基于YOLO目标检测算法的人群多目标识别跟踪方法

目前对人群跟踪方法主要是建立跟踪模型,实现人群群体检查和跟踪,但是无法实现人群中多行人的识别和个体跟踪,造成人群跟踪与多目标识别存在效率低下和不准确。本文提出基于YOLO目标检测算法的人群多目标识别跟踪方法,通过对人群多目标的可见特征提取人群的行人轨迹和外观特征,实现人群多目标识别的跟踪。实验结果表明,该方法提高了人群多目标的识别效率,具有一定的实用性。

基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪

针对因受水面波纹、反光及目标外观特征相似而导致的游泳池中目标检测跟踪困难的问题,提出一种基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪方法;通过引入注意力机制改进YOLOv5算法,增强算法对目标特征的提取能力;将检测结果输入到DeepSort算法中,在级联匹配中引入K邻域限制筛选目标检测框,减少因目标外观特征不明显引起的身份切换问题;利用匈牙利算法对检测框和预测框进行匹配,对未匹配成功的检测框采用距离交并比代替交并比进行二次匹配,提高DeepSort算法的跟踪性能;通过对比实验和消融实验验证所提出的多目标检测跟踪算法的性能。结果表明:改进的YOLOv5算法平均精准度提高2%,结合DeepSort算法跟踪检测,身份切换平均减少58次,多目标跟踪精确率为80.26%,比原始YOLOv5算法和Deepsort算法跟踪准确率提升了3.85%。

基于路侧激光雷达的多目标检测与跟踪算法

为了检测与跟踪城市交叉口复杂环境下的道路目标,提出一种基于路侧激光雷达的多目标检测与跟踪算法。首先利用背景减除法滤除背景点云,随后融合5帧点云并利用曲率体素聚类算法检测目标得到3 D包围盒信息,之后通过自适应阈值的双门控和生存周期管理策略,有效提升关联精度并减少了目标丢失和误检,最后利用交互式多模型无迹卡尔曼滤波(IMM-UKF)和联合概率数据互联(JPDA)的融合算法完成道路目标的跟踪。试验结果表明,该算法在保证检测和跟踪性能基础上满足实时性要求,具有工程实用价值。

基于改进SSD-MobileNet算法的AGV动态目标检测方法

为了提升自动导引运输车(automated guided vehicle,AGV)动态障碍物视觉检测的精度和帧率,提出了一种基于单镜头多盒检测器(single shot multibox detector,SSD)的改进算法。将轻量级MobileNet网络引入到SSD网络结构中,然后利用K-means算法对训练数据集中真实框的AR值进行聚类并更新,最后利用Jeston Nano嵌入式平台搭建了AGV实验系统,引入TensorRT加速引擎,分别对改进前后的SSD-MobileNet模型进行加速优化,并对比分析。结果表明:改进的SSD-MobileNet模型在AGV上使用TensorRT加速引擎的mAP值为79.1%,相比优化前提升了10.8%,对精度影响很小,而帧率达到了25 f/s,较原SSD模型提升了近4倍,且改进后模型规模也比优化前缩小了37%。采用改进算法能够使AGV在运输过程中完成动态障碍物检测任务,可代替人工实现货物高效运输,并节省运输成本,为智能化运输提供了一种新的思路。

基于跟踪检测多目标的无人机软件开发与算法分析

当前无人机多目标跟踪检测中还存在较多问题,比如精确度低以及占用内存大的问题。基于YOLOv5算法和DeepSort算法开发无人机软件,设计跟踪模板更新策略,通过检测模块将目标置信度、置信度等相关信息传输到跟踪模块实现跟踪。在YOLOv5算法和DeepSort算法的应用下,实现对目标估计的预测和分配预测结果,确保无人机跟踪效果和速度。实验结果发现,基于YOLOv5算法和DeepSort算法的无人机软件在多目标跟踪中,可以将跟踪精度提升22%,效果显著。

检测区域动态调整的TLD目标跟踪算法

针对经典跟踪-学习-检测（TLD）目标跟踪算法由于检测区域过大而导致的检测时间过长及对相似目标跟踪处理效果不理想的问题,提出一种检测区域可动态自适应调整的方法——TLD-DO。该方法利用两次Kalman滤波加速度矫正预测的检测区域优化算法DKF,通过缩小TLD检测器检测范围,以达到在跟踪精度略有提升的情况下提高跟踪速度的目的;同时此方法可排除画面内相似目标的干扰,提高在含有相似目标的复杂背景下目标跟踪的准确性。实验结果表明：TLD-DO算法在处理不同视频与跟踪目标时,检测速度有1.31-3.19倍提升;对含有相似目标干扰情况下,跟踪效果明显优于原TLD算法;对目标抖动及失真情况有较高的鲁棒性。

基于动态规划的多目标复合检测与跟踪算法

基于动态规划的多目标检测跟踪算法涉及计算量爆炸和邻近目标难分辨的问题.针对实际应用中目标个数未知和环境中强弱目标并存限制的情况,提出一种基于动态规划的多目标复合检测与跟踪算法.首先利用传统恒虚警率(CFAR)算法进行一次检测,实现对强目标的检测和剔除;然后采用基于动态规划检测前跟踪算法对一次检测后的数据进行分区动态规划,实现对微弱目标的检测与跟踪,从而实现复杂环境下密集目标的有效探测.通过仿真和实测数据对本文算法性能进行了验证,结果表明该算法的高效性和稳健性.

