采用局部-全局区域重检测机制的无人机长期跟踪算法

为解决基础跟踪器面对遮挡和移出视野等长期跟踪场景时易出现跟踪失败等问题,提出了一种基于局部-全局区域重检测的无人机长期跟踪算法。设计了基础滤波器,将高置信度样本与其结合,并融入自适应时空正则化,解决了滤波器退化问题,提高了模型鲁棒性以及复杂场景下的性能;优化了滤波器更新策略,通过评价跟踪结果进行自适应更新;设计快速尺度滤波器,解决了跟踪过程中的尺度变化问题;设计了局部-全局区域重检测机制,跟踪失败时启动重检测器恢复跟踪目标,先完成局部区域重检测,若恢复跟踪失败,再利用全局区域重检测器继续恢复目标跟踪状态。实验结果表明:所提算法在UAV20L数据集上的精确度和准确率分别可达0.724和0.621,与基于时空正则化相关滤波器的跟踪算法(STRCF)相比分别提升了25.9%和20.6%,与同类主流算法相比,跟踪效果得到提升,证明了算法的有效性。

紧凑型地波雷达目标检测跟踪一体化实验平台

紧凑型地波雷达检测目标时回波信噪比低。应用传统的先检测后跟踪方法进行目标探测时,弱目标回波容易淹没在杂波和噪声中,出现弱目标漏检和虚假点迹误检,导致跟踪时易发生航迹断裂、误跟踪等现象,影响目标跟踪的连续性。为提升紧凑型地波雷达对海上运动目标的长时跟踪能力,建立检测器与跟踪器之间的信息动态交互机制,提出一种紧凑型地波雷达目标检测跟踪一体化方法。实验结果表明,与先检测后跟踪方法相比,所提方法跟踪得到的平均航迹时长增加了17.52 min。结合工程应用需求,在Matlab R2018b环境下开发了紧凑型地波雷达目标检测跟踪一体化实验平台,为紧凑型地波雷达海上目标探测实验测试提供了平台支撑。

基于红外相机和毫米波雷达融合的烟雾遮挡无人驾驶车辆目标检测与跟踪

战场环境下无人驾驶车辆的感知系统易受烟雾、扬尘等天气的影响,对关键目标的检测与跟踪能力大大下降,造成目标漏检、目标误检、目标丢失等严重后果。针对该问题,开发毫米波雷达和红外相机融合系统,采用目标级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终输出稳定的目标感知结果。对毫米波雷达的目标进行有效性检验和提取,并提出改进的基于密度的含噪声空间聚类应用算法,以减少毫米波雷达噪音干扰。以YOLOv4网络为基础,引入MobileNetv2主干网络,在网络训练过程中运用迁移学习方法,同时对红外数据样本进行扩充,解决了红外图像训练样本少的问题。试验结果表明,相较于仅基于红外相机的算法,融合检测算法在烟雾环境下的精度显著提升,且算法实时性高,实现了烟雾环境下毫米波雷达与红外相机融合的目标检测与跟踪,提高了无人驾驶车辆目标检测与跟踪系统的抗烟雾干扰能力。

无人船红外图像单目视觉检测与跟踪研究

无人船可用于海洋探测、军事侦查、军事打击等领域,结合GPS、AIS、无线通信技术以及图像视觉技术使得无人船实现智能化控制。无人船红外图像的单目视觉检测对实现目标检测以及跟踪具有至关重要的作用。本文提出使用YOLOV7算法对红外图像目标进行识别,确定红外图像训练集,对图像进行预处理后完成模型的训练及更新,最终实现对红外图像目标的识别。将KCF算法应用于红外图像目标跟踪,研究KCF算法对目标的跟踪流程,使用KCF算法和DCF算法进行仿真分析发现,同等情况下,KCF算法的跟踪准确率为78%,优于DCF算法。

基于SS型的无线电能传输最优效率跟踪检测

无线电能传输(WPT)技术是一种非接触式的无线能量传输方式,其应用范围广泛,包括智能家居、物联网、电动汽车等领域。在WPT系统中,如何实现最优效率的能量传输一直是研究的热点问题。此处针对此问题,提出了一种基于SS型的WPT最优效率跟踪检测方法。该方法不仅可以实现WPT系统的效率跟踪,还可以在连续导通模式与断续模式下工作并进行切换,让WPT系统的传输效率在检测模式上得到了拓展。在Matlab软件环境下进行了仿真实验,验证了所提传输效率跟踪方法和效率检测方法的可行性和有效性。仿真结果表明,所提方法可以实现WPT系统的最优效率的跟踪,并在检测模式上得到较好扩展,具有很好的实用价值和推广应用前景。

