基于MeanShift的跟踪学习检测目标跟踪改进算法

研究了一种将MeanShift和TLD结合的目标跟踪改进算法。当TLD跟踪框有较高的可信度时,以TLD输出的目标中心位置作为MeanShift跟踪算法的迭代起点;当置信度低时,将前1帧中目标跟踪框的中心位置作为跟踪的迭代开始点。比较表明,当目标被遮挡和抖动时,改进算法能实现稳定跟踪,实现了跟踪的鲁棒性。针对TLD算法通过均匀采样获得的特征点中存在较多的无用点,在TLD跟踪模块引入了更具鲁棒性的Susan角点作为目标的特征点。选择角点后采用金字塔LK光流法跟踪,跟踪过程中保留信息丰富的特征点,抑制了目标关键信息点集较少导致的跟踪漂移。实验表明,本文算法具备比较高的鲁棒性和实时性。

基于BRISK特征点改进的跟踪学习检测方法

为提高长时目标跟踪的鲁棒性和准确性,提出一种改进的跟踪学习检测(TLD)方法。利用少量具有尺度不变特性的BRISK特征点和均匀分布点组成跟踪点集合代替TLD中的均匀分布跟踪点。这样不仅可以减少跟踪部分的计算量,而且可以提高跟踪的鲁棒性。当跟踪器利用前后项误差检测到遮挡时,通过使用目标的空间上下文信息扩大跟踪范围再次跟踪,进而解决遮挡的问题。实验结果表明,改进的TLD方法在多个测试序列上都有较好的跟踪性能,与传统的TLD相比,鲁棒性更好,准确率更高。

用基于二值化规范梯度的跟踪学习检测算法高效跟踪目标

为提高复杂环境下TLD(Tracking-Learning-Detection)算法的跟踪精度和速度,提出基于二值化规范梯度(BING)的高效TLD目标跟踪算法。在跟踪器中引入基于时空上下文的局部跟踪器失败预测方法和全局运动模型评估算法,提高了跟踪器准确度和鲁棒性;用BING算法取代滑动窗口搜索策略,结合级联分类器实现目标检测,减少了检测器的检测范围,提高了检测的处理速度;将训练样本权重整合到在线学习过程中,改进级联分类器的分类准确度,解决了目标漂移问题。对不同的图片序列实验结果表明:本算法的跟踪正确率达85%,帧率达19.79frame/s。与原始TLD算法及其他主流跟踪算法相比较,该算法在复杂环境下具有更高的鲁棒性、跟踪精度及处理速度。

跟踪学习检测算法在动态图像融合目标跟踪中的应用

本文利用跟踪学习检测(Tracking-Learning-Detection,TLD)算法能够对目标进行长期的持续跟踪的优点,对动态图像序列中的目标进行跟踪。采用了目标被遮挡这种困难情形的图像数据库进行了实验。通过对数据库中的可见光、红外和加权平均融合图像序列的目标跟踪,结果表明,TLD能够对目标进行持续跟踪,即使在可见光下跟踪失效也能够通过红外图像的弥补,从而使跟踪效果达到预期的要求。

基于xAPI的三分屏课件学习跟踪研究

教育大数据的时代背景向教育资源的革新提出了新要求,三分屏课件作为一种常见的多资源融合型的教育资源,在教学过程中处于静止状态,缺乏生命力。有鉴于此,设计和构建基于Experience API(xAPI)的三分屏课件学习跟踪模型,并基于模型创建xAPI学习活动流数据(Statement),搭建学习记录仓储(LRS),实现了对学习过程的标准化跟踪和记录,同时三分屏课件也得到了优化和盘活。

基于CIPP模式的网络学习跟踪与评价系统设计

网络教学平台在高校课程教学中的应用日益普遍,但其中的网络学习评价功能的设计缺乏理论支持,明显滞后于其他功能的发展。CIPP模式是教育评价中普遍应用并有较大影响的一种评价模式,其评价的全面性、发展性、过程性都适宜于网络实现。本文提出了基于CIPP模式的网络学习跟踪与评价模型,设计了评价指标体系,讨论了网络学习跟踪与评价系统的总体功能设计,阐述了评价系统构建的技术路线及实现方案。

基于增强群跟踪器和深度学习的目标跟踪

为解决基于外观模型和传统机器学习目标跟踪易出现目标漂移甚至跟踪失败的问题,该文提出以跟踪-学习-检测(TLD)算法为框架,基于增强群跟踪器(Fo T)和深度学习的目标跟踪算法。Fo T实现目标的预测与跟踪,增添基于时空上下文级联预测器提高预测局部跟踪器的成功率,快速随机采样一致性算法评估全局运动模型,提高目标跟踪的精确度。深度去噪自编码器和支持向量机分类器构建深度检测器,结合全局多尺度扫描窗口搜索策略检测可能的目标。加权P-N学习对样本加权处理,提高分类器的分类精确度。与其它跟踪算法相比较,在复杂环境下,不同图片序列实验结果表明,该算法在遮挡、相似背景等条件下具有更高的准确度和鲁棒性。

