基于多模型融合和重新检测的高精度鲁棒目标跟踪

针对目标跟踪在遮挡和光照变化等复杂场景下容易跟踪失败的问题,提出一种高精度鲁棒的目标跟踪算法。首先,将基于边缘信息的目标模型、基于梯度直方图(HOG)特征的滤波器模型和基于颜色直方图的颜色模型融合为更准确和鲁棒性更强的跟踪模型;然后,提出基于特征分数的双重跟踪可靠性判断依据,检测跟踪结果的可靠性;最后,在跟踪结果可靠性较低时,采用粒子滤波、稀疏表示以及距离约束定位进行重新检测,以实现持续稳定的跟踪。算法在OTB-2015数据集上的平均重叠精度为78.2%,平均中心位置误差为23.1 pixel,平均跟踪速率为30.8 f/s,准确度和鲁棒性优于其他算法。在移动机器人和车辆跟踪平台上进行算法验证,平均重叠精度分别为97.5%和97.2%,平均中心位置误差分别为6.8和12.6 pixel,平均跟踪速率分别为29.1和28.4 f/s,能有效跟踪上述复杂场景的目标,且满足实时要求。

基于快速多尺度估计的重新检测目标跟踪算法

为了解决跟踪过程中的漂移问题,本文提出了一种基于快速多尺度估计的重新检测目标跟踪算法。在跟踪过程中,跟踪器通过目标的最大响应值确定目标的位置,并且通过一个新的自适应检测指标检测当前位置的可靠性.不同于其他检测指标的是,新的检测指标减少了对最大响应值的依赖.若检测出当前帧的位置不可靠,我们的方法可以通过Edge boxes方法产生一系列的目标候选框,并通过非极大值抑制方法和欧几里德度量方法选出最优目标位置.此外,我们提出了自适应更新的方法来减少由于跟踪失败导致的误差.实验结果表明,本文提出的算法在精确度和成功率方面都有很好的效果.

基于重新检测过程的三维细化算法的改进

现有的基于简单点判断的三维细化算法不能保证提取骨架的连续性,容易产生断裂。针对该问题,提出了一组各向同性模板,该模板能够使得算法具有90°旋转不变性;在此基础上,进一步提出了一种新的重新检测的方法,通过判断被删除的目标点的26邻域的连通性,来决定该目标点是否应该被还原,从而逐点检测3D物体的连通性,达到保持整体连通性的目的。该方法可以应用于大多数基于模板的三维细化算法,能够修复断裂,保证其拓扑结构,避免产生空洞;同时,与同类算法相比,本算法由于利用了各向同性模板,在物体旋转的情况下亦能得到最佳的细化结果。

重新检测第1天血清标本对室内质控帮助的探讨

目的探讨重新检测第1天血清标本在生化分析仪室内质量中的作用。方法选取第1天保存适宜的一份血清标本作为参考标本,在开机后,在做室内质控的同时,重新检测一次此标本,以第1天结果作比较,用于监控仪器的工作状态和判断检测系统的稳定性。结果参考标本在保存得当的情况下,第2天再次测定结果稳定,两次测定结果相差很小。重新检测相对于第1天结果变异远小于CLIA"88规定CV的1/2。结论在当日质控合格的情况下,选择一份新鲜血清标本,妥善保存,在第2天开机后,做室内质控的同时检验一次此份标本,两次结果比较,可以用于监测仪器的工作状态,是一种可行的室内质量控制方法,与质控品同时使用,更易找出失控原因。

海上无人机对运动船舶的长期检测跟踪算法

针对无人机在海上对船舶进行长时跟踪时,由于船身被遮挡及船舶离开视野导致目标跟踪失败的问题,提出了基于YOLOv5和ECO_HC相结合的海上目标长时检测跟踪算法。首先,利用感知哈希与峰值比例综合评估跟踪过程的可靠性,目标丢失时利用YOLOv5检测器重新定位目标位置,并初始化跟踪器模型,消除累计错误信息。其次针对目标在跟踪过程中存在的旋转变化,利用傅里叶-梅林变换进行旋转参数估计,减少了目标旋转造成的跟踪器性能下降问题。本文算法在OTB-100数据集上的平均精确度和成功率为83.9%和76.7%;在无人机平台上进行实际海上场景船舶跟踪实验,在完全遮挡及离开视野两种情况下精确度和成功率分别为为80.9%,60.4%和90.2%,48.3%,实验表明本文算法可以有效抑制常见海面干扰因素的影响。

