多示例深度学习目标跟踪

为解决多示例跟踪算法中外观模型和运动模型不足导致跟踪精度不高的问题,该文提出多示例深度学习目标跟踪算法。针对原始多示例跟踪算法中采用Haar-like特征不能有效表达图像信息的缺点,利用深度去噪自编码器提取示例图像的有效特征,实现图像信息的本质表达,易于分类器正确分类,提高跟踪精度。针对多示例学习跟踪算法中选取弱特征向量不能更换,难以反映目标自身和外界条件变化的缺点,在选择弱分类器过程中,实时替换判别力最弱的特征以适应目标外观的变化。针对原始多示例跟踪算法中运动模型中仅假设帧间物体运动不会超过某个范围,不能有效反映目标的运动状态的缺点,引入粒子滤波算法对目标进行预测,提高跟踪的准确性。在复杂环境下不同图片序列实验结果表明,与多示例跟踪算法及其他跟踪算法相比,该文算法具有更高跟踪精确度和更好的鲁棒性。     

基于深度谱卷积神经网络的高效视觉目标跟踪算法

提出了一种基于深度频谱卷积神经网络的视觉目标跟踪算法。该算法在深度模型训练阶段采用谱池化替代深度卷积神经网络中的最大池化过程,用贝叶斯分类器替代softmax损失层计算最大分类值,并将其整合到深度神经网络跟踪框架中,通过新网络计算输入正负样本的概率分布预测目标位置。该算法充分利用谱池化在频域下降维到任意维度且计算高效的优点,克服了最大池化采样造成大量空间信息丢失的不足,提升了计算速度。在权威多场景视频标准测试库上对所提算法进行验证,结果验证了该算法兼顾了效率和跟踪精度,有效提高跟踪器的性能,在相同测试条件下,文中算法性能优于同类对比算法。     

基于改进TLD算法的激光视觉传感型焊缝跟踪

为了解决基于线激光视觉传感的焊缝中心位置定位精度不高的问题, 采用了一种基于改进跟踪-学习-检测(TLD)算法的焊缝跟踪方法。由激光视觉传感器实时获取焊缝图像, 采用将跟踪器与检测器结合的TLD算法实时跟踪焊缝特征点, 同时通过在线学习机制更新分类器参量。在此基础上对激光条纹图像截取感兴趣区域, 大幅减少检测器的搜索区域; 根据激光条纹光强分布特性, 结合纠偏方向选取跟踪器有效特征点, 以此提高算法效率, 对不锈钢板V型焊缝和搭接焊缝进行跟踪试验。结果表明, 跟踪与检测可实现共同定位焊缝中心位置, 其融合的焊缝跟踪方法能够准确地提取焊缝特征点, 两种焊缝跟踪平均绝对误差分别为0.062mm和0.052mm。此方法为提高焊缝跟踪精度提供了依据。     

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。     

基于强化学习的公共空间行人轨迹跟踪

对公共空间中的多目标行人轨迹跟踪问题,提出一种基于强化学习的多目标行人轨迹跟踪算法。首先采用高精确度的目标检测器检测公共空间视频中的行人目标,并为每个目标分配一个独立的单目标跟踪器进行轨迹跟踪;将每个目标作为独立智能体,通过深度强化学习方式进行训练;接下来结合跟踪轨迹与检测目标之间的表观和位置特征构建相似度代价矩阵;最终通过匈牙利算法实现数据关联。实验表明,在常用公开数据集上本文算法跟踪精确度达76.1%,表明算法对多目标轨迹跟踪的可行性与有效性。     

基于多示例学习和随机蕨丛检测的在线目标跟踪

基于检测的目标跟踪方法目前在计算机视觉领域受到了广泛的关注,这类方法通过训练判别分类器将目标对象从背景中分离出来;分类器的训练是根据当前的跟踪状态从当前帧中提取正负样本来进行,但训练样本的不准确将导致分类器退化产生漂移。该文提出一种能够有效克服目标漂移的跟踪算法,采用检测器和跟踪器相结合的框架,利用中值流算法作为跟踪器,提高跟踪点的可靠性;级联若干个随机蕨弱分类器构成强分类器作为检测器;用在线多示例学习方法更新检测器,提高检测精度;最后将检测器、跟踪器的结果相融合得到最终的目标位置。实验结果表明,与其它方法相比,该方法对目标漂移有更强的鲁棒性。     