基于云计算的学生学习跟踪系统设计

随着信息技术的发展,网络教学在教育中发挥着越来越重要的作用,但对平时学习质量的监控关注较少,针对这一点,文章深入研究教学过程的需求,充分利用智能手机、电脑等终端,提出一种能够辅助传统教学模式的学生学习跟踪系统。该系统能够跟踪学生学习过程情况,对教学过程中的考试成绩进行分析,针对不同层次的学生做出不同的学习模块设置。

《软件工程》课程学生学习效果跟踪系统的设计

文章内容是一个学生学习效果跟踪系统,详细的记录了本系统的设计与实现过程及开发系统所涉及的技术和方法。系统的构架使用B/S架构,后端语言使用PHP。文中还叙述了数据库的设计思想,并通过实体关系图的方式展现了各个表的创建过程。系统使用JetBrains PhpStorm进行开发,数据库使用MySQL57,前端页面为使用Layui框架进行开发的单页应用。本系统对学生及教师的操作简单方便,教师可以发布、修改、删除课程章节、作业、讨论、投票、问卷、测验等,使用考勤模块对学生的出勤状况进行统计。学生可以方便的查看并完成教师发布的教学活动,参与课程学习。系统还能统计学生的登陆情况以及访问类别,并将这些数据通过图表的形式展现给教师,实现双向沟通。

基于时间上下文跟踪-学习-检测的指尖跟踪方法

针对在基于视频的空中签名认证系统中,现有方法无法满足指尖跟踪的准确性、实时性和鲁棒性要求的问题,在对比研究目前常用的多种跟踪方法的基础上,提出一种基于时间上下文的跟踪-学习-检测(TLD)方法。在原始TLD算法的基础上引入时间上下文信息,即相邻两帧间指尖运动具有连续性的先验知识,自适应地缩小检测和跟踪的搜索范围,以提高跟踪的速度。对12组公开的1组自录的视频序列的实验结果表明,改进后的TLD算法能够准确地跟踪指尖,并且跟踪速度达到43帧/秒;与原始TLD跟踪算法相比,准确率提高了15%,跟踪速度至少提高1倍,达到了指尖跟踪的准确性、实时性和鲁棒性要求。

基于在线学习的雷达目标跟踪技术研究

传统的单纯依赖跟踪算法的雷达目标跟踪在目标长时间跟踪任务中容易受到杂波和目标本身属性波动的影响,导致跟踪失败。提出一种基于在线学习机制的长时间雷达目标跟踪方法——基于多模型优化的在线学习雷达目标跟踪算法。在跟踪-学习-检测架构上,采用多模型跟踪结果作为训练检测器的部分样本,由学习器约束跟踪器和检测器,并优化跟踪器,以达到长时间稳定跟踪的目的。仿真实验表明,本文算法能够有效降低长时间跟踪过程中跟踪失败现象,具有一定的工程研究价值。

一种基于深度学习的目标跟踪加速器

针对当前神经网络加速器难以高效实现目标跟踪边框后处理的问题,提出一种高效的目标跟踪专用加速器.引入神经网络架构,用于提取输入视图特征并生成边框置信度与偏移量集合.随后针对目标跟踪的边框处理设计了专用于边框的回归、惩罚以及提取操作的加速模块,通过同步神经网络加速器与专用加速模块间的数据,以流水结构并行执行特征提取与边框操作,实现基于深度学习目标跟踪的端到端处理.该加速器在40 nm工艺下消耗面积3.64mm^(2),获得了5.71 Tops/W能效比.实验结果表明:与现有加速方案相比,该目标跟踪加速器获得了1.53倍加速,可实现实时的视频处理(31 fps).其中仅针对跟踪过程的后处理任务,专用加速模块相对RISC处理器可实现3.2倍的加速比.

在线学习机制下的Snake轮廓跟踪

针对复杂环境下非刚体目标轮廓跟踪存在跟踪失败的问题,提出一种基于在线学习的Snake模型及其轮廓跟踪算法。利用跟踪-学习-检测(TLD)机制实现目标快速跟踪,通过跟踪结果在线更新Snake模型约束,进而提高目标轮廓跟踪的准确性。初始化阶段,在Grab Cut算法的基础上,将待跟踪目标分成若干个子块,并在后续跟踪过程中,利用TLD实现各子目标的定位跟踪,形成目标的轮廓置信图。同时针对各子目标提取特征,产生正负样本,更新各子目标跟踪模型。应用置信图建立参数化Snake模型的约束条件,进而得到目标轮廓。实验结果表明,该算法能适应光暗变化与较为复杂坏境下的跟踪,并获得精确的轮廓。

