跟踪滤波算法仿真分析

从建立目标模型到几种跟踪滤波器的算法原理进行了分析,算法性能各异,在相同的目标跟踪情况下,它们的跟踪精度、实时性有很大区别。对同一种典型的目标运动,用不同算法进行了数据仿真,验证了这几种典型跟踪滤波算法的性能差异。     

基于均值漂移的多目标被动连续跟踪算法研究

本文基于均值漂移方法设计了一种新的多目标被动连续跟踪算法.该算法分为两部分:先是对采集到的多目标图像进行预处理,包括灰度化、消噪和背景抑制三项工作,从根本上提高目标图像本身的质量;然后融合特征提取和目标检测步骤,利用均值漂移算法实现对多目标物体的检测与跟踪.仿真实验结果表明,与几种典型跟踪算法相比,应用基于均值漂移的算法后,多目标跟踪误差更小,其跟踪结果的平均偏差最大值仅为1.61 m,且跟踪响应耗时最大值仅为900 ms,证明其能够实现对运动目标的准确、可靠跟踪.     

标签一致K-SVD稀疏编码视频跟踪算法

稀疏编码视频目标跟踪算法对目标遮挡问题有一定的适应性,但当目标受背景杂波、光照变化等干扰时,跟踪结果将会出现漂移现象.为此,提出一种基于字典学习和模板更新的视频目标跟踪算法.该算法在构造字典时加入背景模板集,利用标签一致K-SVD方法进行字典学习,同时训练出低维字典和目标背景分类器;在稀疏编码过程中,借助粒子滤波技术,采用分类器分类结果和候选目标直方图构建整体似然模型;最后通过字典学习更新字典、分类器及目标直方图.采用标准数据库中具有挑战性的视频数据进行算法测试实验,结果表明,对于存在遮挡、背景杂波、光照变化、目标旋转和尺度变化等复杂跟踪环境下的目标跟踪,文中算法都能有效地降低跟踪结果存在的漂移现象,且具有较好的稳定性.     

基于视觉感知的运动目标跟踪算法

针对运动目标跟踪问题, 为解决跟踪过程中因遮挡、目标尺度变化等易造成跟踪失败的现象, 提出一种基于视觉感知的跟踪算法。该算法以神经元响应为视觉特征, 首先从自然图像中学习初级视皮层细胞感受野; 然后计算背景图像和视频序列图像的神经元响应并得出差值, 与动态阈值比较, 识别出运动目标, 通过迭代实现目标跟踪。多类别实验结果表明, 该算法实现了运动目标稳定跟踪, 目标跟踪准确率达93. 5%且鲁棒性增强, 与典型算法Camshift和SIFT相比, 提高了跟踪算法的准确性和鲁棒性。     

基于数据关联的多雷达点迹融合算法研究

在典型应用场景下,针对传统数据关联算法易于产生目标跟踪丢失的问题,提出了并行多传感器联合概率数据关联算法(PMSJPDA),给出行多传感器联合概率数据关联算法的实现流程,并对该算法进行理论分析。最后采用两部典型雷达构成PMSJPDA数据融合系统,对其算法的目标跟踪精度进行仿真,仿真结果表明,所提出算法可有效改善对目标的跟踪性能,提高了对目标的跟踪精度。     

基于置信度策略选择的实时目标跟踪方法

目标跟踪一直是计算机视觉领域研究的热点和难点,受自然场景中复杂干扰因素影响,现有方法的速度和精度尚待改善。本文首先对基于颜色属性的目标跟踪算法改进,使之更为鲁棒且速度达到实时。接下来,针对被跟踪目标发生遮挡时,采用基于颜色属性的跟踪算法导致错误累积进而产生漂移甚至跟踪失败的问题,引入运算量较大但对遮挡有较强抵抗能力的稀疏协作表观模型。为了同时保证算法的速度和准确性,本文构建了一套基于跟踪结果置信度评量的策略选择机制,将两种算法有机整合。在多个公开数据集下的对比实验显示,与现有跟踪算法相比,本文方法在跟踪效果和速度上具有较显著优势,并在目标存在严重遮挡、光照变化、运动模糊等情况时,均可以取得较好的跟踪效果。     

基于云边协同的煤矿井下尺度自适应目标跟踪方法

煤矿井下监控视频中的运动目标通常存在较大的尺度变化和形变,导致基于计算机视觉的目标跟踪算法准确率不高,且海量的视频数据导致基于云端的集中式数据处理方式难以满足目标跟踪的实时性要求。针对上述问题,提出了一种基于云边协同的煤矿井下尺度自适应目标跟踪方法。设计了基于深度估计的尺度自适应目标跟踪算法,通过构建深度-尺度估计模型,利用目标深度值估计尺度值,实现尺度自适应目标跟踪,解决了目标尺度变化和形变导致跟踪准确率不高的问题;设计了一种基于云边协同的智能监控系统架构,将尺度自适应目标跟踪算法细粒度划分后的子模块按所需计算资源分别部署在系统的边缘端和云端,通过边缘端和云端的分布式并行处理提高算法运行效率,解决了集中式数据处理方式实时性差的问题。将基于云边协同的煤矿井下尺度自适应目标跟踪方法应用于煤矿井下视频序列,对其跟踪性能和实时性能进行实验验证,结果表明：与核相关滤波（KCF）、判别型尺度空间跟踪（DSST）算法、基于多特征融合的尺度自适应（SAMF）算法3种经典目标跟踪算法相比,基于深度估计的尺度自适应目标跟踪算法在煤矿井下目标出现较大尺度变化和形变时,具有更高的跟踪精度和成功率;与传统的云...     

