基于多视图像序列跟踪的检测方法。在SAR多视图像序列上,具有切向速度的地面运动目标在子视图像间的位移轨迹可近似为一条斜线。该算法利用具有方向性约束的动态规划实现动目标在SAR多视图像序列上的轨迹跟踪,进而沿散焦轨迹作非相干积累可显著改善微弱目标检测性能。基于跟踪信息可实现动目标切向速度估计和解Doppler模糊。基于实测机载SAR数据的数值实验证明了该方法的有效性。     

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。     

多运动目标探测标记及跟踪

针对跟踪系统对多目标跟踪以及对实时性的要求,给出了一种基于中心点和面积特征匹配的多运动目标探测标记及跟踪方法．该方法利用对多运动目标检测后的二值图像进行了连通成分标记,提出了一种新的探测搜索标记法,赋予不同连通区域不同的数字来区分,通过四连通区域法来实现．由运动目标的4个顶点来确定中心点,通过面积及中心点距离从而进一步去匹配,最后根据标记结果在原图像中准确地框定了各运动目标,从而实现对运动目标的跟踪．采用上述算法,对车辆视频进行了跟踪,取得了较好的实验结果,跟踪实验结果验证了该方法具有很好的实时性．     

基于KLT多视图特征跟踪的物体三维重建

为了提高三维重建精度,文章提出一种基于Kanade-Lucas-Tomasi(KLT)多视图特征跟踪的物体三维重建方法。首先采用Shi-Tomasi算法提取特征,通过KLT跟踪算法获取特征匹配点,从而将所有相邻图像进行三维点云重建,并通过光束法平差(bundle adjustment,BA)算法进行优化;然后采用KLT跟踪算法获取空间点在相邻3幅图像的投影点,从而建立不同视图坐标系间的变换模型,获取转换比例系数;再通过融合多视图的三维点云实现物体的三维重建。实验结果表明,通过KLT算法,不仅提高了特征点匹配数量,还解决了多视图构建的不同三维点云坐标系的相互转换问题,实现了物体的多视图三维重建。     

基于概率修正的机场场面运动航空器跟踪算法

基于光电设备的航空器识别跟踪是机场场面监视的重要手段。针对机场场面全景视频监视中运动航空器跟踪算法存在的计算效率低、目标丢失等缺点,提出了基于概率修正的场面运动航空器跟踪算法。首先,预先估计出运动航空器目标概率图,降低在搜索区域内搜索目标时的计算量。通过引入干扰项抑制后,降低对真实目标的干扰。其次,在当前搜索区域内滑动窗口依次计算候选窗口是航空器目标的得分,选取得分最高的候选窗口作为新的航空器目标位置。再次,根据航空器目标位置更新概率图。最后,在多个场面监控视频图像序列上进行测试,对比分析了算法对目标周围出现的相似的区域有较好的抵抗力,在跟踪所得目标区域与真实目标区域的重叠面积率方面具有显著优势,验证了算法能够在目标尺度变化较大的情况下较好的实现对运动航空器的连续准确跟踪,能够满足对场面运动航空器跟踪的有效性和稳定性要求。     

基于目标视图的数据交换引擎的研究

借鉴数据仓库在线维护技术思想,提出利用全局目标视图来表达部门用户对数据共享或交换的需求;然后通过全局目标视图分解与重写算法,将全局目标视图分解为仅仅与单个底层数据源相关的局部目标视图,通过对它们的实化来达到企业各部门之间数据共享与交换的目的.     

基于多特征融合的目标跟踪算法

针对单一特征的目标跟踪算法鲁棒性较差的情况,利用目标的多种观测信息通过D-S证据理论进行融合跟踪.在粒子滤波的总体框架下,嵌入Mean-Shift算法产生更加逼近真实后验分布的粒子,同时采用颜色和运动边缘特征作为观测模型,有效地避免了单一颜色特征在光照突变、姿态变化以及背景相似情况下的跟踪稳定性较差的问题.实验表明,该...     

