运动目标跟踪

摘要： 文中提出基于SVM与Meanshift跟踪算法的视频运动目标跟踪方法,在体育视频初始图像中选取跟踪目标所处位置,获取跟踪目标周围目标与背景两部分特征向量,使用目标和背景特征向量训练SVM二分分类器,使用分类器分类下一帧视频图像跟踪目标位置与所处背景图像,获取置信图;使用Meanshift跟踪算法在置信图范围内获取当前跟踪目标中心位置,移动目标框和背景框的中心位置到达目标位置,以10%的比例缩放目标框并选择最优者用以适应目标尺寸变化;确定是否已经跟踪到视频最后一帧图像,如果没有跟踪至最后一帧图像,则需使用此时目标像素和背景像素训练新的SVM分类器,跟踪下一帧图像,直至完成整个视频序列图像运动目标跟踪任务。实验结果表明,所提方法可以实时、准确地跟踪视频内运动目标。

摘要： 针对移动机器人在跟踪运动目标时受障碍物的影响,导致运动目标特征失真、视觉跟踪失败的问题,提出了基于点云分割的移动机器人运动目标跟踪方法,点云分割可以将目标物体划分为不同的子区域,从而挖掘重点区域,实现单独处理的目的。通过建立靶标世界坐标系,确定跟踪物体在世界坐标系的空间区域,采用空间投影点云分割方法,将多变特征分割映射到世界坐标系里的点云,确定跟踪目标感兴趣区域;通过对距离函数加权,融合决策层的传感器信息,运用视觉伺服与声纳伺服混合伺服跟踪方法,在确定跟踪目标区域内,实现移动机器人运动目标跟踪,最后设计了对比实验以验证此次方法的有效性。实验结果表明:该方法的点云分割均方根误差小,采用角速度6(°)/s、8(°)/s跟踪时的距离精确度高、中心距离误差低;在有、无障碍情况下对运动目标的跟踪偏移量均较小,稳定性强,可满足不同情况下移动机器人的实际跟踪需求。

摘要： 针对帧间差分运动目标检测方法检测出的运动目标容易产生拖影现象及存在一定程度的空洞等缺陷,该文提出基于关联帧差分法的运动目标检测与跟踪方法.通过计算相邻三帧图像的相似度,并求取相邻帧之间的差分图像,对差分图像进行与操作后进行轮廓填充来获取运动目标.实验结果表明,该文所提算法不仅可以精确检测与跟踪运动目标,克服帧间差分运动目标检测方法存在的缺陷,还可以检测和跟踪侵入运动目标及消失运动目标.

摘要： 在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪.该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,将角点检测结果融入到LK光流法中,并对检测到的角点进行运动光流特征提取,最后通过卡尔曼滤波对出现的行人进行预测跟踪,采用匈牙利最优匹配算法实现对运动目标的持续匹配以及对运动目标的跟踪.仿真结果表明,本文提出的方法能够对视频中出现的运动目标进行检测跟踪,具有较好的识别效果,且检测效率得到提高.

摘要： 为了使机器人视觉伺服控制系统的目标跟踪精度得到进一步提高,构建一种基于开关卡尔曼滤波器的视觉伺服控制系统.研究视觉伺服的目标跟踪原理,推导相关的数学模型,并分析跟踪误差产生的原因;针对图像采集和处理引入的延时问题,通过卡尔曼滤波估计得到目标运动的速度信息,以此作为前馈量输入视觉伺服控制器,补偿由于目标运动和延时造成的跟踪误差;为了解决卡尔曼滤波器由于目标运动的突然变化而降低估计性能的问题,引入运动监视器以在目标运动突然变化时发出开关信号并重置卡尔曼滤波器;最后对该算法进行实验与仿真.结果表明:基于卡尔曼滤波器的视觉伺服控制器能把跟踪误差控制在1 mm以内,而开关卡尔曼滤波器能有效地减少因目标运动状态突然变化而产生的跟踪误差.

摘要： 无人机的监管也成为了社会关注的焦点,"黑飞"现象屡见不鲜,无人机"黑飞"逼停航班等事件不断升级,已经触动人民生命财产安全问题了.本文主要通过视频分析发现"黑飞"现象,首先采用摄广角镜头观测检测领空区域,通过目标检测算法发现疑似无人机的物体;然后,利用长焦镜头对检测到的目标进行识别和跟踪;从而达到自动检测和跟踪目标的效果.本文对目标检测领空进行了测试,将改进的算法与Faster RCNN、传统目标检测算法ACF进行了比较.本文算法分别提升了接近13个百分点和5个百分点以上,进一步证明了本文算法的有效性.总体上本文算法有一定的实用性和扩展能力,能够给"黑飞"检测提供一定的理论方法支撑.

