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.     

视频序列中面向行人的多目标跟踪算法

为实现视频序列中多行人目标跟踪,基于多信息融合方法,考虑多目标间严重遮挡,建立面向行人的多目标跟踪算法.提出多信息融合算法融合目标颜色和运动信息,结合均值漂移算法思想,实现常态下目标跟踪.针对多行人目标参与的遮挡,通过理论分析遮挡过程中目标面积变化,提出遮挡因子判别遮挡发生、辨识遮挡者和被遮挡对象、确认被遮挡对象重新出现等.实验结果表明,该方法能够正确跟踪行人目标,判断并处理多目标间的严重遮挡.      

基于卡尔曼滤波的多特征加权最近邻数据关联与跟踪算法

针对传统最近邻数据关联算法正确率较低且容易出现漏关联的问题,提出一种多特征加权的最近邻关联算法。根据智能车环境感知系统获得的障碍物特征数据,定义了一种相似度函数,提出基于生命周期计算有效关联度的方法,从而判定目标是否关联;基于卡尔曼滤波对关联目标进行迭代更新,实现对目标的跟踪;通过实验对比了静止目标、无交互的低速运动目标和有交互的低速运动目标的跟踪轨迹。结果表明,与传统的最近邻数据关联算法相比,所提出的改进算法可以实现对低速运动目标准确连续的关联跟踪,不会出现目标丢失或位置突变的现象,且跟踪目标的交互与遮挡对跟踪效果影响较小,具有较高的有效性与实用性。研究结果可为智能车辆的目标跟踪设计提供参考。     

一种基于卡尔曼滤波的压缩跟踪算法研究

根据道路交通监控视频的特点,采用压缩跟踪(CT)算法进行运动车辆的检测与跟踪。在摄像头变化较大、运动车辆尺度变化和背景变化等情况下,CT算法均具有很强的鲁棒性。但是当车辆被遮挡时,跟踪算法容易失效。为了解决这一问题,提出使用卡尔曼滤波对遮挡的车辆进行轨迹预测。卡尔曼滤波能根据CT算法跟踪目标的轨迹,有效地预测目标遮挡时的轨迹。实验结果表明,本算法不但可以较好地处理跟踪车辆尺寸变化的问题,在车辆丢失或被部分遮挡时,能准确而稳定地跟踪车辆,而且具有很好的实时性,满足了工程应用的需求。     

周界视频监控中人员翻越行为检测算法

针对周界视频监控应用环境特殊的问题,提出了一种人员翻越行为的检测方法。该方法采用"目标检测-人员跟踪-轨迹分析"的流程。在算法的人员跟踪过程中,将混合高斯模型得到的前景区域与KLT光流法得到的特征点运动信息结合起来,提出了一种新型跟踪算法。该算法仅使用图像的灰度信息作为输入,一定程度上能够适应目标形变及遮挡,并具有很强的鲁棒性和实时性;在算法的轨迹分析过程中,结合墙体位置信息与先验知识设计了一种新的轨迹分析的方法,不需要通过在线学习可直接对轨迹进行分析。实验结果表明,该算法在测试视频集上检测准确率超过93%,与现有方法相比,能更好地适应实际应用中复杂的环境条件。     

一种融合深度信息的视频目标压缩跟踪算法

针对复杂环境下单一特征在跟踪过程中易造成准确率下降和鲁棒性差的问题,提出一种融合深度信息的视频目标压缩跟踪算法。利用压缩感知理论分别提取目标灰度图像和对应深度图像的正负样本压缩特征,通过特征训练弱分类器,利用马氏距离赋予弱分类器权值,加权组合为强分类器,实现目标的多特征融合,视目标跟踪为一个二分类问题,确定目标跟踪结果。使用由粗到细的搜索策略减小计算复杂度。实验结果表明,该算法跟踪目标平均中心位置误差为9. 95像素,平均成功帧率可达96%,算法保持实时性的同时对视频目标运动遭遇的部分遮挡、姿态变化、光照变化以及相似物干扰等情况下的跟踪均具有较好的效果。     

