融合高斯混合模型和深度学习的目标跟踪

目标跟踪是计算机视觉的关键技术,但快速运动所导致的目标运动模糊会影响跟踪的精度.提出融合高斯混合模型和深度学习的目标跟踪算法,利用高斯混合模型对目标视频进行建模,在卷积神经网络中提取浅层和深层的图像特征,将两个特征的响应值融合后实现跟踪目标的定位.首先,根据高斯混合模型建立样本数据集,利用概率密度函数筛选数据,依据正态分布获得对应的高斯分量;其次,在深度学习框架下对高斯混合后获得的样本数据提取浅层和深层特征;最后,将提取的浅层与深层特征响应值进行融合,并更新目标模型,实现目标跟踪定位.该算法在VOT-2016公开的数据集进行实验,与6个视频跟踪算法对比分析.实验表明,所提的算法表现出较好的性能,特别是在快速运动的评价指标中,该算法的抖动模糊精度比ECO算法提高6. 25%.     

多特征融合的视频目标深度跟踪

针对现有基于卷积神经网络跟踪中需要大量离线训练以及在线更新耗时的问题,提出了一种多特征融合的视频目标卷积跟踪算法。算法首先设计了一种浅层前向自学习卷积网络提取目标候选区域的局部卷积特征;然后计算融合了空间信息的颜色直方图特征;在此基础上,采用归一化加权方法在全连接层融合卷积特征和全局颜色特征形成目标的表观描述;最后基于粒子滤波算法,通过计算目标模板与候选目标之间的相似度,估计目标位置。采用OTB-2013公开测试集验证所提跟踪算法的性能,与8种主流目标跟踪算法进行了分析对比。实验结果表明,本文算法的目标跟踪精度和跟踪成功率在多种场景下取得了不错的性能,在保证跟踪精确率的前提下,跟踪鲁棒性优于其他算法。可见提出的多特征融合的卷积跟踪算法通过提取所跟踪视频的自身特征生成卷积器而无需进行大量离线训练,且与手动特征进行融合增强了目标的表达能力,这种策略具有一定的借鉴性。     

多频高频地波雷达目标数据融合与跟踪

强烈的海杂波干扰以及目标起伏严重制约了高频雷达的目标检测与跟踪性能,针对这一不足,提出一种基于多频雷达的数据融合与跟踪算法.通过加权最近邻关联来融合多频数据;通过无味卡尔曼滤波输出跟踪结果.在中国东海舟山海域进行了为期10d的数据采集实验用于验证系统性能.研究了多频雷达数据特点,给出了合适的距离、速度和方位的融合门限及权重设置方法,建立了从检测到跟踪整套处理流程,并提出了用于检验多频工作性能的评价指标.评价指标包括目标在线时间、航迹分裂数目、跟踪区域和定位误差.研究结果表明:通过数据融合和跟踪滤波显著延长了目标在线时间,提高了目标检测概率并减小了定位误差和跟踪中出现的航迹分裂数量,增强了跟踪稳健性.     

基于多传感器数据融合的目标识别和跟踪

基于单传感器（雷达或红外）系统存在局限性,提出了基于多传感器（雷达和红外）信号融合的目标识别和跟踪系统,它能利用不同传感器的数据互补和冗余。特征层融合能通过利用其他传感器模块提供的目标特征信号来提高目标检测概率和降低虚警概率;决策层融合能矫正因受干扰等原因而失去目标跟踪能力的传感器模块的伺服跟踪回路,并提高抗干扰性。     

基于多尺度模态融合的RGB-T目标跟踪网络

可见光-热红外(RGB-T)目标跟踪因受光照条件限制较小受到关注。针对不同尺度特征的分辨率与语义信息存在差异、可见光与热红外两种模态信息不一致的特点,以及现有网络在多模态融合策略上的不足,提出一种RGB-T目标跟踪网络。网络采用孪生结构,首先将主干特征提取网络输出的模板图像特征与搜索图像特征从单尺度拓展到多尺度,并对可见光与热红外模态在不同尺度上分别进行模态融合,然后将得到的融合特征通过注意力机制增强特征表示,最后通过区域建议网络得到预测结果。在GTOT与RGBT-234两个公开RGB-T数据集上的实验结果表明,该网络跟踪精度和成功率较高,可以应对复杂的跟踪场景,相比于其他网络具有更高的跟踪性能。     

目标跟踪中的信息融合技术

在目标跟踪中，单一传感器检测到被测对象的某些信息，而信息融合可融合多传感器信息，获取对对象较全面的认识。比较全面地阐述了目标跟踪中信息融合的结构和方法。分析了各跟踪方法的特点，提出了信息融合发展中的一些值得关注的问题。     

基于经验模态分解的多模型融合售电量预测模型

售电量预测的精度是影响售电公司利润的一个重要因素.传统售电量预测方法难以解决售电量数据序列的趋势性、周期性与随机性等问题.为此,本文提出一种多模型融合的售电量预测方法.首先,采用基于经验模态分解方法将日和月度售电量分解为高、中、低频分量,构建三种独立的基模型,分别对不同频分量进行预测;然后,基于历史数据和同期的外部因素...     