摘要： 针对暗环境等复杂背景下的弱运动小目标识别的难题,提出了轨迹跟踪预测与模糊理论相结合的小目标跟踪算法.首先利用高通滤波和帧相减技术将背景和目标初步分离,然后利用轨迹跟踪法对目标点的位置进行预测,在动态搜索范围内寻找目标点进行图像序列分析,并结合模糊理论进行记忆更新来确定目标的可信度,最终通过多帧图像的轨迹跟踪找出真实的目标.实验结果表明:该算法能够获取热像仪拍摄的小目标弹丸落地前的运动轨迹曲线图,验证了该算法能够对低信噪比的运动小目标进行可靠检测.

摘要： 感兴趣区域(region of interest,ROI)图像的提取在运动目标的检测与跟踪等领域有着广泛的应用;HSV(hue saturation value)是根据颜色的直观特性创建的一种颜色空间,用于对颜色进行定量描述。文章将HSV颜色空间用于图像中颜色信息的计算,识别颜色特征。针对RoboMaster全国大学生机器人大赛中云台实时识别和捕捉敌方移动机器人装甲这一基本任务,提出一种基于色彩特征的目标识别算法。首先对图像进行阈值分割,计算二值图像轮廓的形状描述参数,寻找图像中所有的高亮条形物体;再用HSV颜色空间根据ROI颜色判断ROI中物体是否为目标灯柱。在此之前,需要统计符合要求的目标灯柱像素的HSV参数及RGB参数的大致范围,再结合HSV中典型颜色对应参数范围表,确定算法所采用的参数范围。最终识别目标的判定准则是,在初步筛选所得感兴趣区域中,HSV及RGB参数处于经分析所得参数范围内的像素点占整个区域的比例大于某一设定阈值。经测试,该方法对于像素为640×480的一组图片,平均处理速度可达到102.33帧/s,平均识别率约为97.4%。在RoboMaster大赛中,使用该目标识别算法的机器人能实时跟踪移动机器人,验证了该方法的有效性。

摘要： 针对运动目标跟踪中,仅采用单一特征描述目标和传统模型更新方法难以适应目标的遮挡、形变以及各种复杂的场景变化.为解决此问题,提出一种多特征融合和选择性更新模型的相关滤波器跟踪算法.首先,分别利用方向梯度直方图和颜色特征训练滤波器模型,在检测阶段根据不同特征响应图的峰值旁瓣比加权融合两种特征;根据每帧最终目标位置响应图的峰值旁瓣比,判断目标是否发生遮挡,发生遮挡时则不更新模型,下一帧中继续使用当前模型进行跟踪.选取公开测试视频集中12段有挑战性的视频序列与多个前沿运动目标跟踪算法进行了对比实验,结果显示,相对于次优的基于颜色特征(Color Names,CN)的算法,平均中心位置误差减少了25.12像素,平均跟踪精度提高了29.31％.实验结果表明,在目标发生尺度变化、遮挡和光照变化等情况下,该算法可以稳定、准确跟踪.

摘要： 传统的目标跟踪算法多为在整个场景中搜索待跟踪的目标，其中多数方法采用预测的策略来缩小目标搜索的范围，很容易受到背景信息干扰从而导致跟踪失败。本文采用一种在前景中进行运动目标跟踪的策略-TBOD策略(tracking base ondetecting)来消除背景对跟踪的干扰。其中，采用K均值聚类算法实现背景模型的建立，通过背景减法提取当前帧的前景区域。在前景区域中，采用Mean shift算法获取目标所在的位置区域，从而实现基于检测的目标跟踪。实验结果表明，该算法能够较好的解决背景对跟踪的干扰、目标部分遮挡的跟踪难题。

摘要： 以智能交通系统中运动目标跟踪为背景,研究采用均值漂移算法,实现对快速移动的单目标事物准确实时跟踪.首先,分析了均值漂移算法的基本原理.其次,分析了均值漂移算法在目标跟踪中存在的问题及解决方法:针对目标遮挡情况下目标跟踪的准确性问题,采用将均值漂移算法与卡尔曼滤波算法相结合的自适应均值漂移目标跟踪算法；针对大小不变的带宽窗口可能导致跟踪丢失的问题,采用了自动调节带宽窗口的方法.最后进行了仿真实验.