基于双检测器系统的长期目标跟踪算法

针对长期目标跟踪过程中极易出现的目标漂移导致跟踪失败的问题,在空间正则化相关滤波算法的基础上,提出一种基于双检测器系统的长期目标跟踪算法.为了适应不同的跟踪场景,增加模型鲁棒性,加入SVM检测器和孪生网络检测器,并选择较为高效的SVM检测器作为主检测器;只有当主检测器检测失败时,才启动精度更高的孪生网络检测器检测目标,通过两个检测器的协同工作可以对当前图像进行高质量的重新检测.同时,本算法中加入自适应空间正则化项,可以有效抑制边界效应的影响;并采用交替方向乘子法对目标函数进行优化,降低计算复杂度以节约运行时间.本文算法在OTB-2013和OTB-2015两个数据集上进行测试,结果表明:本文算法在多种特性上都有较强的鲁棒性,特别是在进行长视频序列的跟踪时,比基础算法在跟踪距离精度和成功率上分别提高了12.9%和6.2%.

结合自适应更新策略和再检测技术的跟踪算法

基于相关滤波器的跟踪算法在计算机视觉领域表现出了卓越的性能,但是传统相关滤波器由于采用固定系数更新策略,在复杂环境下很容易发生模型漂移甚至因无法重新找回所跟踪的目标导致跟踪失败。为了使跟踪算法在遇到背景杂波、遮挡等问题时能具有更好的鲁棒性,提出了一种基于自适应更新策略和再检测技术的关联跟踪算法。自适应更新策略根据跟踪结果的置信度,自适应调整模版更新系数,降低模型漂移所造成的影响。当判定所跟踪的目标遭受严重遮挡或者跟踪失败时,利用再检测策略中的SVM分类器对所跟踪的目标进行重新检测,提高纠错能力。所提算法在OTB2013标准目标跟踪数据集上进行验证并与其他5种跟踪算法进行比较,目标跟踪精度与成功率分别提升13.8%和17.4%。当出现目标被遮挡或者目标视野丢失等情况时,本算法仍然可以对目标进行重新找回,实现稳定地跟踪。

基于相关滤波的长时目标跟踪算法

针对核相关滤波(KCF)在跟踪中由于目标出视野以及遮挡导致跟踪失败的问题,提出一种基于核相关滤波的长时目标跟踪算法。该算法融合梯度直方图特征和颜色提名特征来增强特征的表达能力;考虑到核相关滤波不能解决尺度变化的问题,通过定义尺度池、采集不同尺度的样本计算响应值,然后利用最大响应值得到最佳位置和尺度。最后,针对在长时间目标跟踪过程中,有时不可避免地会出现跟踪失败的情况,通过训练支持向量机对目标进行重新检测以达到长时跟踪的目的。在OTB数据集上对提出的算法和其他主流算法进行对比,实验结果验证了提出算法的有效性和优越性。

抗遮挡与尺度自适应的长时间目标跟踪算法

针对核相关滤波(KCF)目标跟踪算法在目标发生尺度变化和受到遮挡时无法保证对目标长时间跟踪的问题,提出了一种尺度自适应抗遮挡的长时间目标跟踪算法。首先,将方向梯度直方图(HOG)特征和颜色(CN)特征进行融合并增加一个尺度滤波器用于估计目标的尺度;然后,引入平均峰值相关能量指标(APCE)进行遮挡判断,采用SVM分类器重新检测目标被遮挡后的位置;最后,根据平均峰值相关能量和位置滤波器最大相关响应值选择模型更新策略。选取OTB100和UAV123两个数据集进行实验,结果表明,改进算法能有效地解决目标尺度变化和遮挡等问题,实现对目标的长时间稳定跟踪。

一种尺度自适应的长时目标追踪算法

在长时目标追踪中,传统的核相关滤波算法受到目标尺度变化和环境因素的影响,追踪效果会有所下降。为解决这一问题提出了一种尺度自适应的长时目标追踪算法。首先,为了实现追踪过程中追踪器尺度的自适应,在核相关滤波算法中加入尺度因子池,通过不同尺度下候选目标的响应值判断目标的最佳尺度;其次,为了提高追踪的准确度,通过扩大候选目标的搜索范围,对追踪不准确的目标位置进行重新检测;最后为了提高追踪效率,根据追踪的稳定性决定是否对追踪模板进行更新,从而提高追踪速度,减少过多错误信息的学入。实验结果表明,所提算法相较于其他追踪算法在精确度上提高了15.3%,在成功率上提高了17.1%。