目标跟踪

摘要： 通常在目标跟踪任务中需要跟踪的目标物体具有任意性,同时目标周围可能有相似的干扰物体,这常常导致预训练网络提取的目标特征并不完全适用于当前需要跟踪的目标物体。针对以上问题,在Siamese孪生网络目标跟踪框架下,提出一种新型的基于梯度导向的通道选择目标跟踪算法。首先从预训练网络提取待跟踪目标特征,利用提出的开关-惩罚损失函数对背景中的相似性干扰物体施加惩罚操作,以排除相似物体对跟踪目标的干扰;其次在特征通道选择阶段,根据损失函数反向传播的梯度信息选择特征表达性最强的特征通道;最后在模板分支与搜索分支进行互相关操作部分,利用逐通道互相关方法获得加权的分数响应图以获得更精确的目标位置。在OTB和VOT公开数据集上将该算法和主流算法进行比较。实验结果表明,该算法具有良好的抗背景干扰能力和鲁棒性,在主要跟踪指标上达到了主流跟踪算法的性能。

摘要： 现代雷达面临的环境日益复杂,空中目标可能达到几百甚至上千批,并采用各种协同或非协同方式机动,无处不在的噪声、杂波和干扰也带来大量不确定性。针对日益复杂的现场态势,本文提出一种基于QT平台雷达目标跟踪系统的设计方案。该系统能根据环境自适应选择跟踪算法,实现目标跟踪处理和目标信息实时显示的功能。系统功能较为完备、界面友好,具有易操作、易维护、可移植到多种平台等优点。

摘要： 随着社会的不断发展和科技的不断进步,视频卫星越来越受到重视,而在卫星视频中对小目标的跟踪也逐渐成为一种新的研究方向。针对卫星视频中目标背景复杂、目标较小、跟踪过程中准确度较低的问题,提出了改进的核相关滤波(KCF)算法对卫星视频中的小目标进行实时性地跟踪。该算法结合卡尔曼滤波算法,解决目标跟踪过程中目标被遮挡的问题,利用局部模板匹配的方法对目标进行精确地跟踪,使用固定目标尺寸来保证目标跟踪的成功率。所用的视频数据集由“吉林一号”视频卫星拍摄,并且经过多次实验,最终实验结果表明所改进的算法不仅能够解决目标遮挡的问题,并且还能在复杂背景下对目标进行准确地跟踪,目标跟踪的成功率得到了很大的提高。

摘要： 为了改善实际跟踪过程中因为缺乏目标先验信息造成的模型失配对滤波器跟踪性能造成的影响,引入强跟踪滤波(STF)思想对渐进更新扩展Kalman滤波(PU-EKF)算法进行改进,提出了强跟踪渐进更新扩展Kalman滤波(STPU-EKF)算法。在多种模型失配情况下进行磁偶极子跟踪仿真试验,对所建算法的性能进行验证,仿真结果表明:所建立的STPU-EKF算法兼具PU-EKF和STF算法的优点,具有较高的准确性和较好的鲁棒性。

摘要： 针对传统核相关滤波器(Kernel Correlation Filter,KCF)目标跟踪算法在复杂应用场景下准确度和成功率降低的问题,提出了一种融合深度特征和尺度自适应的抗遮挡目标跟踪算法。将传统核相关滤波算法中HOG特征替换为深度特征来建立视觉外观模型增强算法对目标特征的表达能力。通过融合DSST算法中的尺度滤波器来实现目标尺度的估计,解决了传统核相关滤波跟踪器无法尺度自适应的问题。针对目标容易在遮挡环境中跟丢的问题,引入了最大历史均值和平均峰值相关能量来判断跟踪目标的可信度,当检测到发生遮挡时,通过自适应抗遮挡搜索机制,有效地改善了目标跟丢的问题。通过在OTB100数据集中验证结果表明,改进后的算法在复杂应用场景下的准确度和成功率与传统算法相比有明显提升。

