目标跟踪方法综述

复杂背景下实时目标的跟踪与识别属于自动目标识别（ATR）研究领域，包括对目标的分割、特征提取和目标识别等几个方面。本文将运动背景目标跟踪方法分为基于运动分析和基于图像匹配两大类，综述了几种典型方法的基本原理、基本属性、存在弊端及发展过程；通过各种方法的多方面比较。提出了改进思想，总结了目标跟踪的选择方法；同时针对目标跟踪的一些具体问题。提出了优化措施，最后探讨了目标跟踪方法中有待进一步研究的问题。     

用于空空导弹弹道终端的ATR系统和算法

以工作在弹道终端的红外成像型空空导弹为对象,提出了一种基于前视红外图像的自动目标识别(ATR)系统,并建立了相应的ATR算法。此ATR既可以探测、识别、跟踪目标,还能够在弹道终端识别目标的易损(要害)部位,提取飞行剩余时间,自适应控制炸点。实测的弹道终端红外图像验证了这些ATR算法。     

舰船红外成象目标实时识别跟踪算法研究

对前视海面舰船红外成象目标的实时识别与跟踪技术进行了研究，提出了一种新的海面舰船红外成象目标的识别跟踪算法。重点论述了其中的跟踪算法；同时基于本文算法及实际系统使用性能的要求，设计了一种适合本文算法的舰船红外成象识别跟踪系统，给出了硬件原理框图，对系统的实时性进行了分析。     

水下机动目标跟踪技术研究

水下目标跟踪是海洋国土监视、反潜战等环境下的关键技术。以往的跟踪滤波算法主要基于卡尔曼滤波、扩展卡尔曼滤波等算法,这些方法实现比较复杂,滤波精度不高。最近出现了不敏卡尔曼滤波、粒子滤波、转换瑞利滤波、双多基地跟踪算法等,需要研究这些算法在水下目标跟踪中的性能。总结对比了国内外学者在此领域的研究成果,得出了这些滤波算法在水下目标跟踪中的优缺点。重点论述了纯角度跟踪和非线性滤波算法的发展、在水下目标跟踪中的应用以及多基地声纳跟踪水下目标技术的发展,回顾了机动目标跟踪和多目标数据互联算法。研究表明,非卡尔曼滤波算法能够更高精度地跟踪水下目标,双多基地声纳是今后发展的重点。为今后的研究提供参考。     

HSV空间中基于区域边缘直方图的视频目标再识别算法

视频目标再识别涉及计算机视觉领域的运动目标检测、跟踪、图像处理、特征提取、特征匹配等.现提出一种基于前景检测、彩色区域边缘直方图(REH)的视频目标再识别算法.前景目标检测能有效消除背景像素产生的冗余特征,结合HSV空间中的彩色区域边缘直方图,增强了对目标的特征描述.实验在笔者建立数据集和3Dpes上取得了86.7%和51.5%的识别率,进一步提高了视频目标再识别的准确率.     

信息论在声呐自动目标识别中的应用

声呐自动目标识别（ATR）旨在自动地从背景或杂波中分离出感兴趣目标，一个声呐自动目标识别系统的可行与否取决于它的目标探测性能和识别分类系统的运算效率及训练效率。文章综述了当今信息论在声呐ATR中应用中的理论基础及其可行性分析，最后给出了信息论在声呐ATR特征提取中的应用举例。     

弱小目标跟踪算法性能评估的研究

本文提出了弱小目标检测和跟踪算法的性能评估框架,并针对弱小目标检测和跟踪的特点,从背景特性、目标特性和跟踪干扰特性等方面对弱小目标序列图像的仿真进行了分析.通过分析弱小目标跟踪中可能遇到的不同的目标情况和由此产生的正确跟踪轨迹、正常轨迹消失、错误跟踪轨迹、遗漏轨迹和虚假跟踪轨迹等目标跟踪状况,以弱小目标仿真模块提供的目标原始真值为基础,采用了有效跟踪评价和有效跟踪精度评价的方法对跟踪算法进行评估.试验表明,该方法能够有效地评估弱小目标跟踪算法.     