相机运动状态下的实时运动目标跟踪算法

提出了一种相机运动状态下的实时运动目标跟踪算法。根据运动目标对光流结果的影响对特征点进行筛选;利用光流法对相机的全局运动进行估计;根据全局运动估计的结果对粒子滤波的运动方程进行修正,选取颜色直方图作为目标的特征模型,实现对移动目标的跟踪。实验结果表明,在相机运动的状态下,能够准确快速跟踪运动目标,可以达到实时性要求,具有非常好的鲁棒性。     

基于多特征融合的多摄像机人体跟踪方法

在非重叠视野摄像机网络中, 因视觉盲区等因素的存在, 难以对人体目标进行准确可靠的持续跟踪, 为此, 提出一种融合主颜色特征、 纹理特征和时空拓扑特征的目标跟踪算法。该算法将人体区域分割成上、 中、 下3个目标子块, 分别利用最近邻聚类算法提取每个目标子块的主颜色信息, 并计算主颜色匹配率; 通过提取目标的空间纹理特征获得纹理匹配率; 最后通过融合计算人体外观匹配模型。同时, 根据目标关联信息的累计统计信息, 采用增量学习思路建立和更新摄像机网络的时空拓扑关系。实际场景的实验表明, 该算法能有效地对非重叠视野多摄像机网络中出现的人体目标进行连续跟踪, 并随系统的持续运行和监控区域中新目标的不断出现, 其跟踪准确度也随之提高。     

基于在线多示例学习的协同训练目标跟踪算法

为解决把多示例学习应用到目标跟踪算法而导致的误差积累问题, 结合协同训练方法, 提出一种新的目标跟踪算法。该算法利用协同训练克服分类器自训练带来的误差积累, 同时在线多示例学习提高了跟踪效果的鲁棒性。将跟踪结果中心与理想目标位置中心的误差作为评价标准, 在标准视频序列上将跟踪结果与半监督学习跟踪算法和传统多示例学习跟踪算法进行对比。实验结果表明, 该方法在背景光照变化、目标旋转等复杂条件下, 可很好地跟踪目标, 具有较好的鲁棒性。     

基于改进CAMShift的多目标自动跟踪

针对半自动CAMShift算法存在小目标颜色建模能力弱,计算窗口自适应能力不足和易受相似色目标干扰的问题,首先结合运动检测提取跟踪目标,并对颜色重采样以增强感兴趣对象,然后利用其在帧间运动的尺度、速度变化来优化计算窗口以减小计算量,最后提出一种遮挡抑制的思想解决相似色干扰问题.实验结果验证了所设计方法的正确性和鲁棒性.     

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.     

空间目标天基光学跟踪可观测性分析

针对天基光学监视跟踪系统可观测性问题,建立了空间目标天基光学监视跟踪模型,引入跟踪滤波误差下限(CRLB)和系统可观测度定义,并提出了瞬时可观测度概念.结合仿真实验对测量条件、观测几何以及系统配置等影响系统跟踪可观测性的因素进行了分析.仿真结果表明,所提出的可观测分析方法能实现对天基光学定位跟踪系统性能的客观有效评定.     

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.     

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.     

多特征融合的视频目标深度跟踪

针对现有基于卷积神经网络跟踪中需要大量离线训练以及在线更新耗时的问题,提出了一种多特征融合的视频目标卷积跟踪算法。算法首先设计了一种浅层前向自学习卷积网络提取目标候选区域的局部卷积特征;然后计算融合了空间信息的颜色直方图特征;在此基础上,采用归一化加权方法在全连接层融合卷积特征和全局颜色特征形成目标的表观描述;最后基于粒子滤波算法,通过计算目标模板与候选目标之间的相似度,估计目标位置。采用OTB-2013公开测试集验证所提跟踪算法的性能,与8种主流目标跟踪算法进行了分析对比。实验结果表明,本文算法的目标跟踪精度和跟踪成功率在多种场景下取得了不错的性能,在保证跟踪精确率的前提下,跟踪鲁棒性优于其他算法。可见提出的多特征融合的卷积跟踪算法通过提取所跟踪视频的自身特征生成卷积器而无需进行大量离线训练,且与手动特征进行融合增强了目标的表达能力,这种策略具有一定的借鉴性。     

基于目标背景加权的核跟踪

在核跟踪(Mean Shift跟踪)算法中,目标的表示方法对跟踪性能有很重要的影响.传统的核跟踪算法只是通过计算目标模型和候选目标模型,对目标进行跟踪,没有消除背景的影响,特别是目标与背景相近的情况.对此,提出了一种目标背景加权的核跟踪算法,该算法是在跟踪过程中对目标模型进行背景加权,并且在目标的表示中采用颜色纹理联合直方图.为了验证跟踪的可靠性,利用跟踪位置与目标位置之间偏移量的均值和方差进行衡量.实验结果表明,与传统的跟踪算法相比,该算法在目标的表示和跟踪性能上有很大的提高.