摘要： 雷达目标跟踪滤波算法是雷达信号处理的重要组成部分,在空防预警、战场监视、导弹制导等领域起着重要的作用。本文提出了基于一种新最速下降法的目标跟踪算法。首先建立一种基于改进多项式拟合模型的运动描述模型,接着用一种新最速下降法来求解运动模型的最优参数,通过实时的最优运动模型对运动目标航迹进行预测跟踪,并采用正则化思想去除噪声影响。将本文算法与目前常用的交互多模型跟踪滤波算法进行对比,仿真结果表明在目标机动和非机动的情况下,本文算法的精度更高、计算量更小、实时性更好。

摘要： 由于被检设备外观和显示样式的非结构化等原因,现有气体报警器自动化检定系统大都是借助人工对图像待识别的区域进行选定操作。而在手动框选目标识别区域后,由于人为调整摄像头或被检报警器,往往会造成摄像头与被检报警器的相对位置发生偏移,以及已确定的检测框与实际显示位置出现偏差,导致检测结果出现问题。针对这个问题,本文利用核相关滤波(Kernelized Correlation Filter,KCF)目标跟踪方法实现候选区域的自动跟踪。实验结果表明,该方法可以自适应小幅度位置调整,具有较高的准确度和稳定性。

摘要： 本文针对现有的井下目标跟踪算法存在的问题,提出了一种基于孪生网络的井下目标跟踪方法。该方法首先对训练集引入了数据增强,有效的改善了井下低光照和光照变化因素对跟踪算法的影响。然后引入了注意力机制,在特征提取网络之后加入了空间注意力模块和通道注意力模块,以减小煤矿井下背景相似和尺度变化带来的干扰。实验结果表明:相比全卷积孪生网络,改进算法对井下复杂环境下目标跟踪有良好的优化提高能力,有效地提高了井下视频监控质量。

摘要： 粒子滤波(PF)、扩展粒子滤波(EPF)和无迹粒子滤波(UPF)在非线性状态估计方面表现出更好的性能。分析了PF、EPF、UPF 3种算法,UPF的估计状态依赖于测量值,对历史模型信息的敏感度较低,并避免了雅可比矩阵的计算,比EPF更容易进行模型设计;EPF在计算上虽然高效,但跟踪效果不稳定。以AUV水下三维目标跟踪为背景,在高斯噪声(GN)和散粒噪声(SN)环境下,仿真比较分析了PF、EPF、UPF 3种算法的性能。仿真实验结果表明,在高斯测量噪声中,PF和UPF获得了精确的估计,EPF误差较大;在散粒测量噪声中,EPF估计值更加不稳定;当测量噪声不变时,增大目标的状态噪声,EPF的跟踪性能优于PF和UPF。

摘要： 在目标跟踪中,目标本身容易发生变化,且目标的运动场景是复杂多样的,而不同网络训练的跟踪模型在跟踪同一场景的目标性能会有较大差异,进而使很多算法的跟踪效果不太理想。针对这一问题,文章提出了一种基于目标运动场景分类的目标跟踪方法,解决了单一模型在应对目标处于不同复杂场景中性能不稳定的问题。该算法利用残差网络对目标运动场景进行分类,并且使用迁移学习提高了分类的准确率,之后选取合适的网络模型对目标进行跟踪。在UAV123数据集上与原始的单一模型进行对比实验的跟踪结果表明,改进的算法能够有效地提高目标跟踪的成功率和精度,在OTB100数据集上与其他跟踪器进行比较,跟踪效果均优于其他跟踪器。

摘要： 为了降低基于无人机平台的目标跟踪中低分辨率、背景复杂等因素对于跟踪精度带来的影响,提出了基于非对称卷积孪生网络的无人机目标跟踪的方法.在特征提取阶段,通过引入非对称卷积块,强化网络的特征表达能力,以提升在低分辨率视频中有效捕获目标的能力.在网络结构中,通过引入循环交叉注意力模块,获取丰富而密集的上下文信息,以减轻背景复杂因素带来的影响.使用UAV123数据集和自制数据集进行定量和定性的实验,可以看出在无人机视频目标跟踪任务中,这种方法达到高精确度的同时保证了较强的时效性.