自动目标识别(综述)

本文综述了解决自动目标识别(ATR)问题的各种技术,包括目标检测、分割、特征计算、分类、跟踪等。重点放在目前主要采用的模式识别(PR)方法,同时,对新的方法,例如以知识为基础(K—B)方法,和多传感器ATR问题,也给予评述。     

一种自动数字视频判读框架

介绍了数字视频判读系统的硬件组成和主要功能，然后在分析系统功能的基础上，通过分类建立包括低信噪比小目标、面目标、扩展目标的跟踪算法库，采用智能跟踪策略决策机制，选择当前最适合的目标跟踪识别算法对进行自动判读，并以此为基础提出了一种新的自动视频判读框架。     

基于环形光电探测器的多目标探测与跟踪研究

提出并研究了基于环形光电探测器的多目标探测与跟踪技术.首先提出了一种基于6片线阵CCD的环形探测器设计.该探测器中的每一线阵CCD光学系统的光轴均通过探测器中心点,且任意两光轴之间的夹角为60°,形成具有360°视场的环形探测结构;提出了基于目标信号脉宽判据、基于目标信号水平尺度比率的复合判据,研究了适用于环形探测器的多目标快速识别与跟踪算法;建立了硬件实验系统,并进行了功能验证实验,实验结果表明:所提出的环形光电探测器及算法设计可实现多个运动目标的探测与跟踪,在目标机器视觉、虚拟现实等领域具有潜在的应用前景.     

弱小目标检测与跟踪算法

低对比度小目标检测与跟踪算法的研究是电视跟踪领域的关键技术之一。针对弱小目标的目标特性，按USAN原则进行目标检测，利用目标的特征参数及目标运动的一致性、连续性排除噪声干扰，实现对目标的稳定跟踪。实验采用VC＋＋仿真平台验证该算法的可行性和有效性，并移植到DSP专用图像处理平台上，达到了工程的5可靠性与实时性要求。     

采用TMS320C6203的实时图像处理系统设计

针对高帧频、大视场图像中的实时目标检测、识别和跟踪,设计了一种以TMS320C6203为核心运算处理器,FPGA为辅助控制处理器的实时图像处理系统。在对弱小目标检测识别算法的实验分析基础上,开发了实时图像处理软件,使得该系统对弱小多目标的检测、识别和跟踪的能力达到了实际工程的实时性需求。     

尺度优化的时空上下文目标跟踪

视觉目标跟踪在智能监控和人机交互等领域有着广泛的应用。该文针对时空上下文(STC)跟踪算法尺度适应性不强的问题进行研究,提出一种尺度优化的时空上下文目标跟踪算法。首先,提出一种新型加权滤波函数,滤除图像的高频信息,提升算法的精度;其次,定义两种判别标准,实现时空上下文模型的自适应更新;最后,通过相关性原理训练尺度滤波器,估计出目标的尺度大小,提高算法的尺度适应性。实验表明:提出的跟踪算法能有效改善STC跟踪算法的尺度更新缺陷问题,提高STC跟踪算法的跟踪精度,与近年来出现的基本跟踪算法相比,该算法有着良好的跟踪效果。该算法在AMD-A6处理器、2.7 GHz主频、4 GB内存的计算机硬件平台下,实现68 f/s的实时跟踪速度。     

基于YOLOv3和ASMS的目标跟踪算法

为了解决传统算法在全自动跟踪过程中遇到遮挡或运动速度过快时的目标丢失问题,本文提出一种基于YOLOv3和ASMS的目标跟踪算法。首先通过YOLOv3算法进行目标检测并确定跟踪的初始目标区域,然后基于ASMS算法进行跟踪,实时检测并判断目标跟踪效果,通过二次拟合定位和YOLOv3算法实现跟踪目标丢失后的重新定位。为了进一步提升算法运行效率,本文应用增量剪枝方法,对算法模型进行了压缩。通过与当前主流算法进行对比,实验结果表明,本算法能够很好地解决受到遮挡时跟踪目标的丢失问题,提高了目标检测和跟踪的精度,且具有计算复杂度低、耗时少,实时性高的优点。     