基于深度学习的无人机航拍目标检测与跟踪方法综述

基于视觉的目标检测与跟踪方法是当前最火热的研究方向之一。近年来,随着无人机技术的快速发展,利用无人机航拍技术进行目标检测与跟踪也成了研究的热点。对于无人机目标检测,首先探讨了无人机航拍目标检测与跟踪任务的复杂性和难点,并着重介绍了以深度学习为基础的目标检测算法;针对无人机目标跟踪技术,深入探讨了以相关滤波为基础和以深度学习为基础的两种判别式目标跟踪算法;最后,总结并展望了在无人机领域目标检测与跟踪技术的应用前景。

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。

基于代价参考粒子滤波器组的多目标检测前跟踪算法

针对图像序列中多目标检测和跟踪算法结构复杂、计算量大、性能降低等问题,提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法,将多目标跟踪问题转换为序贯地检测和跟踪多个单目标的问题.首先,采用代价参考粒子滤波器组序贯地估计所有可能单目标状态序列;其次,基于所有可能单目标状态序列的欧氏距离和累积代价确定目标数量;最后,根据累积代价判断每个目标出现和消失的具体时刻.仿真实验验证了CRPFB-MTBD的优良性能,与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目标状态序列和数量估计结果最佳,且平均单次运行时间极短.

基于深度学习的行人和车辆检测与跟踪研究

针对行人及车辆的多目标检测和跟踪中检测精度不足及跟踪目标丢失和身份切换问题,文章提出一种改进YOLOv5与改进Deep SORT相结合的多目标检测跟踪算法。检测阶段使用Varifocal Loss替换二元交叉熵损失函数结合CA注意力机制和DIoU_NMS算法。跟踪阶段将Deep SORT的REID模块特征提取网络替换为EfficientNetV2-S。在COCO数据集检测上,map@0.5达到78%,比原始模型提升4.5%,在MOT16数据集跟踪上,MOTA达到58.1,比原始模型提升5.7,IDswitch减少了516次相当于减少了55.1%,测试结果表明该算法有较好的实际应用价值。

基于国产异构FPGA的空中红外目标检测跟踪系统

随着国产器件在各领域的大力推广及应用,针对高帧频、强实时性光电系统空中红外目标捕获引导问题,介绍了一种基于国产异构FPGA的空中红外目标检测跟踪系统架构及其实现方法。基于AXI4总线协议,采用模块化设计及软硬件协同处理方法,构建系统架构和视频流水线;并行流水处理实现中值滤波,通过加权二维空间滤波流水处理实现基于背景抑制的快速空中目标检测,与中值滤波一起部署于FPGA逻辑资源(PL);检测结果实时传输到部署于FPGA处理器端(PS)的空中目标跟踪模块,完成目标跟踪,PS完成系统所有功能模块的控制;跟据各功能模块串/并行实现方式,统筹部署完成整个异构系统设计。实验结果表明,该系统能够实现1 280×1 024@100 Hz红外视频空中目标的实时检测及稳定跟踪,系统资源占用率小于25%,时延小于2帧,可满足高帧频、强实时性光电系统要求。该系统的实现是国产自主可控异构FPGA核心芯片工程应用的一次重要探索。

复杂道路监控场景下的车辆检测与跟踪数据集

针对现有大部分车辆检测与跟踪数据集通常存在的采集场景单一、数据集长尾分布以及图像采集环境简单等问题,本文构建一个车辆数据集VeDT-MSS,用于城市以及乡村监控场景下4种车辆类别(小汽车、卡车、公交车和摩托车)的检测以及跟踪研究。该数据集具有交通场景多样化、卡车的类内多样性大、摩托车标注实例占比高以及背景复杂程度高4个显著特性。为了验证该数据集的有效性,在目标检测以及多目标跟踪任务上进行了大量的基线实验。实验结果表明,VeDT-MSS数据集在评估现有算法的鲁棒性和泛化性方面具有实用性。该数据集的提出对促进车辆检测与跟踪研究具有相当的潜力,并为计算机视觉社区评估算法性能提供一个新的数据选择。

