基于数据关联融合KCF与Kalman滤波的车辆多目标跟踪

在复杂交通场景下的车辆多目标跟踪,由于车辆之间较高的相似性和交互性,跟踪算法为了保证精度一般都较为复杂,无法满足智能分析应用需求。为此,结合简单有效的数据关联算法和快速精准的单目标跟踪算法,提出在线数据关联的多目标跟踪新方法。方法利用目标检测算法获得的当前目标集,通过关联算法建立目标与已形成轨迹集的关联矩阵,并通过行列耦合原则选出最佳关联对作为关联结果,针对不同的关联结果尤其是漏检和严重遮挡的情况,引入KCF算法与Kalman滤波联合完成目标轨迹的持续更新。实验表明,本文算法可以很好地解决目标误检、漏检以及严重遮挡情况,并且对目标轨迹的实时准确获取,可以为交通视频智能分析提供可靠的轨迹数据。

基于最近邻数据关联的车辆多目标跟踪

本文提出一种基于最近邻数据关联算法的车辆多目标跟踪新方法,该方法利用目标检测算法获得的当前目标集,通过关联算法建立检测目标集与已形成轨迹集的关联矩阵,并通过计算残差得到最佳关联结果,针对不同的关联结果引入卡尔曼滤波完成目标轨迹的持续更新。实验表明,本文算法可以很好地获取实时目标轨迹,可以为智能驾驶提供可靠的轨迹数据。

基于车辆跟踪的数据关联算法研究

对于道路车辆目标的跟踪,由于其高机动性、杂波密集等特点,交互式多模型联合概率数据关联无疑是一种好的跟踪算法。但其固有的缺点是计算量会随着目标个数的增多迅速增加,并且其较少的运动模型难以保证跟踪精度,而增加模型个数会引起模型之间的竞争。因此,提出了一种改进的变结构多模型联合数据关联算法(VSMM-JPDA)。理论分析与对比仿真表明:在非机动、机动转弯和直线机动情况下,该算法对目标的跟踪精度都优于固定结构多模型算法,并且运算量大大减少。

车载移动执法中违规车辆智能检测研究

提出了一个面向高速道路交通车辆违规行为移动执法智能检测模型。系统模型分为车道线检测、车辆检测与跟踪、逆透视变换及几何量算、面向车道定位的地图精细匹配等4个子模块。该系统模型算法在实际高速公路环境中进行了车辆违规行为检测,以及车道线检测、车辆目标及跟踪等专项测试以表征其对车辆违规行为的检测能力。测试结果表明,该系统模型具备在一定的复杂交通环境中车辆违规行为辨识能力。相关专项测试表明,该模型可以快速及准确地检测记录违规车辆。

基于任务联合的三维车辆检测与跟踪集成算法

在常规的目标检测及跟踪算法中,检测器与跟踪器按照流水线的方式级联工作,目标检测模块的漏检会降低目标跟踪模块的性能。针对该问题,目前主要方法是通过构建检测与跟踪联合算法使2种任务互为促进,进一步提高检测与跟踪精度。基于此,提出了一种车辆目标检测与跟踪任务联合框架3D Tracktor++。利用前一帧目标检测结果生成携带有身份信息的先验候选区域,引导检测器在目标出现概率较大的区域进行目标框回归并直接输出轨迹编号。为了避免对新进入场景的目标漏检且弥补先验候选区域的偏差,增加了候选区域补充模块,集成后的先验候选区域与补充候选区域通过感兴趣区域(RoI)池化、目标回归、轨迹检查等步骤,输出车辆目标位置及其轨迹编号。在KITTI数据集上的试验结果表明,与单任务目标检测方法VoxelRCNN相比,所提出的任务联合方法平均检测精度AP3D更高,其中在中等难度样本上AP3D提高2.75%;与三维多目标追踪的基准方法(AB3DMOT)相比,多目标跟踪精确率(MOTP)与平均多目标跟踪精确率(AMOTP)分别提升3.59%与0.77%。与常规“先检测后跟踪”算法相比,论文提出的联合算法具有合理性,有效提高了检测与跟踪精度。

基于Otsu算法的图像阀值自动选取算法研究与应用

针对图像处理在追踪运动物体领域的应用,选择Otsu图像分割算法进行研究分析,给出了该算法的C++程序代码。为验证算法在工程应用领域的有效性和准确性,将其应用到车辆目标检测系统中,该系统以运动目标检测与跟踪为出发点,通过读取视频帧、帧差处理、Otsu分割、形态学处理,连通分量分析进行目标检测,从而实现跟踪汽车运动的目的。最后在Opencv2.4.8和微软VS2010环境下对Otsu算法在该系统的应用进行测试,结果表明,Otsu算法能够快速高效的进行车辆检测及跟踪定位,具有较好的工程应用价值。