复杂背景下弱小目标检测方法综述

基于图像信息的自动目标检测,在军事及工业领域有着广泛的应用前景.当成像系统和目标的相对位置较远时,目标在图像平面上表现为点状或不稳定斑点状,占有的像素少,信噪比低,在复杂背景下,目标基本上被噪声所淹没,检测比较困难.对这样的弱小目标的检测一直是运动目标探测中一个亟待研究与解决的问题,国内外学者进行了大量的研究.本文对一些典型的检测方法如序贯假设检测法、基于遗传算法的点目标检测与跟踪算法和基于图像对称差分运算的小目标检测方法等进行了分析和研究,阐明了各方法的基本思想、适用范围和优缺点,给出了相应的一些计算公式.最后指出了当前弱小目标检测算法的发展趋势.     

改进的Mean Shift算法在前视声呐运动目标跟踪中的应用

多波束前视声呐具有成像速度快、分辨率高的优点,是进行水下目标探测、跟踪和监控的重要设备。针对多波束前视声呐运动目标的跟踪问题,提出了一种改进的MeanShift算法。该算法利用经典的MeanShift算法实现目标的帧间定位,通过基于图像序列的背景消减法实现运动目标分割,根据分割后目标的位置和大小对Mean Shift跟踪框进行更新,并重新建立跟踪模型来迭代实现目标的准确定位和跟踪。实验结果表明,改进后的算法可实现目标跟踪框随目标大小和形状的更新,对目标的定位更加准确。因此,该算法具有应用于水下目标精确跟踪和定位的潜力。     

基于随机有限集的目标跟踪方法研究及最新进展

本文概述了基于随机有限集的目标跟踪方法的产生、发展和研究现状.论文概要总结了基于随机有限集的目标跟踪方法的基础理论,主要包括随机有限集的理论基础,概率假设密度滤波器的理论基础,概率假设密度滤波器的实现方式以及基于随机有限集的目标跟踪算法的性能评价指标.文中同时简要介绍了概率假设密度滤波器在目标跟踪领域的应用,并对在该领域未来的发展提出了自己的看法.     

USAN算法在实时系统中的实现

介绍USAN(Univalue Segment Assimilating Nucleus即吸收同值核区)算法在实时系统上的应用。应用USAN模板对图像扫描,并且对扫描后的数据做方向识别,获得目标上的角点特征,从而得到以角点为跟踪点的跟踪算法。此算法由于其跟踪点稳定,不受随机噪声的影响,因而可以大大提高跟踪精度,在实际应用中获得较好的效果。     

林区视频监控下车流量分类统计

针对林区环境中通过监控视频统计车流量的传统方法提取车辆特征困难、无法分类统计等问题,提出了一种基于YOLOv5结合DeepSORT的车流量分类统计方法。该方法使用目标检测算法YOLOv5作为检测器对车辆进行分类检测,为了提升实际场景中的车辆检测效果,在算法中融入CBAM注意力机制增强检测器对车辆的特征提取能力,同时将NMS改进为DIoU-NMS,解决了因车辆相互遮挡导致的漏检问题。使用目标跟踪算法DeepSORT对检测到的车辆进行跟踪,为了减少车辆身份切换现象,将重识别网络在车辆重识别数据集上重新训练。最后通过在视频中设置虚拟线的方法对跟踪到的车辆进行统计。将该方法在实际场景中进行效果验证,实验结果表明,总体车流量统计准确率较改进前提升10.1%,汽车、货车、客车的车流量统计准确率分别为91.8%,94.6%,93.8%。     

智能视频监控系统运动目标检测技术研究综述

智能视频监控技术的出现是现阶段市场监控系统智能化需求的结果,它旨在实现用摄像机代替人眼,用计算机代替人并协助人来完成监视和控制的任务。智能视频监控系统分析技术在检测运动区域的目标检测技术和追踪预测运动目标运动趋势的目标跟踪技术的基础上,再进行目标行为识别理解。对现有的主要目标检测技术的主要算法进行了综述和分析,并根据各算法的优缺点做出比较。