基于自编码器结构与改进Bytetrack的低光照行人检测及跟踪算法

针对夜间低光照场景下目标特征提取困难和跟踪不稳定的问题,提出了基于自编码器结构及改进Bytetrack的多目标行人检测及跟踪算法。在检测阶段,基于YOLOX(you only look once X)搭建多任务自编码变换模型框架,以一种自监督的方式考虑物理噪声模型和图像信号处理(image signal processing,ISP)的过程,通过对真实光照退化变换过程进行编码与解码学习内在视觉结构,并基于这种表示通过解码边界框坐标与类实现目标检测任务。为了抑制背景噪声的干扰,在目标解码器颈部网络引入自适应特征融合模块ASFF。跟踪阶段,基于Bytetrack算法进行改进,将基于Tranformer重识别网络提取到的外观嵌入信息与NSA卡尔曼滤波获得的运动信息通过自适应加权的方法完成数据关联,并通过Byte两次匹配的算法完成夜间行人的跟踪。在自建夜间行人检测数据集上测试检测模型的泛化能力,mAP@0.5达到了94.9%,结果表明本文的退化变换过程符合现实条件,具有良好的泛化能力。最后通过自建夜间行人跟踪数据集验证多目标跟踪性能,实验结果表明,本文提出的夜间低光照行人多目标跟踪算法MOTA(multiple object tracking accuracy)为89.55%,IDF1(identity F1 score)为88.34%,IDs(ID switches)为15。与基准方法Bytetrack相比,MOTA提高了10.72%,IDF1提高了6.19%,IDs减少了50%。结果表明,本文提出的基于自编码结构及改进Bytetrack的多目标跟踪算法可以有效解决在夜间低光照场景下行人跟踪困难的问题。

针对多目标跟踪的组网雷达检测门限与功率分配联合优化算法

为了提升组网雷达多目标跟踪(MTT)时的射频隐身性能,本文研究了针对MTT的组网雷达检测门限与功率联合优化算法。首先,在采用检测跟踪一体化结构的基础上,分别推导相关波门内的平均检测概率和预测贝叶斯克拉美罗下界作为衡量目标检测性能和MTT性能的指标。其次,以有限的辐射资源和满足一定的目标检测和MTT性能为约束条件,以最小化组网雷达的总功率资源消耗为目标,建立组网雷达检测门限与功率联合优化模型,联合优化雷达节点选择方式、各雷达的检测门限和辐射功率。在此基础上,结合改进的概率数据互联算法和序贯二次规划算法求解上述问题。仿真结果表明,所提算法在满足目标检测和跟踪性能需求时有效降低组网雷达功率资源消耗,提升射频隐身性能。

全景视频中多运动对象检测与跟踪方法

全景视频多运动对象检测与跟踪技术的通用解决方案是通过投影变换将360°视频转为二维视频后进行检测和跟踪。然而固定球面投影变换会导致全景视频中存在空间上不连续的投影边界,当运动对象处于投影边界时,常规球面投影方法可能将其切分为多个部分,从而导致该运动对象的漏检或误检。针对该问题,提出了融合等距柱状形投影(equi-rectangular projection,ERP)和立方体投影(cube map projection,CMP)的全景视频多运动对象检测与跟踪方法,利用合适的CMP拼接帧减少ERP两极区域失真并弥补其边界不连续性,解决了处于投影边界和两极扭曲的对象检测问题。进一步,通过感知哈希、球面质心和运动方向等多重特征融合来解决全景视频多运动对象跟踪问题。实验结果表明,提出的方案可以有效减少投影边界不连续导致的误检,且能有效应对遮挡、穿梭帧边界和两极扭曲的对象跟踪问题。

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%。

复杂干扰杂波环境下三维目标检测前跟踪算法

针对因随机假目标干扰、强杂波存在的复杂环境中三维目标检测问题,提出一种基于平行线坐标变换的多层次检测前跟踪算法。雷达量测点被先后置于规格化后的径向距离-时间平面、方位角-时间平面和俯仰角-时间平面分层次进行非相参积累和点迹筛选,每次筛选只对上一层的筛选结果进行处理,再根据先验信息进行航迹约束和航迹融合,得到最终检测结果。通过仿真对算法进行性能验证和分析,结果显示,该算法在不同信干杂比、量测误差和杂波密度下均能有效滤除虚假量测点,实现真实航迹的检测。

