当目标移出视野又再次出现后,关键点一致性匹配目标跟踪算法(consensus-based matching and tracking)仍能对目标进行稳定的跟踪,但当面对光照变化剧烈、目标旋转等复杂场景时,容易出现跟踪失败的情况。因此,将FREAK算法融合到关键点一...当目标移出视野又再次出现后,关键点一致性匹配目标跟踪算法(consensus-based matching and tracking)仍能对目标进行稳定的跟踪,但当面对光照变化剧烈、目标旋转等复杂场景时,容易出现跟踪失败的情况。因此,将FREAK算法融合到关键点一致性匹配算法中;为降低算法复杂度,引入卡尔曼(Kalman)滤波对目标位置进行预测,避免通过扫描整帧图像的方式提取其特征点。实验结果表明,融合FREAK特征描述的关键点一致性匹配算法在上述复杂场景下能够对目标进行稳定跟踪。展开更多
近年来,无人机因体积小、灵活性好等优势被广泛应用在车辆跟踪领域。当无人机在高空飞行时,其捕捉的图像中车辆目标存在像素点少、拥挤以及被遮挡的情况。现有的多目标跟踪研究方法在车辆被遮挡过程中发生非线性运动时,使用卡尔曼滤波预...近年来,无人机因体积小、灵活性好等优势被广泛应用在车辆跟踪领域。当无人机在高空飞行时,其捕捉的图像中车辆目标存在像素点少、拥挤以及被遮挡的情况。现有的多目标跟踪研究方法在车辆被遮挡过程中发生非线性运动时,使用卡尔曼滤波预测,会出现车辆位置预测不准确的问题。为了解决这些问题,采用先检测后跟踪(tracking by detection,TBD)范式,对YOLOv8检测算法进行改进,在网络结构中引入了BiFormer稀疏动态注意力模块,用于提取小目标特征信息。同时使用轻量级上采样算子CARAFE替换原最近邻插值上采样,减少上采样过程中小目标特征丢失的问题。提出一种轻量化跟踪模型FA-SORT,针对SORT算法提出三点改进:改进KF、添加速度方向一致性匹配和检测值匹配。在自制地组合了多个车辆数据集上验证改进的YOLOv8算法。实验结果表明,与YOLOv8相比,精确率(precision)提高了0.97%,召回率(recall)提高了0.898%。对所提出的FA-SORT算法使用UAVDT数据集进行验证,结果表明,与现有的多目标跟踪算法相比,HOTA指标首个达到70.05%,IDF1达到87.45%,跟踪速度达到29.93 FPS。验证了FA-SORT跟踪算法在多车辆跟踪任务中的优越性。展开更多
文摘当目标移出视野又再次出现后,关键点一致性匹配目标跟踪算法(consensus-based matching and tracking)仍能对目标进行稳定的跟踪,但当面对光照变化剧烈、目标旋转等复杂场景时,容易出现跟踪失败的情况。因此,将FREAK算法融合到关键点一致性匹配算法中;为降低算法复杂度,引入卡尔曼(Kalman)滤波对目标位置进行预测,避免通过扫描整帧图像的方式提取其特征点。实验结果表明,融合FREAK特征描述的关键点一致性匹配算法在上述复杂场景下能够对目标进行稳定跟踪。
文摘近年来,无人机因体积小、灵活性好等优势被广泛应用在车辆跟踪领域。当无人机在高空飞行时,其捕捉的图像中车辆目标存在像素点少、拥挤以及被遮挡的情况。现有的多目标跟踪研究方法在车辆被遮挡过程中发生非线性运动时,使用卡尔曼滤波预测,会出现车辆位置预测不准确的问题。为了解决这些问题,采用先检测后跟踪(tracking by detection,TBD)范式,对YOLOv8检测算法进行改进,在网络结构中引入了BiFormer稀疏动态注意力模块,用于提取小目标特征信息。同时使用轻量级上采样算子CARAFE替换原最近邻插值上采样,减少上采样过程中小目标特征丢失的问题。提出一种轻量化跟踪模型FA-SORT,针对SORT算法提出三点改进:改进KF、添加速度方向一致性匹配和检测值匹配。在自制地组合了多个车辆数据集上验证改进的YOLOv8算法。实验结果表明,与YOLOv8相比,精确率(precision)提高了0.97%,召回率(recall)提高了0.898%。对所提出的FA-SORT算法使用UAVDT数据集进行验证,结果表明,与现有的多目标跟踪算法相比,HOTA指标首个达到70.05%,IDF1达到87.45%,跟踪速度达到29.93 FPS。验证了FA-SORT跟踪算法在多车辆跟踪任务中的优越性。