基于相关滤波的红外目标跟踪抗遮挡处理

针对传统的相关滤波算法在红外目标跟踪过程中,目标被完全遮挡后跟踪失效的问题,提出一种结合了多尺度滤波跟踪器和基于深度学习检测器的目标实时跟踪抗遮挡算法。首先使用跟踪器跟踪目标,计算目标的峰值响应强度并比较峰值响应强度与经验阈值的大小以判断目标是否被遮挡或跟踪丢失。然后当目标被遮挡或跟踪丢失时,停止更新跟踪器,由于目标被遮挡后再次进入画面的位置可能会发生巨大变化,并且跟踪器在整个图像中搜索目标的速度特别慢,因此在不降低跟踪精度和速度的情况下,后续帧中采用了检测器检测目标并得到多个目标框。利用检测器得到的目标框,分别利用跟踪器进行相关滤波,针对每个目标框得到一个峰值响应强度,其中峰值响应强度最大且超过经验阈值的目标框即为重新进入画面的目标。通过与多尺度相关滤波算法比较,所提算法在满足实时跟踪的情况下,能有效地解决红外目标被遮挡的问题,具有更高的鲁棒性和精确度。     

基于人工鱼群粒子滤波的TLD改进算法

在面对光照变化、部分遮挡、背景杂乱和平面内外旋转等跟踪难点时,跟踪学习检测算法(Tracking-Learning-Detection,TLD)容易产生漂移导致跟踪失败,其跟踪性能还有待提高。在传统TLD算法的基础上,提出一种基于人工鱼群粒子滤波的TLD改进算法。首先使用人工鱼群粒子滤波跟踪器代替金字塔光流跟踪器,将颜色直方图特征和方向梯度直方图特征进行融合,建立目标表观模型,引入图像金字塔多尺度思想进行尺度匹配,提高目标跟踪的稳健性。然后通过粒子滤波过程预测目标区域,将TLD算法检测模块的全局扫描改进为局部扫描,剔除大量非目标区域,提高检测模块的检测效率。实验结果表明:基于人工鱼群粒子滤波的TLD改进算法具有良好的跟踪性能,与传统TLD算法相比,其平均成功率和精准度分别提高了19.04%和28.00%,平均跟踪速度可达33.87FPS,提高了38.78%。     

基于Kalman和双级联随机森林的在线目标跟踪算法

针对传统的基于检测的在线目标跟踪算法容易产生跟踪漂移的现象,提出了一种新的在线目标跟踪算法.以基于主方向模板特征的双级联随机森林分类器作为检测器,卡尔曼滤波器作为跟踪器.首先利用卡拉曼算法跟踪目标,然后以跟踪的目标位置为中心向外扩展一定的范围作为双级联随机森林分类器的检测区域,利用全局随机森林分类器和局部随机森林分类器进行目标检测,并将检测结果作为Kalman跟踪算法下一帧的观测值.实验结果显示,提出的算法在跟踪大小420×320的图像时,跟踪速度达到24.3 f/s(帧/秒),目标中心位置误差在30 pixel时,算法准确率可达到80％以上.     