基于检测和重识别的无人机行人跟踪算法

将智能检测跟踪算法与无人机(UAV)的灵活性相结合是UAV应用的研究热点。针对UAV的视角及运动导致目标滑移和遮挡的问题,提出一种基于检测和重识别的UAV行人跟踪算法。对训练好的YOLOv5进行TensorRT加速,解决UAV计算资源有限的问题;以量化加速的目标检测算法与重识别算法为基础,构建行人跟踪算法框架;设计判定行人匹配度,完成行人匹配系统设计。仿真试验表明:训练后的YOLOv5和OSNet具备一定的精度,采用TensorRT加速后的YOLOv5网络在保证精度的情况下,帧率有了近50%的提升。飞行试验表明:所提算法在行人穿插及障碍物遮挡的情况下,可以实现对目标的稳定跟踪,具备一定的实用性和有效性。

基于跟踪检测时序特征融合的视频遮挡目标分割方法

视频实例分割是近年来兴起的一项在图像实例分割基础上引入时序特性的视觉任务,旨在同时对每一帧的目标进行分割并实现帧间的目标跟踪。移动互联网和人工智能的迅猛发展产生了大量的视频数据,但由于拍摄角度、快速运动和部分遮挡等,视频中的物体往往会出现分裂或模糊的情况,使得从视频数据中准确地分割目标并对目标进行处理和分析面临着重大挑战。经查阅和实践发现,现有的视频实例分割方法在遮挡情况下的表现较差。针对上述问题,提出了一种改进的遮挡视频实例分割算法——通过融合Transformer和跟踪检测的时序特征来改善分割性能。为增强网络对空间位置信息的学习能力,该算法将时间维度引入Transformer网络中,并考虑到视频中目标检测、跟踪和分割之间的相互依赖和促进关系,提出了一种能够有效地聚合目标在视频中的跟踪偏移的融合跟踪模块和检测时序特征模块,提升了遮挡环境下的目标分割性能。通过在OVIS和YouTube-VIS数据集上进行的实验,验证了所提方法的有效性。相比当前的基准方法,该方法展现出了更好的分割精度,进一步证明了其优越性。

基于网络流跟踪的信号灯检测方法

结合信号灯信息对机动车行进速度进行引导,减少机动车启停次数,可有效减少废气排放,缓解其造成的污染问题。针对信号灯转换时刻的获取问题,提出了一种基于网络流跟踪的信号灯检测方法。首先,该方法在数据集中引入辅助信号灯类别进行训练,将视频序列中该类目标检测结果关联为踪片,并通过踪片建模多目标跟踪任务。其次,该方法将多目标跟踪任务转换为最小费用流优化任务,以踪片作为节点建立最小费用流网络,提出了适合于信号灯的费用构建方式,通过最短路径算法求解,得到视频序列中辅助信号灯的多条轨迹。最后,基于求解的轨迹结果和图像分类技术,实现信号灯检测性能的提升。该方法的跟踪性能相较于对比算法有大幅提升,并将小目标信号灯检测响应的mAP提升至94.35%。实验结果表明,基于网络流的建模方式能极大地提升信号灯的跟踪准确率,结合跟踪轨迹还能大幅提高视频序列中小目标信号灯的检测准确率,并可有效确定信号灯状态的转换时刻。

基于深度学习的实时物体检测与跟踪

本文旨在研究多模态显著性检测方法,以提高在计算机视觉领域中物体检测与跟踪任务的性能。研究问题聚焦于如何融合多种传感器数据,以提高物体检测和跟踪的准确性和质量。采用基于深度学习的目标检测与跟踪方法,能够更准确地识别和定位感兴趣的物体,并连续追踪其运动轨迹。研究方法涉及条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)和动态权重自适应融合技术,以优化目标的检测性能。本文在多个多模态数据集上进行了性能测试,包括RGB-Thermal、RGB-Depth和RGB-Total。结果表明,与完整模型相比,移除对抗损失函数和模态权重的模型具有更高的召回率,尤其是在高阈值条件下。本研究验证了多模态显著性检测方法在不同数据集上的有效性,并指出在特定数据集上可能需要调整模型参数或损失函数的设计,以获得最佳效果。本研究不仅能够应用于自动驾驶、智能监控和人机交互等实际场景中,还为多模态数据融合在目标检测与跟踪领域提供了参考。