基于全卷积网络的多车辆实时跟踪模型

针对道路多车辆在跟踪过程中由于遮挡或漏检所造成的轨迹ID变换问题,给出一种改进的全卷积网络(fully convolutional network,FCN)和交并比重叠度(intersection-over-union,IoU)数据关联相结合的算法。基于标准卷积和空洞卷积搭建了新的FCN,并进行多尺度目标的定位来增强目标的特征,减少下采样过程的特征丢失;通过在IoU数据关联算法中加入预备跟踪器集合,处理车辆行驶过程中出现的轨迹ID变换问题。实验结果表明,所给出的实时多车辆跟踪算法在UA-DETRAC数据集上具有良好的性能,可以有效降低轨迹ID变换的次数,提高跟踪精度,在实际场景应用中,达到了良好的跟踪效果。

基于深度学习的分层关联多行人跟踪

由于连续帧之间数据关联的不确定性和所提取外观特征的鉴别力不足,多目标跟踪容易受目标外观变化、运动状态变化、相似目标以及目标消失再出现等干扰因素的影响,出现轨迹ID变换的问题,从而限制基于轨迹分析的行为检测、姿态识别等研究的性能。为了提高数据关联的可靠性从而减少轨迹ID变换,提出了一种基于轨迹置信度的分层数据关联方式。同时,为了提高用于数据关联的外观特征的鉴别力,提出融合了过程层的特征提取网络。在公开的MOT16测试数据集上验证表明,该算法在保证跟踪准确度和精确度的同时,有效降低了轨迹ID变换的次数,提高了跟踪性能。