基于注意力机制的行人多目标跟踪方法

多目标跟踪(Multi-Object Tracking,MOT)是智能交通和智慧城市的关键技术之一。针对真实场景下行人多目标跟踪困难的问题,提出了一种基于注意力机制的行人多目标跟踪(Pedestrian Multi-Object Tracking based on Self-Attention,PMOT)算法。在特征提取网络增加注意力机制模块,利用Transformer的编码器结构对行人特征的空间信息进行编码以增强行人的局部特征,实现目标关联精度的提升。为了改善由于长时间遮挡导致的行人目标丢失问题,PMOT算法在数据关联中扩展一个参考特征分支,并结合行人运动特征与外观特征的相似度来实现目标匹配。实验结果表明,提出的算法在MOT17数据集上取得77.0%的跟踪准确度,有效提高了行人目标的跟踪效果。     

基于帧间DBSCAN聚类的毫米波雷达交通多目标跟踪方法

毫米波雷达已成为车联网中的主流传感器之一,可用于交通场景的多目标跟踪。本文将毫米波雷达安装于道路上方进行交通目标跟踪,针对基于帧内DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类的多目标跟踪中,在该安装场景下多径噪点难以去除和纵向的交通目标点云难以区分的问题,提出了基于帧间DBSCAN聚类的毫米波雷达交通多目标跟踪方法。该算法使用多帧合并处理的方式,利用帧序特征用于解决多径噪点问题,并利用空间纵向分段的方法改善了原算法在纵向上目标区分度不足的缺点。本文通过六组不同的实际场景实验,证明了本方法在不同场景下,均相比原方法对跟踪结果有不同程度的改善。      

基于主干增强和特征重排的反无人机目标跟踪

视频图像中面向无人机的目标跟踪是反无人机任务中的重要一环。无人机低空飞行背景复杂,同时在视频图像中目标像素占比较小,都给目标跟踪增加了难度。针对以上问题,以SiamRPN++为基础,提出了一种引入改进的主干网络和特征重排的孪生神经网络目标跟踪算法（SiamAU）。首先,在主干网络中加入ECA-Net注意力机制网络,同时对激活函数进行改进,以提升复杂背景下的特征表征能力;然后,对主干网络输出的浅层特征进行浅层降维并与后三层深层特征进行融合,得到更适合无人机等小目标跟踪的改进深度融合特征。在DUT Anti-UAV数据集上,SiamAU算法的成功率和精确率达到了60.5%和88.1%,相比基准算法提升了5.6%和8.1%。在两个公开数据集上的测试结果表明,在反无人机场景中SiamAU算法的跟踪表现优于目前主流的算法。     

基于视频行人重识别和时空特征融合的跟踪算法

针对多目标跟踪算法在现实拥堵场景容易引发行人身份交换频繁的问题,提出了一种融合目标检测与行人重识别两个任务的联合网络。同时引入一种用于融合重识别特征和时间信息的轨迹评分机制,该机制通过从检测结果和跟踪预测结果中收集候选目标,互相补充行人目标跟踪预测信息与重识别特征信息。针对视频画面中小目标难以被检测到的问题,对ResNet-34网络进行改进,在主干网络上通过结合深层聚合网络,同时将传统的残差块替换为多级特征卷积网络,实现了对小目标的着重关注,提高了检测准确率。在多目标跟踪数据集MOT16、MOT17、MOT20上进行实验,所提网络的多目标跟踪准确度（MOTA）分别达74.7、73.7、66.4,行人身份转换次数分别为210、209、1403。实验结果表明,所提网络取得了良好的检测跟踪效果。     

多目标跟踪中基于次模优化的轨迹片段生成方法

作为智能视觉任务的基础工作,多目标跟踪(MOT)一直是计算机视觉领域具有挑战性的课题之一。遮挡是影响跟踪准确性的主要因素,为此该文采用基于检测跟踪的思想,以轨迹片段为基础进行关联获取目标的完整轨迹;同时,为提高跟踪鲁棒性,该文将轨迹片段的生成问题转化为运筹学中的设施选址问题,并进而提出基于次模优化的轨迹片段生成方法。该方法融合梯度(HOG)和颜色(CN)两个互补特征进行目标表征,并根据运动信息设计权重系数提高目标匹配准确度,最后提出具有约束的次模最大化算法实现全局范围内的数据关联生成轨迹片段。通过在多个基准数据集上的对比实验,表明该文算法在保证性能的同时能有效处理遮挡问题。     