基于幅值信息的改进集成概率数据关联算法

为通过幅值信息进一步提高概率数据关联算法的目标跟踪性能,且考虑到跟踪过程中目标的存在性问题,提出了一种基于幅值信息的集成概率数据关联算法,将幅值似然比引入目标存在概率和关联概率的计算过程中,可以改善集成概率数据关联算法的跟踪性能,提高目标存在性判断的快速性,降低目标丢失概率.最后通过仿真验证了改进算法的有效性.     

基于多尺度建议框的目标跟踪误差修正方法

随着深度学习技术引入视觉目标跟踪领域,目标跟踪算法的精度和鲁棒性有了很大的提高。但在低空无人机跟踪目标的实际场景中,情况比较复杂,如相机的抖动、大量的遮挡、视角和焦距的改变等,使得跟踪算法的准确性受到极大挑战。目前的算法大多建立在目标外观变化缓慢的前提假设下,在跟踪的过程中不具备检测和修复漂移（跟踪误差）的能力。针对该问题,提出了一种基于多尺度建议框的目标跟踪误差修正方法。离线阶段,利用大量的已标注的目标样本训练基于多尺度建议框的目标跟踪修正模型,获取不同类别目标的先验知识。在线阶段在核相关滤波跟踪的基础上,依据相关响应置信度自适应评价的结果,通过目标跟踪修正模型不定期重新初始化目标的位置,避免了因为误差累积而导致跟踪失败。算法在无人机航拍数据集上进行了测试,结果表明,该跟踪算法在目标发生较大形变的情况下能较好的修正跟踪漂移问题。相比于其他几种算法,目标跟踪的成功率和精度分别提高了14.3%和3.1%。     

自适应均值漂移算法目标跟踪检测仿真研究

研究运动物体目标跟踪精确度问题,由于存在遮挡和多光源的噪声影响检测精度,而且运动目标的跟踪是在连续的图像帧间创建位置、速度、形状等存在匹配问题。传统的目标跟踪算法由于目标的动态移动速度大,而容易导致跟踪丢失目标。为了解决上述问题,提出了一种改进的基于自适应均值移动(Cam Shift)目标跟踪新算法。主要难点技术问题是提取了多运动目标视频图像,进行了背景分离。算法是一种颜色跟踪算法,根据多次迭代的计算结果,自适应调整图像,实现对运动目标的实时跟踪。仿真结果表明,提出的改进目标跟踪算法的跟踪精度和滤波效果有了较大提高,同时具有较强的鲁棒性能。     

融合YOLO检测的多目标跟踪算法

针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。     

弱点状多运动目标实时跟踪技术研究

根据确认的众多量测和众多目标跟踪窗之间的几何关系,引入确认矩阵并计算所有联合事件及其对应的参数,不论量测是否落入跟踪窗相交区域,根据JPDA算法计算每一个量测与其可能的各个源目标之间互联的概率。将互联的概率与Kalman滤波器相结合从而完成对每一个目标的预测和更新。理论及实验结果表明,该算法适用于序列图像密集杂波环境下的全程跟踪,并取得了一定的理论和仿真结果。     

A novel multiple maneuvering targets tracking algorithm with data association and track management

A novel multiple maneuvering targets tracking algorithm with data association and track management is presented in this paper. First, the variation of the generalized pseudo-Bayesian estimator of first order is designed. Then, the data association and track management via handling two matrices are given, which reflect the relationships between target trajectory and the output of the Gaussian mixture probability hypothesis density (PHD) filter for jump Markov system models (JMS-GM-PHD) filter. The tracking performance of the proposed algorithm is compared with two conventional algorithms. One is JMS-GM-PHD filter, the other is algorithm entitled hybrid algorithms for multi-target tracking using MHT and GM-CPHD which is denoted as hybrid method hereinafter. The results of Monte Carlo simulation show that the proposed filter has overall performance than the conventional.     