基于多模板的深度核相关滤波跟踪

针对跟踪过程中出现的遮挡、尺度变化、光照变化等问题,文章基于多模板提出深度核相关滤波算法。首先,多模板算法选取最佳滤波参数优化分类器训练样本的能力,多特征算法利用多种特征优化目标外观模型提高了跟踪过程的鲁棒性;其次,利用深度图信息计算跟踪过程中目标重叠率,判断目标的遮挡情况,遮挡时重新定义目标搜索区域,并判断是否重新跟踪目标,降低遮挡情况下的算法漂移问题;最后,根据目标遮挡情况判断是否更新分类器参数和目标外观模型,提高模板更新的可靠性。利用Princeton数据库测试算法,成功率和精度分别达到85.1和98.6,比第二名算法分别提高了7.04%和4.67%。实验从成功率、精确度方面说明基于多模板的深度核相关滤波算法优于传统算法,有一定研究价值。     

基于工地场景的深度学习目标跟踪算法

针对施工现场环境复杂,难以高效管理的问题.提出了基于工地场景的深度学习目标跟踪算法,辅助施工顺利进行.根据工地现场目标的连续性,构建增强群跟踪器,提升目标成功跟踪的概率.然后从滑动窗口、Stacked Denoising Auto Encoder（SDAE）和Support Vector Machine（SVM）三方面组建深度检测器.在滑动窗口方面：从梯度角度建立模型实现窗口自适应.在SDAE算法方面：构建反向算法微调网络参数.优化SVM算法降低跟踪时目标漂移和跟踪失败的概率,最终实现目标高精度跟踪.通过实验表明本文提出的算法可有效对目标进行跟踪,实现动态管理.     

自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法（Interacting Multiple Model,IMM）存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计（Strong Tracking Modified Input Estimation,STMIE）模型和匀速运动（Constant Velocity,CV）模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.     

基于相频特性的稳态视觉诱发电位深度学习分类模型

针对现有深度学习分类方法对稳态视觉诱发电位相位与频率信息利用不充分的问题,该文提出一种用于稳态视觉诱发电位(SSVEP)分类的卷积神经网络模型.该模型以经过快速傅里叶变换后的复向量作为输入,首先对各个导联的实部向量和虚部向量进行卷积,学习相位信息;随后引入空间注意力机制,对判别频率信息进行增强;然后使用2维卷积和最大池...     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

基于神经网络的机器人抛光材料去除提升模型

提出了一种基于深度神经网络的提高材料去除模型精度的策略。提出一种具有特征选择能力的深度学习算法。在机器人抛光的材料去除率模型的基础上,生成由材料去除率和相应的抛光参数组成的一系列仿真样本。深度学习算法学习了仿真样本和实际样本,建立了深度学习模型。通过使用所提出的深度学习模型,根据抛光参数,估测测试样本的材料去除深度,并计算估测了测试样本的材料去除深度与实际的测试样本的材料去除深度之间的误差。结果表明:改进后的模型可以获得比传统模型更高的精度。     

一种基于多尺度特征融合的目标检测算法

基于深度学习的目标检测器RetinaNet和Libra RetinaNet均是使用特征金字塔网络融合多尺度特征,但上述两个检测器存在特征融合不充分的问题。鉴于此,提出一种多尺度特征融合算法。该算法是在Libra RetinaNet的基础上进一步扩展,通过建立两条自底向上的路径构建两个独立的特征融合模块,并将两个模块产生的结果与原始预测特征融合,以此提高检测器的精度。将多尺度特征融合模块与Libra RetinaNet结合构建目标检测器并在不同的数据集上进行实验。实验结果表明,与Libra RetinaNet检测器相比,加入模块后的检测器在PASCAL VOC数据集和MSCOCO数据集上的平均精度分别提高2.2个百分点和1.3个百分点。     

二进制传感器网络加权目标跟踪算法研究

该文主要研究二进制传感器网络中加权目标跟踪算法的设计。针对已有算法中权值不能实时反映目标与感测节点之间距离关系的缺点,提出了距离加权和基于预测的距离加权目标跟踪算法。距离权值能够实时反映目标与各个感测节点间的距离关系,因此具有更高的跟踪精度。在距离加权算法中感测节点需要将感测信息和距离信息都传输到融合中心,这会增大感测节点的能量消耗。为了解决这个问题,文中提出一种基于预测的距离加权目标跟踪算法。该算法中感测节点不需要传输距离信息而只传输感测信息到融合中心从而减少了能耗。仿真结果表明,基于预测的距离加权算法比已有算法能够够精确地跟踪目标,在保证跟踪精度的同时减少了通信能耗。