题名 基于RJMCMC的视觉多目标跟踪算法
被引量:2
1
作者
周维
许海霞
郑金华
机构
湘潭大学信息工程学院
出处
《计算机科学》
CSCD
北大核心
2012年第7期270-275,共6页
基金
国家自然科学基金项目(61070088
60773047)
+2 种基金
湘潭大学自然科学研究项目(09XZX24)
湖南省教育厅一般项目(10C1269
11C1214)资助
文摘
研究了基于MCMC的多目标跟踪算法。针对MCMC迭代过程中抽样置信度低以及不能进行有效迭代的问题,提出一种新的基于RJMCMC的视觉多目标跟踪算法。给定观测量,将跟踪问题建模为状态量的最大后验估计(MAP)、关于MAP的先验与似然的估计。借助匹配阵给出了目标先验建议分布,设计了4种马氏链可逆运动方式;似然度量采用随空间加权的颜色直方图匹配衡量。MCMC抽样过程中的状态由MS迭代产生,而不是随机走生成。基于似然度量导出了MS迭代式。实验结果及定量分析评估结果说明了本算法的有效性。
关键词
视觉多目标跟踪
可逆跳转马尔科夫链蒙特卡洛
贝叶斯推理
MEAN-SHIFT
Keywords
Visual multi-objects trakcing,Reversible jump Markov chain Monte Carlo(RJMCMC) sampling,Bayes infe- rence, Mean-shift
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于深度学习的视觉多目标跟踪算法综述
被引量:20
2
作者
张瑶
卢焕章
张路平
胡谋法
机构
国防科技大学电子科学学院自动目标识别重点实验室
出处
《计算机工程与应用》
CSCD
北大核心
2021年第13期55-66,共12页
文摘
视觉多目标跟踪是计算机视觉领域的热点问题,然而,场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢。近年来,随着视觉智能处理研究的不断深入,涌现出多种多样的深度学习类视觉多目标跟踪算法。在分析了视觉多目标跟踪面临的挑战和难点基础上,将算法分为基于检测跟踪(Detection-Based-Tracking,DBT)、联合检测跟踪(Joint-Detection-Tracking,JDT)两大类及六个子类,研究不同类别算法的优缺点。分析表明,DBT类算法结构简单,但算法各子环节的关联度不高,JDT类算法融合多模块联合学习,在多项跟踪评价指标中占优。DBT类算法中特征提取模块是解决目标遮挡问题的关键,但损失了算法速度,JDT类算法对检测模块更为依赖。目前,多目标跟踪跟踪总体是从DBT类算法向JDT发展,分阶段实现算法准确度与速度的均衡;提出多目标跟踪算法未来在数据集、各子模块、具体场景应用等方面的发展方向。
关键词
视觉多目标跟踪
深度学习
目标 检测
数据关联
Keywords
visual multi-object tracking
deep learning
object detection
data association
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 移动机器人多目标彩色视觉跟踪系统
被引量:22
3
作者
汤思维
陈卫东
曹其新
机构
上海交通大学自动化研究所
上海交通大学机器人研究所
出处
《机器人》
EI
CSCD
北大核心
2003年第1期10-14,17,共6页
基金
国家 8 63计划 (2 0 0 1AA42 2 14 0
2 0 0 1AA42 2 2 0 0 )
国家自然科学基金 (60 10 5 0 0 5 )资助项目
文摘
机器人视觉系统利用颜色、形状等信息来识别环境目标 ,但是难点在于识别的鲁棒性和实时性的保证 .本文采用全自主移动机器人为平台 ,提出了一种硬件成本低廉的、基于颜色学习的实时多目标视觉跟踪系统 ,并提出了一种新颖的目标颜色学习和跟踪算法 .该视觉系统已成功集成在自主移动机器人系统中 。
关键词
移动机器人
多目标 彩色视觉 跟踪 系统
颜色学习
颜色向量集
色块
游程长度编码
Keywords
autonomous robot, volor training, color vector set, blob, run length code
分类号
TP242
[自动化与计算机技术—检测技术与自动化装置]
题名 结合SDAE网络和ODB学习策略的多目标视觉跟踪
4
作者
孙艳青
潘广贞
王凤
机构
中北大学软件学院
出处
《小型微型计算机系统》
CSCD
北大核心
2018年第1期189-192,共4页
基金
山西省自然科学基金项目(2015011041)资助
文摘
针对目标视觉跟踪过程发生的目标漂移和错误匹配问题,提出一种基于SDAE(stacked DAE,堆叠去噪自编码器)网络和在线Deep Boost学习(Online Deep Boost,ODB)策略的多目标视觉跟踪算法.该方法首先在SDAE网络上通过ODB方法学习目标的局部-全局特征.然后根据特征权重结合粒子滤波器和soft-max分类器跟踪目标并对其分类,得到目标最相似的状态值.最后引入时间信息得到目标外观的动态持续时间,在线更新模型以适应目标的外观变化.实验表明,该算法能够有效适应目标外观变化,解决目标漂移现象,多目标准确率MOTP达到97.61%,较同类算法提高2.89%,其鲁棒性、稳定性也有所提高.