摘要： 目标跟踪是当今智能信息处理的研究热点,智能信息处理在日常生活中得到重视,与之相关的应用也得到发展.视频物体目标跟踪是计算机视觉领域的热门话题,在很多实际场景中得到广泛应用.本文首先对目标跟踪的具体过程进行详细的介绍,在运动模型部分简单介绍了几种,如均值漂移、粒子滤波和卡尔曼滤波,还有基于特征点的光流算法等,在观测模型部分介绍了产生式和判别式模型;接着介绍了几种跟踪效果较好的跟踪方法;在本文结尾,总结了目标跟踪和其以后的发展方向.

摘要： 为了提高传统纯方位目标跟踪算法的收敛速度,文献根据距离特征量提出了线性等式约束的纯方位伪线性卡尔曼滤波算法.文献提出了基于目标方位和距离特征量的伪线性最小二乘算法.但以上提出的算法均采用了伪线性的处理方法,估计结果是有偏的.本文提出了一种基于目标方位和距离特征量的渐近无偏最小二乘目标跟踪算法,相比于常规伪线性最小二乘算法具有更快的收敛速度和更高的估计精度.

摘要： 随着社会需求和位置服务的快速发展,时差定位算法被广泛应用于室内定位,然而在复杂的室内场景下由于非视距的存在,定位精度和鲁棒性相比于视距情况下会大大降低.传统的Chan算法在NLOS环境下定位精度很难满足要求,本文根据距离几何关系的性质,提出一种基于Cayley-Menger行列式的最小残差加权方法来抑制NLOS的影响.使用Cayley-Menger行列式得到距离估计,再进行残差加权来得到终端的位置估计值,最后提出一种修正的牛顿法进一步迭代求解.通过上述改进算法,并结合增强现实的视觉辅助和步行者航位推算技术,提出重构卡尔曼滤波的观测值和预测值的自适应算法对目标进行动态定位和跟踪.仿真和实验结果表明,本文所提出的方法有效抑制了NLOS误差对定位精度的影响,降低了计算复杂度.与其他算法相比,具有较高的定位精度和动态跟踪效果.

摘要： 本文采用双毫米波雷达方案对自车车辆后方的运动目标进行识别与跟踪.首先介绍了两雷达检测目标的时空基准对齐方法,然后利用马氏距离关联相似目标,并采用加权平均方法融合关联目标.目标跟踪时,首先筛选出有效目标,按照同车道最近原则选取各车道主目标,然后基于主目标的信息预测和生命周期管理方法持续跟踪主目标.经试验验证,本文所述方法可实现对运动目标的准确识别与跟踪.

摘要： 本文提出了在车载模拟测试站加装北斗导航接收机，将导航数据与设备跟踪角度计算模块有机地结合在一起，实现车载模拟测试站大线位置测量跟踪方位、俯仰角度的计算赋值，减少了中间过程数据交换，能够解决设备快速实现自跟踪的问题。文中提出的方法可以作为导航数据的一个典型应用，为类似的移动车载站快速定位以及开展目标跟踪初始化工作提供了应用思路。

摘要： 防范低慢小目标成为近年来安防领域的一个热门议题,然而一些技术手段并不完全成熟.为此提出了一种全自主敏捷响应反低慢小系统,通过基于深度学习的方法,构建并训练卷积神经网络CNN实现对无人机的有效识别;采用离散卡尔曼滤波算法,构建无人机跟踪模型以实现视场范围内的长时间跟踪.测试结果表明该系统对目标无人机自主识别后,可以锁定目标并进行稳定跟踪.

摘要： 防范低慢小目标成为近年来安防领域的一个热门议题,然而一些技术手段并不完全成熟.为此提出了一种全自主敏捷响应反低慢小系统,通过基于深度学习的方法,构建并训练卷积神经网络CNN实现对无人机的有效识别;采用离散卡尔曼滤波算法,构建无人机跟踪模型以实现视场范围内的长时间跟踪.测试结果表明该系统对目标无人机自主识别后,可以锁定目标并进行稳定跟踪.