基于改进数据关联的三维多目标跟踪算法

针对传统三维多目标跟踪算法在复杂场景中出现的误关联、跟踪中断、适应性差等问题,在数据关联阶段进行了相应改进,提出了一种基于加权聚合关联代价和目标预测置信度的多目标跟踪算法。首先,结合目标的位置、外观、方向特征计算加权聚合关联代价以度量目标之间的差异性。然后,在关联代价矩阵中引入预测置信度的相关概念,并依据该置信度调整丢失目标的关联搜索域。最后,使用卡尔曼滤波器进行目标运动状态以及预测置信度的更新。在实测数据上的实验结果表明,所提出的算法能够提高点云遮挡、轨迹交叉情况下的跟踪正确率,在MOTA上达到了73.6%。     

基于深度降噪自编码器的多特征目标融合跟踪算法

针对在目标遮挡、光线变化、目标模糊等情况下的目标跟踪算法抗干扰能力较差的问题,提出了一种基于深度降噪自动编码器的多特征目标融合跟踪算法。该方法首先引入稳像和图像去雾算法以改善训练集数据和测试集数据的质量;再构建多特征深度降噪自动编码网络,基于深度神经网络的强大学习能力提取目标的颜色特征和均匀模式纹理特征;将两种特征加权融合输入到逻辑回归分类器,获得置信分数,更有效地区分目标和背景。最后,采用粒子滤波算法对目标进行跟踪。实验结果表明,该方法能够更准确地对存在目标遮挡、光线变化、目标模糊等干扰问题的视频进行跟踪。与传统方法相比,该方法成功率在上述三个方面平均分别提升33.73%、9.73%和12.80%;与近年流行算法相比,该方法成功率平均达到90.16%,实时性平均达到49.37 fps。     

基于卷积注意力模块和无锚框检测网络的行人跟踪算法

针对多目标跟踪过程中遮挡严重时的目标身份切换、跟踪轨迹中断等问题,该文提出一种基于卷积注意力模块 (CBAM)和无锚框(anchor-free)检测网络的行人跟踪算法。首先,在高分辨率特征提取网络HrnetV2的基础上,对stem阶段引入注意力机制,以提取更具表达力的特征,从而加强对重识别分支的训练;其次,为了提高算法的运算速度,使检测和重识别分支共享特征权重且并行运行,同时减少头网络的卷积通道数以降低参数运算量;最后,设定合适的参数对网络进行充分的训练,并使用多个测试集对算法进行测试。实验结果表明,该文算法相较于FairMOT在2DMOT15, MOT17, MOT20数据集上的精确度分别提升1.1%, 1.1%, 0.2%,速度分别提升0.82, 0.88, 0.41 fps;相较于其他几种主流算法拥有最少的目标身份切换次数。该文算法能够更好地适用于遮挡严重的场景,实时性也有所提高。     

一种基于幅度特征的对海雷达线性跟踪方法

针对海面复杂目标背景下,多目标跟踪过程中特征辅助优化跟踪精确度低和计算量大等问题,提出一种基于目标幅度特征的对海雷达线性跟踪方法。建立信号幅度的数学模型,将其与计算量线性增长的线性联合综合数据关联(LJIPDA)算法相结合,给出新的基于幅度的线性联合综合数据关联的(LJIPDA-AI)对海雷达线性跟踪方法。仿真验证结果表明,LJIPDA-AI方法较LJIPDA方法有效提高了跟踪精确度,较JIPDA算法有效降低了计算量并提高了跟踪精确度。因此,LJIPDA-AI算法能够显著改善海面复杂目标背景下的多目标跟踪性能。     

一种面向互动投影的多目标跟踪方法

针对互动投影系统对多目标跟踪在自适应和实时性方面的需求,提出了一种基于自适应混合粒子滤波和自适应数据关联的多目标跟踪方法.该方法采用基于背景差检测的混合粒子滤波并将跟踪置信度引入目标的状态量中,根据跟踪置信度大小自适应地加强或减弱关联强度进行数据关联;同时,根据数据关联结果分析目标出现、目标消失、目标衍生、目标相遇等复杂运动情况,对每个目标进行自适应混合粒子滤波跟踪.实验证明该方法提高多目标跟踪性能,能够较好满足互动投影的应用需求.     