摘要： 本文提出一种较复杂场景下运动目标跟踪的方法，该方法将Camshift融入到在线Adaboost算法中,特征选取融合纹理轮廓与颜色特征.将在线Adaboost跟踪算法的特征矩阵和分类器运算得到置信图,在置信图上应用Camshift跟踪算法,得到了更加准确的运动目标位置.实验结果表明:在较复杂场景下,对短时间内发生较大形变的、发生遮挡甚至是大面积遮挡的、与背景及其他运动目标颜色相近、快速变化且有加速度的运动目标都能有效跟踪.

摘要： 本文对运动目标的跟踪模式进行了分类,分析了相关算法的特点.并在Vega仿真环境中实现了其中三种典型的跟踪算法.通过比对跟踪结果,具体的分析了运动目标的跟踪原理以及算法中相关参数的确定.

摘要： 针对局部遮挡对粒子滤波跟踪算法的影响,本文提出了抗遮挡自适应的粒子滤波算法.该算法采用矩形作为跟踪窗,在重要性重采样之后,引入K均值聚类(KM聚类)算法,将空间特征与权重分布近似的粒子进行聚类,得到粒子子群,并通过粒子子群估计目标的最终状态,修正跟踪窗.当面积变化超过5％时,说明存在遮挡或同色干扰现象,则跟踪窗保持上一帧尺寸不变,否则跟踪窗随着运动目标尺度变化而变化,实现自适应.该算法对局部遮挡和运动目标尺度变化鲁棒性较好.

摘要： 针对局部遮挡对粒子滤波跟踪算法的影响,本文提出了抗遮挡自适应的粒子滤波算法.该算法采用矩形作为跟踪窗,在重要性重采样之后,引入K均值聚类(KM聚类)算法,将空间特征与权重分布近似的粒子进行聚类,得到粒子子群,并通过粒子子群估计目标的最终状态,修正跟踪窗.当面积变化超过5％时,说明存在遮挡或同色干扰现象,则跟踪窗保持上一帧尺寸不变,否则跟踪窗随着运动目标尺度变化而变化,实现自适应.该算法对局部遮挡和运动目标尺度变化鲁棒性较好.

摘要： 针对局部遮挡对粒子滤波跟踪算法的影响,本文提出了抗遮挡自适应的粒子滤波算法.该算法采用矩形作为跟踪窗,在重要性重采样之后,引入K均值聚类(KM聚类)算法,将空间特征与权重分布近似的粒子进行聚类,得到粒子子群,并通过粒子子群估计目标的最终状态,修正跟踪窗.当面积变化超过5％时,说明存在遮挡或同色干扰现象,则跟踪窗保持上一帧尺寸不变,否则跟踪窗随着运动目标尺度变化而变化,实现自适应.该算法对局部遮挡和运动目标尺度变化鲁棒性较好.

摘要： 针对局部遮挡对粒子滤波跟踪算法的影响,本文提出了抗遮挡自适应的粒子滤波算法.该算法采用矩形作为跟踪窗,在重要性重采样之后,引入K均值聚类(KM聚类)算法,将空间特征与权重分布近似的粒子进行聚类,得到粒子子群,并通过粒子子群估计目标的最终状态,修正跟踪窗.当面积变化超过5％时,说明存在遮挡或同色干扰现象,则跟踪窗保持上一帧尺寸不变,否则跟踪窗随着运动目标尺度变化而变化,实现自适应.该算法对局部遮挡和运动目标尺度变化鲁棒性较好.

摘要： 为了实现家庭环境下服务机器人在运动目标跟随过程中同时可靠地避障,提出基于反应式平滑接近图(ND)算法的运动目标人跟随方法.首先利用机载激光传感器实现机器人自定位与人的全局位置同时跟踪.其次,通过计算障碍地形的“缝”与“谷”,建立针对各种障碍情况的统一避让运动规则,从而计算环境障碍约束下趋向跟随目标且平滑变化的速度控制量.实验比较了方向跟踪与路径跟踪两种跟随模式的有效性和友好性,结果表明:存在干扰者运动情况下,机器人能与特定人保持一定距离的随动,且该行为对用户自然友好.

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： 本申请提供了一种运动目标跟踪方法及运动目标跟踪装置，属于监控技术领域，包括：基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪；在对上述运动目标进行跟踪的过程中，监测上述运动目标是否被遮挡；若上述运动目标被遮挡，则基于粒子滤波算法对实时输入的连续帧图像中的运动目标进行跟踪；若上述运动目标未被遮挡，则执行上述基于fDSST算法对实时输入的连续帧图像中的运动目标进行跟踪的步骤。本申请在运动目标为被遮挡或未被遮挡的情况下，通过不同的算法对运动目标进行跟踪，降低了对运动目标跟踪时丢失运动目标的可能性。