面向船舶智能航行的多目标实时跟踪方法

为能够实时跟踪周围船舶目标,提出一种船舶多目标实时跟踪方法.利用训练好的检测器来检测航行中会遇到的各种船舶,然后通过改进的DeepSort跟踪算法将检测结果进行关联匹配,从而完成多个船舶目标的实时跟踪.通过生成船舶重识别数据集来训练DeeSort算法中的特征提取网络,并改进了表观匹配中特征向量集的更新方式,使得空间有限的集合存储更多种表观特征.实验结果表明:提出的算法能够显著提升跟踪性能,其中轨迹切换身份的次数降低11%,轨迹被打断的次数降低5.8%,且不会增加计算时间,能够满足海上船舶目标感知的准确性和实时性要求.     

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.     

实时标记的多目标图像跟踪器

提出了一种实时标记算法，该方法以目标二值像段作为处理的基本单元，利用目标二值像段起，终点坐标和相邻扫描行中二值像段的邻接关系，完成多个目标图像的标记和测量工作，具有占用存储量少，计算速度快等优点，基于这种算法，构造了一个多标成像跟踪器，可在２０ｍｓ内实现１５个（或更多）目标的实时测量和跟踪，还给出了实时标记的实验结果和硬件电路框图。     

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。     

基于目标序列分析的智能监控多目标自动检测跟踪

针对道路交通监控场景，提出并实现了一个多目标自动检测与跟踪系统． 首先通过高斯混合模型的运动 信息提取方法得到目标运动信息，并分析了目标信息的连续多帧历史信息， 估计目标区域信息在连续多帧中的统 一性，进而通过信息融合的方式得到了目标检测结果． 然后提出了监控场景下多目标的跟踪与管理策略， 根据目标 检测结果，对场景中的多个目标同时进行跟踪．最后， 根据目标的不同状态将目标划分为新出现目标、被更新目标 和被跟踪目标等不同的类别，提高目标跟踪的准确性．     

基于遗传算法的粒子滤波器在目标跟踪中的应用

粒子滤波器是解决非高斯运动跟踪的一种非常有效的方法，粒子滤波器存在的一个最大的问题是粒子的退化现象，本文中我们提出了一种基于遗传算法的改良粒子滤波器设计方案，以进化设计解决了退化问题，并结合理论与实践证明了其解决粒子退化现象上的优势。     

背景加权的多特征融合目标跟踪算法

针对单一特征目标跟踪导致多数跟踪算法鲁棒性差的原因,提出一种背景加权的多特征融合目标跟踪算法。在跟踪过程中对目标模型进行背景加权,同时利用空间直方图提取目标颜色的空间分布信息。在粒子滤波框架下将背景加权直方图和空间直方图相结合,并且引入特征不确定性度量,自适应调整不同特征对跟踪结果的贡献,有效地提高了算法的鲁棒性。实验结果表明:与传统融合算法相比,提出的算法具有更强的鲁棒性,同时提高了跟踪精度。该算法在目标表示和跟踪性能上都有很大的提高。     

实时标记的多目标图像跟踪器

提出了一种实时标记算法。该方法以目标二值像段作为处理的基本单元，利用目标二值像段起、终点坐标和相邻扫描行中二值像段的邻接关系，完成多个目标图像的标记和测量工作，具有占用存储量少，计算速度快等优点．基于这种算法，构造了一个多目标成像跟踪器，可在２０ｍｓ内实现１５个（或更多）目标的实时测量和跟踪。还给出了实时标记的实验结果和硬件电路框图。     

联合Mean-shift与粒子滤波器的实时视频目标跟踪算法及实现

粒子滤波器由于摆脱了高斯分布的约束条件,已经成为一种主流的、面向目标的非线性运动跟踪算法,广泛应用于视频压缩与检索、智能视频监控、智能人机交互等领域,其缺点是计算复杂度高、计算量庞大,无法满足实时应用的需求。针对粒子滤波器在计算量、实时性及粒子退化方面存在的问题,提出了将Mean-shift算法嵌入粒子滤波器,对重要性采样分布进行优化,以较少的采样粒子实现视频目标跟踪。仿真实验结果显示,联合Mean-shift的粒子滤波算法在目标跟踪过程中具有较好的实时性与鲁棒性。     

水下机动目标跟踪系统的实时数据处理

本文介绍α－β滤波器和多径跟踪技术的基本原理，在超短基线水声跟踪定位系统中，用于对水下机动目标的航行轨迹进行实时滤波和跟踪。经湖上试验验证，该技术可明显改善定位精度，并具有良好的裤时跟踪能力。     

一种抑制背景干扰的粒子滤波人脸跟踪算法

首先从理论上推导出基于MMSE状态估计在背景干扰下的偏差,然后通过实验说明基于MAP状态估计存在的问题,在此基础上提出一种新的跟踪目标状态参数估计方法.即在视频目标跟踪过程中,按照粒子权值大小的准则,筛选适当数量具有较大权值的粒子进行目标状态估计.由于该算法利用了参考目标与候选目标相似度大的特性,所以可以有效地剔除背景以及伪目标的影响.实验结果表明,该算法具有很好的鲁棒性,并且提高了在背景干扰下目标跟踪的精度.     

融合背景信息的改进粒子滤波跟踪算法

为消除传统粒子滤波算法在跟踪目标受到相似背景干扰和遮挡时,容易造成跟踪误差增大或跟踪失效的影响,提出融合背景信息的改进粒子滤波跟踪算法.利用对数似然函数将背景信息融入目标模型,并将目标分为多个子区域增强目标模型的可靠性,有效克服了相似背景对目标的干扰;然后存储一定时间的历史轨迹信息,通过最小二乘法进行拟合并预测下一帧目标出现的位置,有效克服了遮挡对跟踪的影响.实验结果表明,该算法比传统的粒子滤波算法具有更强的抗背景干扰能力,在遮挡情况下也有更好的跟踪精度.     

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...     

基于背景差分和粒子滤波的运动目标跟踪算法

针对粒子滤波算法在复杂环境下粒子数量显著增加导致跟踪实时性下降的问题,提出一种将背景差分引入到粒子滤波算法中的新算法.利用背景差分对图像处理后得到检测结果,将分布在已被检测为前景像素点上的粒子定义为重要性粒子,增大了其权值.实验结果表明,该算法能使用较少的粒子实现较好的跟踪,提高了跟踪的实时性.     

一种基于人体运动目标跟踪的RJMCMC算法

提出了一种基于粒子RJMCMC算法的人体运动跟踪仿真算法,首先利用Simulink仿真将人体运动过程中各个关节点逐一收集起来,建立运动特征值矩阵,然后利用粒子RJMCMC算法来实现对矩阵每个关节点的跟踪,通过将RJMCMC算法与粒子滤波算法中重采样过程的融合,更加合理地对权值分布进行优化,从而降低权值的锐度,提高粒子样本的多样性。     

改进的粒子滤波算法在目标跟踪中的应用

粒子滤波算法中通常采用先验转移概率代替重要性函数,由此重要性密度函数对后验函数的偏差将增大。将小波去噪应用到粒子滤波过程中,降低了偏差,提高了粒子算法的滤波精度,并将该算法应用到目标跟踪的过程中,通过仿真证实该方法能够提高粒子滤波精度。     

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.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.