基于多路图像融合的目标跟踪系统设计

针对传统视频监控在区域面积较大的场所具有目标跟踪范围有限、小目标特征不全、数据存储浪费、信息检索复杂等问题,提出基于多路图像融合的目标跟踪系统的设计方案及相关算法。根据现有智能视频分析技术,提出基于双重机制的目标检测算法以提高目标检测效率和准确度,设计单摄像头目标跟踪与特征放大并行方案解决目标跟踪不流畅及目标特征不全的问题,提出多摄像头协同跟踪与视频图像融合算法解决大范围连续跟踪问题。实验测试表明,系统能较好地在摄像头之间连续跟踪目标,并将各摄像头获取的目标关键数据进行有效融合,数据存储量小,能满足无人值守时监测需要,具有一定的实用性和可推广性。     

中央差分多模型算法在蛇形机动目标跟踪问题中的应用

将中央差分卡尔曼滤波算法整合融入多模型算法,提出一类中央差分多模型算法并将其应用于典型的非线性跟踪问题,针对蛇形机动目标进行仿真验证。结果表明,和经典非线性多模型滤波器相比,该算法具有更高的估计精度和更快的收敛速度,且计算量适中,易于实现实时跟踪。     

特征融合和多峰检测的无人机目标跟踪

无人机的目标跟踪在计算机视觉领域中是一个备受关注的研究热点.无人机跟踪目标在遭遇遮挡、尺度变化、光照变化等挑战会产生漂移,从而跟踪算法不能及时对模型进行更新.针对上述问题,提出特征融合和多峰检测的无人机目标跟踪算法,在特征融合的基础上采用多峰检测方法,结合置信度自动更新的响应策略方式,实现目标跟踪的精确定位.首先,提取...     

三联神经网络与区域自适应策略融合的目标跟踪方法

为解决目标跟踪过程中快速运动模糊、背景相似干扰、目标状态变化等问题,基于孪生网络跟踪算法,提出三联区域候选神经网络（TripleRPN）算法与跟踪区域自适应策略（TAA）相融合的目标跟踪方法（TAA+TripleRPN）.三联区域候选神经网络根据当前跟踪结果实时更新网络匹配模板,提高了跟踪器对目标状态变化的敏感性.通过区域自适应策略,根据区域候选回归网络分类分支的得分在网络的两组输出间择优选择,提高算法长时跟踪的鲁棒性.针对背景相似干扰和目标状态变化的问题时,TAA+TripleRPN跟踪器能达到更好的跟踪性能.在OTB2015数据集上,算法的AUC达到66.31%,CLE达到88.28%.在实际场景中实现验证与应用,跟踪效果良好.      

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度,同时减小了计算量.     

融合深度特征与梯度特征的红外目标跟踪算法

由于红外序列图像目标与背景的对比度低,图像的边缘模糊并且灰度级动态范围小,采用何种特征描述目标成为跟踪的关键。深度特征和梯度特征是目前大部分跟踪算法采用的主要特征,然而深度特征提取的目标语义信息关注类间分类(Intra-Class),忽略类内差别,容易受到相似背景(Distractor)干扰;梯度特征作为局部区域特征不易受背景干扰,但不能适应目标的剧烈形变。基于这2种特征的互补性,提出一种融合深度特征和梯度特征的红外目标跟踪算法。深度特征与梯度特征被分别用来表征目标的语义信息与局部结构信息,增强了对任意目标的表征能力;利用不同特征建立的跟踪模型进一步提高了跟踪的鲁棒性。通过建立模型互助机制,利用深度特征跟踪模型与梯度特征跟踪模型的互补性,对目标实施了精准的定位。实验中,选取了最新的红外视频跟踪数据库(VOT-TIR2016)用来验证文中算法的有效性,结果表明：和当今主流跟踪算法相比,算法在精确度上获得了3.8％的提升,在成功率上获得了4.3％的提升,能够有效处理跟踪中相似背景与形变的影响。     

基于融合反馈的算法模块管理在高机动追踪中的应用

以算法模块及算法内部参数的管理为核心,探索并提出新的敏感指标,通过融合反馈的方法来完成高机动追踪。该方法通过敏感指标对融合后的反馈结果的分析,用硬决策的方式完成机动追踪中的滤波器选择,以较少的计算量完成了模型未知的高机动追踪。与传统的IMM算法相比,此算法具有计算量小、模型集少的优点。一个多目标机动追踪实验结果验证了此算法在高机动目标追踪中的优秀表现。     

一种动态融合的目标识别与跟踪算法

针对红外图像序列的特点,提出一种动态融合的目标识别与跟踪算法。由图像序列中的运动信息对目标进行提取,得到自适应波门所需的起始波门和灰度双阈值,以及匹配算法所需的基准模板,其后的跟踪, 融各算法为一体,分时机、分场合地给予灵活运用。最后,以实测的红外图像序列对文中提出的算法进行仿真实验,结果表明该融合算法的可行性与有效性。     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.