一种简单有效的鱼群轨迹追踪算法

在鱼群运动机制的研究中,由于鱼群具有不同的体征、复杂的运动模式和运动中频繁的遮挡,所以如何获取鱼群个体的时空轨迹是一个非常重要而且困难的问题. 为了获取鱼群的轨迹,本文提出了一个简单有效的方法来侦测和跟踪鱼群.整个追踪算法包括视频输入、图像获取及预处理、目标检测、数据关联、数据输出和人工校正6大模块. 算法通过和Id tracker, Ctrax对于不同实验环境视频的轨迹提取结果的对比, 表明了本文算法在准确度、识别效率及适用性上的优越性.      

基于ORB特征点匹配的多目标跟踪算法

视频中的多目标跟踪是计算机视觉领域的一个重要问题.针对多目标跟踪过程中由于目标缩放、旋转、扭曲以及遮挡等问题的存在导致目标易丢失的问题,提出了一种基于ORB特征点的多目标跟踪算法.首先利用"运动边缘生长"算法得到目标块,再利用目标块的ORB特征与特征模板的匹配来实现目标的关联.通过匹配过程,目标模板能够得到实时更新,即去除由噪声带来的过时的特征信息并添加进新的特征信息,保证特征模板的实时有效性,进而提高跟踪过程中匹配的可靠性.实验结果表明,本算法能够实时有效地处理目标由于形变以及局部遮挡而导致跟踪性能下降甚至跟踪目标丢失的问题,具有较好的鲁棒性.     

基于模型动态切换的运动目标实时跟踪

针对视频监控系统中运动目标的跟踪问题,提出了一种基于模型动态切换的实时跟踪方法.在运动目标分割之后,跟踪系统有效判定运动目标的遮挡状态,对未遮挡的运动对象采用基于区域的跟踪模型,对于相互重叠的运动对象采用基于SIFT特征的窄基线图像匹配模型.基于区域的跟踪模型采用简单的目标区域特征以及运动预测属性,实现快速地跟踪.基于SIFT特征的图像匹配模型利用被跟踪目标在相邻图像帧之间很小的尺度和外形变化以及基于目标区域位置预测出的有限运动范围,实现快速的窄基线小范围SIFT特征匹配和跟踪.实验结果表明,该方法具有较强的鲁棒性,能有效实现复杂遮挡场景下的多目标实时跟踪.     

基于交叉熵稀疏表示的鲁棒视觉跟踪算法

为研究复杂视频环境下目标的有效跟踪问题,在粒子滤波框架下,提出了利用稀疏表示的方法学习有效外观模型的鲁棒视觉跟踪算法.与经典的稀疏跟踪器不同,该方法通过给跟踪目标中被遮挡的像素和奇异值分配较低权值,而给目标像素分配较高权值,有效地解决了跟踪过程遮挡、阴影和噪声问题.为了进一步提高跟踪器的性能,对目标模板集实现动态更新.使用EMD度量了模板集和候选目标的相似性,可进一步改善遮挡问题.将本文提出的算法在复杂的视频序列上与5中流行的跟踪器进行了比较,实验表明,本文提出的算法在性能、精度及鲁棒性方面都显示了优越性.     

融合历史轨迹的智能汽车城市复杂环境多目标检测与跟踪算法

针对现有智能汽车环境感知算法多根据特定类型目标设计,在处理目标遮挡、光照突变等城市复杂场景时识别准确率较低的问题,提出一种基于网状分类器与融合历史轨迹的多目标检测与跟踪算法。该算法考虑各目标之间的遮挡关系,利用具有目标融合功能的网状分类器对多尺度滑动窗获取的待检窗口进行多目标检测;历史检测结果基于目标特征关联通过计算目标长短轨迹和历史轨迹可靠性验证生成历史轨迹库,该轨迹库用于预测或融合新的检测结果;利用该检测跟踪结果更新网状分类器中的标准差分类器、最近邻分类器和历史轨迹信息,直至完成多目标长时跟踪。实验结果表明,本文算法在目标遮挡、光照变化和阴雨天气的复杂城市环境下均可实现多目标长时间检测跟踪,与KITTI数据集样本相比,平均准确率在77.17%～81.32%之间,单帧图像平均耗时0.05s,具有较好的实时应用前景。     

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.     