基于改进TLD的运动目标跟踪算法研究

针对TLD目标跟踪算法在实际跟踪过程中会受到遮挡、旋转、运动模糊等问题的影响,提出了一种改进的TLD算法,在跟踪模块中引入改进FAST角点算法,并在检测模块中建立随机切块的数据增强方法下的正样本库,引入旋转不变LBP算法,设计了一个旋转不变性的分类器。跟踪模块的改进不仅保证了算法的准确度,还提升了算法的实时性。检测模块的改进使得TLD算法即使在运动目标部分被遮挡或发生形态改变的情况下依旧有很好的跟踪效果。对数据集OTB-2013进行实验验证发现,本文算法与其他5种算法相比,不仅跟踪精确度高、运行速度快,还能有效提高运动目标被遮挡时的跟踪效果。

基于动态目标检测与跟踪算法(TLD)的刨花板表面缺陷检测技术

采用动态目标检测与跟踪算法(TLD),在线检测刨花板表面缺陷。结果显示:基于TLD算法的在线检测装置,可以准确捕捉刨花板表面的大刨花缺陷目标,并可对其持续跟踪,最终通过计算得到表面缺陷的特征参数。作为刨花板表面在线缺陷检测方法,具有较高的准确性、实时性及稳定性。

基于改进ViBe的自适应运动目标检测算法

针对ViBe算法无法去除动态背景,易出现鬼影及不能自适应光照变化的问题,提出一种复杂环境自适应的ViBe改进算法。通过计算区域的复杂度、闪烁波动度,对分类半径R和更新率T进行动态调整,对样本点进行有效性权重的计算,更高效地过滤背景噪声和适应光照渐变;在检测物体状态变化时,动态调整R和T,通过融合前景点计数和帧差法优化鬼影消除;通过识别最小外接矩阵区域差异加快去除鬼影;利用帧差法实时检测光照突变,及时进行重新初始化,避免大量误检。实验结果表明,改进ViBe算法在适应动态背景、光照变化及抑制鬼影等方面比原算法均有更好检测效果,检测精度平均提升了40.7%。

基于联合检测的多目标跟踪方法研究

为了更好地应对多目标跟踪联合检测算法面对的场景遮挡问题,通过结合注意力机制,提出基于Transformer的运动预测和数据关联(Transformer-based motion prediction and data association,TrMPDA)联合检测跟踪方法。首先,考虑到置信度检测框的质量以及深度特征的视觉表示能力对遮挡场景下跟踪效果的影响,重新设计TrMPDA骨干网络中的ResNet卷积模块,利用相邻像素和长距离像素间丰富的上下文关系指导动态注意矩阵的学习,增强深度特征的视觉表示能力,并通过边界框的宽和高估计边界框位置,提高置信度检测框的质量。其次,在本文方法中保留所有的检测框,根据阈值大小划分高置信度检测框和低置信度检测框,分别执行数据关联匹配,以此来平衡由于遮挡导致的检测框低置信度。实验结果表明本文提出的TrMPDA方法与典型的Sort、JDE、Fairmot等多目标跟踪算法相比具有更好的跟踪效果,能够应对多目标跟踪中目标遮挡的问题。

基于自适应ViBe算法的动态背景运动目标检测

针对传统ViBe算法存在鬼影、背景适应性差以及前景提取效果不佳的问题,提出了一种改进的自适应ViBe算法。首先,使用哈希(Hash)算法提取关键帧进行差分运算,将差分图像与频率调谐(FT)显著性检测图像结合,提取当前帧的目标区域,填充背景像素,滤除真实目标之外的鬼影区域;然后,利用像素“最小距离”和局部标准差计算出背景的复杂度,自适应地调整像素点的半径阈值和更新速率,减少背景像素影响;最后,由比例图像矩阵信息与HSV空间中的颜色特征粗略判断出阴影区域,由拉普拉斯算子计算阴影区域像素梯度并将梯度值较小的阴影像素滤除。实验结果表明:改进后的算法能够相对有效地抑制鬼影和阴影现象,前景检测时F-Measure值保持在较高水平,对动态背景具有一定的鲁棒性。