摘要： 防范低慢小目标成为近年来安防领域的一个热门议题,然而一些技术手段并不完全成熟.为此提出了一种全自主敏捷响应反低慢小系统,通过基于深度学习的方法,构建并训练卷积神经网络CNN实现对无人机的有效识别;采用离散卡尔曼滤波算法,构建无人机跟踪模型以实现视场范围内的长时间跟踪.测试结果表明该系统对目标无人机自主识别后,可以锁定目标并进行稳定跟踪.

摘要： 防范低慢小目标成为近年来安防领域的一个热门议题,然而一些技术手段并不完全成熟.为此提出了一种全自主敏捷响应反低慢小系统,通过基于深度学习的方法,构建并训练卷积神经网络CNN实现对无人机的有效识别;采用离散卡尔曼滤波算法,构建无人机跟踪模型以实现视场范围内的长时间跟踪.测试结果表明该系统对目标无人机自主识别后,可以锁定目标并进行稳定跟踪.

摘要： 本发明公开了一种图像目标跟踪模型建立方法及图像目标跟踪方法，属于图像目标跟踪领域，包括：建立深度学习模型，包括模板分支、搜索分支和先验分支，输入分别为目标位置已知的模板图像、搜索图像和由目标位置已知的图像与对应目标位置概率分布图堆叠而成的先验图像，三个分支用于对输入图像进行语义编码，分别得到模板特征图、搜索特征图和先验特征图；模型还包括位置估计模块，用于将搜索特征图与先验特征图逐像素点乘后与模板特征图做互相关计算，并将结果倍率恢复至与搜索图像相同，得到目标位置概率分布图；建立训练数据集并对模型进行训练，得到图像目标跟踪模型。本发明能够解决相似性结构、边缘、阴影等干扰问题，提高图像目标跟踪精度。

摘要： 本发明公开了一种融合单目标跟踪结果的在线多目标跟踪方法，该算法包括：利用单目标跟踪算法CSRT预测目标当前的位置；利用ReID网络模型对预测框和检测框区域分别提取特征向量，计算特征向量的相似度；结合目标、预测框，以及检测框构建一个有权重的无向图；利用马尔可夫聚类算法对无向图进行聚类操作，得到集群；最后根据集群中的预测框和检测框更新目标的当前位置。本发明的在线多目标跟踪算法，不仅提高了多目标跟踪的精度，且有效地改善了因目标遮挡、目标尺寸小等造成检测框漏检的情况。

摘要： 公开了一种目标跟踪方法、目标跟踪装置、目标跟踪设备。所述目标跟踪方法包括：对视频图像当前帧进行目标检测，得到人头检测框集合和人体检测框集合；将人头检测框集合与人体检测框集合进行关联，得到当前帧中目标检测框集合；根据视频图像中每一条每条现有轨迹的轨迹速度，确定当前帧中预测框集合；以及对于所述目标检测框集合中的每个目标检测框，在所述预测框集合中确定与其匹配的预测框，并且基于目标检测框和预测框的匹配结果进行目标跟踪。通过利用人体框进行跟踪，可有效提高视频图像中的目标跟踪准确率，实现实时且高精度的目标跟踪。

摘要： 本发明提供一种基于轻量化目标跟踪网络的目标跟踪识别方法及系统，方法包括：将待跟踪识别图像信息输入预设目标跟踪识别网络中，获取所述目标跟踪识别网络输出的待跟踪识别图像信息中的多个第一目标预测候选框；基于候选区域选择策略，从多个第一目标预测候选框中确定出最终目标预测框。其中，本发明中的目标跟踪识别网络的主干网络采用轻量化的MobileNet，MobileNet的卷积操作与标准卷积操作不同，在对图像信息进行特征提取时，能够大大减少计算量和模型参数量，提高了网络模型的处理速度。