注意力叠加与时序特征融合的目标检测方法

提出一种基于注意力叠加与时序特征融合的目标检测方法.在端到端目标检测(DETR)网络的基础上,依据注意力机制特性,使用注意力权重叠加的方式提取目标物像素级标识,用于实例轨迹的划分.为使目标检测与轨迹跟踪协同作用,通过时序特征融合的方式融合之前轨迹跟踪信息,调整当前帧目标检测效果,从而充分利用视频载体提供的时间维度信息.在公开数据集上,对文中方法进行验证,结果表明：文中方法能有效识别被遮挡的目标物,具有较强鲁棒性.     

基于轨迹提取算法的视频关联动作跟踪仿真

针对已有视频关联跟踪方法无法准确提取关联动作轨迹, 导致视频关联动作跟踪结果出现较大偏差, 且跟踪速率较低的问题, 提出一种基于轨迹提取算法的视频关联动作跟踪方法. 首先, 根据多元组理念组建多元组轨迹提取模型, 划分运动视频图像特征分布矢量化集合, 计算视频图像分割支持向量机临界值; 其次, 通过颜色系统分离像素特征, 利用虚拟视景重构输出关联动作轨迹提取值; 再次, 在多粒度滤波器训练中设置预期输出值, 采用Fourier变换将卷积计算转变成点乘运算, 计算各粒度下边界最小矩形重叠率; 最后, 通过欧氏距离获得两个边界最小矩阵变换情况, 明确各粒度的轨迹波动程度, 完成视频关联动作跟踪全过程. 实验结果表明, 该方法的视频关联动作跟踪速率为14.9 帧/s, 能有效提高目标跟踪速率, 实现精准的视频关联动作跟踪.     

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。     

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.     

一种局部加权和增量字典更新的视觉跟踪方法

针对视频目标跟踪过程中,目标被遮挡或背景杂乱时,基于全局字典表示的跟踪方法易出现非最优稀疏特征选择的问题,提出一种对目标外观进行加权局部表示并增量更新字典的视觉跟踪方法.先将第一帧目标分割为多个局部表示,为每个局部块构建相应的稀疏子字典;在后续帧中,使用局部字典计算搜索样本的各局部块稀疏特征,冉使用稀疏特征系数中的非目...     

一种基于运动目标检测的视觉车辆跟踪方法

针对复杂交通场景中动态光照变化、阴影和遮挡等因素带来的影响,提出了一种基于运动目标检测的高效、鲁棒的车辆跟踪方法. 采用自适应背景建模获取动态场景中的运动信息,通过阴影去除获得准确的运动区域,并针对场景中的遮挡问题提出了相应的遮挡检测与处理策略,最后通过区域匹配获得跟踪结果,同时使用Kalman滤波器建立车辆的运动模型,对跟踪结果进行了约束和优化. 实验结果表明,提出的视觉车辆跟踪方法可以在复杂多变的室外场景下有效地解决场景中的阴影和遮挡问题,得到鲁棒的车辆跟踪结果.      

基于改进粒子滤波的视觉目标跟踪

针对目标跟踪算法在精度和鲁棒性上的要求,提出一种基于改进粒子滤波的视觉目标跟踪算法.首先,建立多种特征来描述目标外观模型,并对各特征分量的加权系数进行自适应调节;然后,利用分类重采样方法解决原始重采样方法中的粒子退化和匮乏问题;最后,提出一种新的模板更新机制,自适应选取运动模板或原始模板.实验结果表明,改进后的算法在具有挑战的跟踪视频序列上实验,具有良好的跟踪精度和鲁棒性,能够应对视频图像分辨率不高、目标转动变化、部分遮挡等复杂条件.