基于Mean-shift的多目标跟踪算法的设计

针对视频序列中目标的跟踪问题,提出了一种基于模版匹配的多目标跟踪算法.该算法提取目标模版灰度分布特征,并在目标匹配过程中采用Bhattacharyya系数在图像中寻找相似性最高的区域.仿真结果表明,用该算法进行多目标跟踪时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.     

基于δ-GLMB自适应门限判定的多量测目标跟踪算法

针对实际复杂交通场景中毫米波雷达能从单目标上获得多个量测导致广义标签多伯努利（δ-Generalized labelled multi-Bernoulli, δ-GLMB）滤波算法的多目标跟踪结果中出现单目标有多条轨迹等问题,提出了一种在δ-GLMB跟踪结果的基础上加入自适应门限判定的改进算法。首先,通过δ-GLMB滤波器对场景中目标进行跟踪,然后通过自适应门限判定方法实现目标多余轨迹点的删除和属于同目标的轨迹的标签统一。本文使用77GHz毫米波雷达对实际交通场景的监测数据进行了实验,结果表明本文提出的方法在目标个数估计准确率上有显著提高,对实际交通数据的鲁棒性更好。      

一种基于改进FCM聚类联合概率数据关联算法

针对多目标跟踪系统中的数据关联问题,提出一种基于改进FCM聚类联合概率数据关联算法(FJPDA)。该算法将改进的FCM聚类方法引入JPDA算法中,避免了对联合事件的概率计算,也避免了对确认矩阵拆分造成的计算量组合爆炸现象,实现了量测与航迹的关联,继而实现对多目标的实时跟踪。仿真结果表明算法简单有效,与JPDA算法相比,在跟踪性能相当的前提下,算法的复杂度和实时性得到了明显的改善。     

多目标跟踪中基于特征辅助的概率数据关联算法

在传统的多目标跟踪系统中,数据关联仅利用了那些与目标状态向量直接相关的信息。在此提出了一种基于广义概率数据关联(GPDA)的新的关联算法即特征辅助跟踪(FAT)算法。该算法同时利用了目标的特征信息和状态信息进行数据关联,较好地解决了在密集杂波环境下对近目标的跟踪问题。最后以目标的一维距离像信息为例进行仿真,仿真结果表明,所提出的算法使跟踪性能优于传统的概率数据关联。     

联合Transformer与BYTE数据关联的多目标实时跟踪算法

针对复杂环境下多目标跟踪过程出现的轨迹漏检、误检及身份切换等问题，提出一种基于改进YOLOX和BYTE数据关联方法的多目标跟踪算法。首先，为了增强YOLOX在复杂环境下的目标检测能力，将YOLOX骨干网络与Vision Transformer结合，增强网络的局部特征提取能力，同时加入α-GIoU损失函数，进一步增加网络边界框的回归精度；其次，为了满足算法实时性要求，采用BYTE数据关联方法，摒弃传统特征重识别（Re-ID）网络，进一步提高了多目标跟踪算法的速度；最后，为了改善光照、遮挡等复杂环境下的跟踪问题，采用更加适应非线性系统的扩展卡尔曼滤波，提高了网络在复杂场景下对跟踪轨迹的预测精度。实验结果表明：所提算法对MOT17数据集的multiple object tracking accuracy(MOTA)、identity F1-measure(IDF1)指标分别为73.0%、70.2%，相较于目前最优的ByteTrack，分别提升了1.3个百分点、2.1个百分点，number of identity switches (IDSW)则减少了3.7%；同时所提算法取得了51.2 fr...     