关键词
SDAE网络
在线DeepBoost学习
计算机视觉
多目标 视觉 跟踪
外观模型
Keywords
SDAE network
online deep boost learning
computer vision
multi-target visual tracking
appearance model
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 采用混合t分布粒子滤波器的视觉跟踪(英文)
被引量:3
5
作者
李少军
朱振福
机构
宇航智能控制技术国家级重点实验室
目标与环境光学特征国防科技重点实验室
出处
《红外与激光工程》
EI
CSCD
北大核心
2011年第7期1387-1396,共10页
基金
国防科技重点实验室基金(9140C610301090C61)
文摘
由于目标数量的变化,观测数据的岐义性和目标间的遮挡,多目标视觉跟踪问题面临多种困难。基于目标分布的有限t分布混合模型提出了一种混合t分布粒子滤波器以实现多目标跟踪。在算法中,每个被跟踪目标指派一个独立的粒子滤波器,显式处理当新目标出现在场景中时对应粒子滤波器的初始化,当被跟踪目标消失时,对应粒子滤波器的删除。混合t分布粒子滤波器算法不仅能够跟踪多种类型的多目标,还能够持续跟踪遮挡消除之后的多目标。为了展现混合t分布粒子滤波器的跟踪性能,完成了基于颜色分布的跟踪多种不同颜色和相同颜色的多目标实验,对比了混合t分布粒子滤波器,混合粒子滤波器以及Boosted粒子滤波器的跟踪性能。实验结果表明:文中算法不仅能够跟踪数量可变的多目标,进行实时计算,而且具有更好的鲁棒性。
关键词
多目标 视觉 跟踪
有限t分布混合模型
混合t分布粒子滤波器
序列蒙特卡洛方法
混合粒子滤波器
Boosted粒子滤波器
Keywords
multi-object visual tracking
finite mixture model of t distribution
mixtures of t distribution particle filters
sequential Monte Carlo methods
mixtures of particle filters
Boosted particle filter
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 一种提高足球机器人性能的新型视觉算法
被引量:2
6
作者
王书理
丁凤霞
杨广林
赵逢达
机构
燕山大学信息科学与工程学院
华北水利水电学院数学与信息科学系
出处
《计算机工程》
EI
CAS
CSCD
北大核心
2006年第18期217-219,共3页
文摘
在机器人足球比赛中,要识别的目标颜色越来越多,易出现识别错误。为了解决机器人足球比赛色标识别困难,介绍了一种新的视觉系统设计方法,提出了一种按假想机器人尺寸避免碰撞的方法,对机器人只需识别队标,既减少要识别的颜色样本,又增加了目标跟踪的准确性。该文论述了设计的各个环节。试验表明,设计方法合理有效,鲁棒性好。
关键词
图像序列
多目标 视觉 跟踪
跟踪 窗
目标 搜索
Keywords
Image series
Multi-target track
Track window
Target search
分类号
TP24
[自动化与计算机技术—检测技术与自动化装置]