实时高置信度更新补充学习跟踪

为解决补充学习跟踪算法(Staple)在目标被部分遮挡时存在的跟踪失败问题,文中提出了一种简单而有效的高置信度补充学习跟踪算法(High-confidence updata Complementary Learner Tracker,HCLT)。首先,输入当前帧,得到标准相关滤波分类器的检测响应值;然后,计算相关滤波响应的置信度,若计算结果大于阈值则当前帧更新滤波器,否则停止更新;接着,计算出持续不更新的帧数,如果有连续10帧不更新,则强制更新;最后,通过融合颜色补充学习器的响应,得到总的响应结果,其中,响应中最大值的位置即为跟踪结果。将所提算法与补充学习跟踪(Correlation Filter Net tracker,Staple)、端到端表示跟踪(CFNet)、注意力相关滤波网络跟踪(Attentional Correlation Filter Network tracker,ACFN)和对冲深度跟踪(Hedged Deep Tracking,HDT)等先进算法进行实验对比。在OTB100和VOT2016数据集上的结果表明,所提算法在成功率和预期覆盖率方面分别超过基准补充学习跟踪算法(Staple)1.0个百分点和0.4个百分点。另外,在严重遮挡和剧烈光照变化的视频集上的良好表现也充分说明了所提算法在处理表观剧烈变化的情况时很有效。

“学习过程跟踪”系统中在线时间统计功能的设计与实现

目前大部分的远程教育系统都采用了学习跟踪的模块对学习者的学习数据进行收集和加工,其中学生的在线学习时间是一个重要的记录项目。本文对常见的在线学习时间记录的原理和方法做了介绍并分析了其优缺点,并针对这些缺点提出了自己的解决方法。

在线学习机制下几何模糊特征目标检测及跟踪

针对目标跟踪中目标框发生偏移、消失等问题,于在线学习机制下提出一种基于几何模糊的跟踪检测学习的目标跟踪方法。以跟踪-检测-学习为框架,利用Lucas-Kanade算法,获得目标的初步跟踪结果。运用几何模糊的匹配思想代替传统检测手法,有效校正跟踪偏移,避免误差累计。整合器比较跟踪、检测结果与上一帧结果的相似度,通过计算正负样本与检测子区域的归一化相关系数比求得置信度,得到目标的精准定位。其结果通过学习器进行在线学习,从而进行下一帧的跟踪。实验结果表明,将该检测思想应用于快速移动目标跟踪时,在背景相似度较高的条件下,表现出了良好的性能,与其他新的方法比较也有较高的定位精度。

零相位跟踪预测自学习复合运动控制系统研究

提出了一种结合了零相位跟踪控制与预测自学习控制的零相位跟踪预测自学习复合控制方案,并将它在运动控制系统中进行了实验研究,结果表明,对于周期性的位置指令信号输入,这种控制系统能够从第一个指令周期开始就具有比较小的跟踪误差,而且误差还会周期性减小,具有比单独的零相位跟踪控制或者预测自学习控制更好的控制性能。

基于学习跟踪技术的高职翻转课堂教学平台架构研究

随着互联网和信息技术的迅速发展,学习跟踪技术在教学平台中的应用越来越广。针对高职院校,在分析高职院校翻转课堂教学平台功能需求的基础上,利用智能答疑和学习跟踪技术,提出高职翻转课堂教学平台系统总体架构。目的是在该平台上记录和分析学生的学习痕迹,帮助学校层面宏观掌握学校教学情况,推进教学发展与改革。

利用Camshift与TLD框架的多目标视频跟踪算法

由于跟踪器采用的是基于金字塔Lucaks-Kanade光流法,需要在相邻帧之间对目标的运动进行跟踪,运算量较大,因此提出了采用轻量级跟踪算法Camshift作为TLD算法框架中的跟踪器模块,来提高跟踪模块运行效率。而TLD框架的检测器在跟踪器追踪失败时需要检测大量数目的子窗口,因此利用背景差分方法进行前景检测,可以减小检测范围和数目。TLD算法本身是对单目标的长时间跟踪,提出基于多线程机制TLD算法,针对每一个跟踪目标建立相应的线程对其跟踪。经过实验验证,与原算法相比,优化算法使得对多目标实时跟踪性能得到一定提升。

融合KCF和HOG的改进TLD目标跟踪算法

针对跟踪学习检测(TLD)算法跟踪速度慢,对光照变化鲁棒性差的问题,提出了一种融合核相关滤波(KCF)和方向梯度直方图(HOG)的改进TLD目标跟踪算法。该算法将TLD跟踪模块的中值流跟踪替换为KCF目标跟踪,通过循环矩阵将计算从时域转换到频域,大大降低了计算量,提高了算法的跟踪速度;再通过提取目标的HOG特征,代替TLD检测模块中随机森林检测器的灰度特征,通过对图像的归一化,降低光照强度对检测的影响,增加了检测器检测成功率,提高了算法的鲁棒性。实验表明,改进TLD算法的一次性通过评估(OPE)精确度达78.7%,成功率达74%;在光照变化下的OPE精确度和成功率也高出TLD算法15%以上;测试视频的跟踪速度达TLD算法的2倍,具有较好的实时目标跟踪能力。