摘要： 本公开提供了训练目标跟踪模型和目标跟踪的方法和装置，涉及人工智能领域，尤其涉及深度学习领域。具体实现方案为：获取样本集，样本包括视频帧和真实框；构建目标跟踪模型，其中，目标跟踪模型的头部包括交并比头，用于计算交并比损失值；执行如下训练步骤：从样本集中选取样本；将选取的样本中的视频帧输入目标跟踪模型，输出预测框；根据选取的样本中的真实框和预测框的差异计算原始损失值和交并比损失值；若原始损失值和交并比损失值的加权和小于预定阈值，则确定出目标跟踪模型训练完成；否则，调整目标跟踪模型的网络参数，继续执行训练步骤。通过该实施方式能够提高生成的目标跟踪模型的跟踪精度和速度。

摘要： 本发明实施例公开了一种多目标跟踪模型的训练方法以及多目标跟踪方法。其中，该多目标跟踪方法包括：根据当前视频帧中的待跟踪目标构建目标图；目标图的顶点对应于待跟踪目标，且两个顶点之间的边的边特征包括两个顶点之间的属性关系；对目标图和已有的轨迹图进行图匹配，以计算待跟踪目标与轨迹图中已跟踪轨迹之间的匹配得分；轨迹图的顶点对应于已有的已跟踪轨迹，且两个顶点之间的边的边特征包括两个顶点之间的属性关系；按照匹配得分确定待跟踪目标的匹配轨迹。在图匹配时全面参考目标图和轨迹图中的边特征，防止某一目标被遮挡时出现跟踪失败的问题，避免视频多目标跟踪的局限性，提高视频多目标跟踪的鲁棒性。

摘要： 本公开提供一种目标跟踪方法，包括：获取目标场景的搜索神经形态数据，所述搜索神经形态数据表征所述目标场景的光强变化信息；将所述搜索神经形态数据输入目标跟踪模型，利用所述目标跟踪模型中的脉冲神经网络获取所述目标场景的特征数据；分别确定所述目标场景的特征数据与至少一个待跟踪目标的特征数据的相似度关系；根据所述目标场景的特征数据与各个所述待跟踪目标的特征数据的相似度关系，确定在所述目标场景中针对各个所述待跟踪目标的跟踪结果。本公开还提供一种目标跟踪装置、一种计算机可读介质。

摘要： 人工智能领域中的一种目标跟踪方法以及目标跟踪装置，该方法包括：获取传感器采集的运动物体的实际观测量；在实际观测量的采集时刻早于运动物体的当前状态量的更新时刻的情况下，根据运动物体对应的状态转移模型得到估计观测量；根据实际观测量和估计观测量对当前状态量进行更新，将更新后的状态量作为更新时刻对应的状态量。能够在观测量的采集时刻出现乱序的情况下实现目标跟踪，避免状态量的时间戳随观测量的时间戳的乱序变化发生乱序跳动。

摘要： 本公开提供一种目标跟踪方法、目标跟踪装置、计算机可读存储介质与电子设备，涉及计算机视觉技术领域。该目标跟踪方法包括：获取目标视频中的当前帧；根据所述当前帧的暗通道数据确定所述当前帧是否需要去雾处理；若确定所述当前帧需要去雾处理，则根据所述当前帧所对应的参考帧的目标跟踪结果确定目标对象预测区域；并对所述当前帧中的所述目标对象预测区域进行去雾处理，得到待检测图像；若确定所述当前帧不需要去雾处理，则将所述当前帧作为待检测图像；在所述待检测图像中检测目标对象的位置。本公开改善了雾气遮挡图像所导致的目标跟踪精度低的问题，进一步提高了目标跟踪效率。

摘要： 本发明适用于图像识别的技术领域，提供了一种目标跟踪的方法、目标跟踪装置及无人机，所述目标跟踪方法包括：获取当前图像中目标人体的当前位置；根据所述目标人体的当前位置，预测所述目标人体的下一个位置；根据所述下一个位置，在后续图像中选定第一待确定人体；根据所述目标人体的第一表观信息，在所述后续图像中选定第二待确定人体，所述第一表观信息包括人体形象特征；在所述第一待确定人体和所述第二待确定人体中确定所述目标人体在所述后续图像中的位置。上述方案，由于采用第一表观信息选定目标人体，故可避免由于遮挡出现跟踪失误等情况。且本申请通过多个维度综合确定目标人体，故具有较高的跟踪精度。