弱目标自动跟踪中的线谱检测

为提高在低信噪比及多目标干扰下的被动弱目标自动检测、跟踪能力,提出一种带有多线谱融合、优选的线谱目标自动跟踪算法。该算法基于线谱检测,对融合多线谱特征的线谱目标进行自动跟踪,确定线谱目标的建立、删除、融合及关联准则,采用针对航迹的多假设跟踪(MHT)算法对多目标进行自动跟踪,具有计算量小,弱目标跟踪能力强的优点。海试数据分析表明,在强目标干扰的情况下,本算法仍可以对具有线谱特征的弱目标进行稳定跟踪。

基于动态规划的多目标检测前跟踪算法

本文针对低信杂比条件下的多目标检测与跟踪问题,提出了一种基于动态规划的多目标检测前跟踪算法.该算法能够比较准确地估计搜索空间中潜在的目标数量,并且最佳地分离出每个目标的航迹,从而较好地解决了以往检测前跟踪算法在目标数量未知的条件下容易出现漏警和虚警较多的问题.

一种基于二阶Markov目标状态模型的多帧关联动态规划检测前跟踪算法

传统的动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法在每一阶段的数据关联中,仅用当前帧的观测数据与前一帧的指标函数进行关联积累,对目标状态在连续相邻帧间的相关性以及目标运动特征的考虑不充分,这样在低信噪比时,容易发生目标关联错误,严重影响了DP-TBD算法的检测和跟踪性能。针对此问题,该文提出了一种基于二阶Markov目标状态模型的DP-TBD算法,该算法以目标状态的条件概率比最大为准则,采用二阶Markov模型描述目标状态的相关性,并根据目标运动特征给出了一种与目标转弯角度相关的状态转移概率模型。在此基础上,实现了多帧数据关联的DP-TBD算法。通过仿真实验与传统的DP-TBD算法进行了比较,验证了该算法的检测及跟踪性能。

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.

基于动态手势跟踪算法的视力检测系统设计

目的:设计一种基于动态手势跟踪算法的智能化视力检测系统,以满足儿童和青少年自助式视力检测的需求。方法:该系统采用基于帧间差分算法和Shi-Tomasi角点检测算法的动态手势跟踪算法实现实时识别视力检测环境中手势的移动方向,并根据视力检索算法完成相应的视力测试流程。系统硬件由Windows系统主机、显示屏、摄像头以及语音播报器等设备组成。软件遵循《标准对数视力表》的标准进行设计,并采用Python 3.7语言进行编程。结果:利用该系统进行视力检测时,手势移动识别的准确率达到97.8%,单次手势识别的平均耗时为0.568 s,双眼视力检测流程的平均耗时为99 s。经过Bland-Altman图分析,该系统采集的视力数据与通过《标准对数视力表》采集的数据之间具有高度的一致性。结论:该系统人机交互操作体验好、检测快速、准确度高,适用于家庭、学校、社区等多场景的视力检测。

空中“低慢小”目标检测跟踪算法的应用研究

由于目前空中“低慢小”目标存在无法快速、准确地检测和跟踪的问题,本文基于全景相机与变焦吊舱的多源信息融合方法,提出了一种检测跟踪方案。首先,基于YOLOv4-Tiny模型,本文在其颈部网络中引入坐标注意力机制,提出了YOLOv4-TCA算法,新算法所得的mAP较改进前提升2.3%。另外,本文利用间隔取帧手段,借助目标检测结果实时校正被跟踪目标尺度,改进得到AS-KCF目标跟踪算法。通过将上述算法应用到搭载全景相机和变焦吊舱的检测跟踪平台,实现了对空中“低慢小”目标的检测跟踪。实验结果表明,本方案目标重捕成功率较基线方案提升11.66%,目标重捕平均时间缩短2.6 s,具有一定的理论研究和工程应用价值。

基于TLD-KCF算法的运动视频目标跟踪技术研究

随着技术和经济高速发展,计算机视觉图像化技术被引入到各个领域。如何在愈发复杂的自然或者城市环境下保持视频目标追踪的准确性、实时性和稳定性是当下值得研究的问题。此次研究提出一种结合TLD算法和KCF算法的运动视频目标跟踪模型,该模型以KCF算法代替TLD算法跟踪模块中的中直光流算法,并在KCF算法添加采样窗口尺度变化模块,通过跟踪无人机在复杂环境下的变速运动验证性能,相较于主流的改进KCF算法和改进TLD算法,整体性能提高10%到20%左右,在面对遮挡、光暗变化、形变等问题均有良好表现。

采用动态规划的机动目标检测前跟踪算法

针对传统的动态规划检测前跟踪算法能够覆盖的目标机动范围受限于预设的有效状态转移范围的缺陷,提出了一种新的适用于机动目标的动态规划检测前跟踪算法.通过状态转移方式优化,提高了对机动目标的状态搜索效率,增大了搜索范围;通过转移速度加权,使新算法能够按照机动目标的运动趋势进行能量积累.所提算法在不改变参数的情况下,对强机动与弱机动目标都能够进行准确检测.通过仿真实验对所提算法与传统算法进行了对比分析,采用实测数据验证了该算法的适用性.