基于最大权重独立集的行人检测研究

行人检测是一种基于目标几何和统计特征的目标检测技术,通常包括目标区域的分割和检测,目标检测的准确性和实时性是其重要的评价指标。本文采用可变模板技术进行行人检测,并利用最大权重独立集算法处理帧间的行人匹配。测试结果表明,基于最大权重独立集算法的行人检测能够完成实时的行人检测。

基于HOG和Haar特征的行人追踪算法研究

行人在真实场景的检测和追踪是多目标检测和追踪研究中的一个重要问题,尤其是在真实的三维场景中的多行人之间的遮挡、拥挤以及背景的变化对多目标检测和追踪研究造成了严重的挑战。在多目标检测中利用了Haar特征、HOG特征,在行人正面向相机运动时,采用Haar特征检测器检测人脸,并结合Haar运动模型完成行人的检测,当行人侧向运动时,采用HOG特征,利用层次-部分模型进行行人的检测和追踪,在完成行人的检测之后,利用最大权重独立集合算法完成帧间目标的关联。通过对ETH、TUD以及本地样本库的检测和追踪结果表明,采用Haar特征和HOG特征的检测算法对于行人的正面和侧面都具有较高的检测准确率、精确度。

可适应未分辨量测的改进GRASP-MHT算法

传统的多假设跟踪(Multiple Hypothesis Tracking,MHT)算法通常假设一个目标独立地产生一个量测。但在实际观测场景中,当多个目标之间足够接近时,分辨率有限的传感器只能识别出一个未分辨的量测。这种现象使得数据关联问题更加复杂,跟踪算法性能明显下降。针对这一问题,本文提出了一种可适应未分辨量测的改进随机化贪心-自适应搜索结构MHT(Greedy Randomized Adaptive Search Procedure MHT,GRASP-MHT)算法,推导了关联未分辨量测的航迹假设得分,将未分辨量测的数据关联问题建模成最大权重独立集问题(Maximum Weight Independent Set Problem,MWISP),以适应可能存在未分辨量测的场景。仿真结果表明,改进GRASP-MHT能够处理未分辨量测的数据关联问题,并且保留了GRASP-MHT的大部分优点。

一种机动目标多假设跟踪方法

提出了一种基于交互式多模型(IMM)的基于最大权重独立集的多假设(MWIS-MHT)方法;将IMM算法引入到MWIS-MHT框架中,采用多种运动模型对机动目标进行跟踪,通过半-马尔科夫过程生成的多机动目标场景对所提方法进行了验证,实验结果表明:所提方法能有效提升目标跟踪的连续性和状态估计的精度,兼顾了MWIS-MHT在计算效率上的优势。相比于MWIS-MHT方法,所提方法更适用于多机动目标的跟踪场景。