结合重识别特征和运动预测的多目标跟踪方法

多目标跟踪是智慧城市交通安防的重要技术之一。为了提高多目标跟踪的准确性并改善真实场景下的遮挡问题，提出了一种结合重识别特征和运动预测的多目标跟踪方法。在多目标检测网络中扩展一个基于卷积神经网络(Convolutional Neural Networks, CNN)的重识别特征分支，提取目标的重识别特征；采用基于置信度的卡尔曼滤波预测模型来预测轨迹的空间分布以改善目标的遮挡问题，结合检测目标和轨迹在重识别特征和位置两方面的相似度来完成目标关联。实验结果表明，所提出的方法在真实行人场景下的跟踪精度优于大多数算法，具备一定的应用潜力。     

基于Transformer网络的机载雷达多目标跟踪方法

传统的多目标跟踪数据关联算法需要提前知晓目标运动模型和杂波密度等先验信息,然而这些先验信息在跟踪之前无法及时准确地获取。针对这个问题,提出一种基于Transformer网络的多目标跟踪数据关联算法。首先,考虑到传感器会存在漏检的情况,引入虚拟量测来重新建立数据关联模型。在此基础上,提出基于Transformer网络的数据关联方法来解决多目标与多量测的匹配问题。同时,设计了一种掩蔽交叉熵损失与重叠度损失相结合的损失函数(MCD)用于优化网络参数。仿真和实测数据结果表明:在不同检测概率条件下,所提算法性能均优于经典的数据关联算法和基于双向长短时记忆网络的算法。      

基于特征融合的RGBT双模态孪生跟踪网络

热红外成像技术被广泛地应用于军事、遥感和安防等领域中的目标跟踪,但热红外图像对对比度较低、目标模糊等跟踪场景效果一般。因此,将热红外图像与可见光图像进行融合提高跟踪性能具有重要意义。与基于可见光或热红外图像的单模态跟踪算法相比,基于可见光/热红外(RGB/Thermal, RGBT)图像的双模态跟踪算法对光照变化、云雾遮挡具有更强的鲁棒性。提出了一种基于特征融合的RGBT双模态孪生跟踪网络架构。该网络将双模态图像中提取的深度特征进行融合,提高目标外观特征的判别力。该网络可以利用训练数据进行端到端的离线训练。公开数据集RGBT234上的实验结果表明,所提出的RGBT双模态孪生特征融合跟踪网络能够实现复杂场景下鲁棒持续的目标跟踪。     

一种红外和可见光双通道视频目标跟踪方法

室外场景下由于场景背景条件变化容易导致视频目标跟踪稳定性差。该文提出一种利用红外和可见光传感器的双通道视频目标跟踪方法。该算法利用可见光图像的目标颜色特征和红外图像的目标轮廓特征,结合均值漂移算法与水平集曲线演化实现目标定位,并给出了目标尺度和模板更新方法;对多目标跟踪的互相遮挡问题,通过判断目标合并与分离实现遮挡时多个目标的定位。实验结果表明,该文方法能够有效处理光照变化、阴影、遮挡等情况,实现目标的稳定跟踪。     

YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法

针对无人机平台下小目标检测性能差、目标尺度变化较大、复杂背景干扰等导致跟踪失败的问题,该文提出一种联合优化检测器YOLOv5(You Only Look Once)和Deep-SORT(Simple Online and Realtime Tracking with a Deep Association Metric)的无人机多目标跟踪算法。该算法使用改进的CSPDarknet53(Cross Stage Paritial Darknet53)骨干网络重新构建检测器中的特征提取模块,同时通过自顶向下和自底向上的双向融合网络设计小目标检测层,采用无人机航拍数据集训练更新优化后的目标检测网络模型,解决小目标检测性能差问题;在跟踪模块中,提出结合时空注意力模块的残差网络作为特征提取网络,加强网络感知微小外观特征及抗干扰的能力,最后采用三元组损失函数加强神经网络区分类内差异的能力。实验结果表明,优化后的目标检测的平均检测精度相比于原始YOLOv5提升了11%,在UAVDT数据集上相较于原始跟踪算法准确率与精度分别提高了13.288%、3.968%,有效减少目标身份切换频次。