基于时间错序量测的多目标多传感器跟踪算法研究

在多传感器多目标跟踪系统中,经常有来自同一目标的量测到达融合中心时存在时间先后顺序上的混乱,被称为时间错序量测(Oosm);通常,现有的跟踪算法都是假设理想目标的观测值不混乱;现实中,可能错过的目标探测随意混乱,因而,滤波器不得不处理起因未知的量测,那么针对顺序量测的传统滤波器,例如KF,在此就不能直接使用;通过基于一些特殊矩阵非单一假设的经济存储和能效估计介绍了全局最优Oosm刷新算法,并结合概率数据关联PDA到Oosm刷新算法中;仿真结果显示Oosm刷新的PDA滤波器在性能上优于忽略Oosm的PDA滤波器,还就关于杂波中多目标跟踪如何通过JPDA结合oosm刷新算法展开讨论.     

基于DenseNet的无人机在线多目标跟踪算法

多目标跟踪任务的目的,是对图像序列中不同的目标设置不同的编号(ID),最终得到不同目标的运动轨迹。本文针对跟踪过程中目标ID极易变化的现象,提出了一种新的在线多目标跟踪算法。算法主要包含三个步骤:输入预处理、特征提取和数据关联。其中预处理步骤使用NMS算法对输入的检测结果进行筛选;特征提取步骤使用密集连接的特征提取网络对目标进行外观特征的提取,输出特征向量矩阵;数据关联步骤则使用级联匹配的方式,依据目标的位置信息和外观特征信息为其分配各自的ID。此外,该文还整理了一个具有挑战性的无人机场景下的多目标跟踪测试集。实验结果表明,该方法有效地减少了错误的目标ID变化,提高了多目标跟踪算法面对复杂场景时的精度,并保持较快的运行速度。     

多目标跟踪系统数据融合算法的性能评估

通过构建一个多传感器信息融合算法的仿真测试系统,模拟了多种实际战场环境,对不同信息融合算法的测试结果的统计与分析;综合性能评估领域已有的研究成果,建立了完整的多目标跟踪数据融合算法性能评估的通用的指标体系;针对基于声传感器布阵的多目标跟踪系统,提出了系统时间延迟的统计方法;最后,通过蒙特卡罗仿真实验的多次测试,验证了该指标体系能够很好地反映多目标跟踪系统数据融合算法的基本性能.     

一种改进的联合概率数据关联算法

对于多目标跟踪问题,数据关联是其核心部分,联合概率数据关联算法(JPDA)是多目标跟踪的典型方法。当目标较为密集,计算量剧增,会出现计算组合爆炸现象,而其本质就在于确认矩阵拆分成可行矩阵的计算量。为了降低JPDA的计算量,本文提出了一种改进的JPDA算法,在拆分确认矩阵时引入分支定界算法的思想,以确定每个目标的最后一个回波。当搜索到最后一个回波时停止搜索,执行下一个目标回波的搜索,直至结束。利用该改进算法对杂波环境下多目标跟踪进行仿真实验,结果表明,该算法使其时间代价减少。     

强干扰环境单观测站水下纯方位多目标跟踪

针对概率多假设跟踪（Probabilistic Multiple Hypothesis Tracking,PMHT）算法对多目标状态初始值敏感问题,结合确定性退火技术,提出了改进的PMHT算法。该算法借鉴确定性退火过程,在多目标的条件概率函数中引入退火因子,增加了多目标与纯方位量测数据关联的准确性,提高了多目标后验关联概率的精确度。针对纯方位量测的非线性性,利用无味卡尔曼平滑（Unscented Kalman Smoother,UKS）算法进行滤波。仿真结果表明,当多目标状态初始值与真实值相差较大时,对于强干扰环境下单观测站纯方位水下交叉和邻近运动多目标,所提算法的目标与航迹关联成功率高,抗干扰性能强,并且运算量小,实时性高,证明了所提算法的有效性。     

具有身份标识的多目标跟踪

针对多目标跟踪,运动目标身份标号在目标发生遮挡、交错时容易混淆的问题,提出一种基于颜色特征信息的多目标跟踪算法。即在目标跟踪过程中,充分利用背景减除法所获取的前景团块区域,对其进行有效分类,如噪声区域、单目标区域和多目标区域,根据分类情况采用不同的处理机制。算法利用修正时间印机制处理噪声区域,利用Kalman预测处理快速运动,利用均值移动算法处理目标标识混淆问题。通过多组实验可以看出,新算法处理速度达到30帧/s、实时性能好,具有很强地抑制背景干扰、目标长时间跟踪的特性。     

视频序列中面向人的多目标跟踪算法

针对视频序列中人的跟踪问题，提出一种基于运动检测的多目标跟踪算法．跟踪系统由运动目标检测、关联矩阵建立、特殊情况判断及处理以及轨迹关联4部分构成．提出一种基于改进的c-均值聚类的自适应运动分割方法；不同情况下建立不同的关联矩阵，以准确判断实际场景状况；对遮挡问题作出处理，在两个目标遮挡不严重的情况下，分别采用均值漂移算法对其进行跟踪．实验结果表明，该算法具有较强的鲁棒性，能有效实现复杂场景下多目标跟踪．