基于改进KCF的移动机器人视觉行人跟踪系统

针对视觉跟踪机器人在跟踪目标被大面积遮挡和短暂丢失的场景下容易跟踪失败的问题,提出了一种基于改进核相关滤波(kernelized correlation filter,KCF)的移动机器人视觉行人跟踪系统。在传统KCF算法的基础上引入平均峰值相关能量(average peak correla-tion energy,APCE),结合APCE响应值和最大响应值判断目标丢失情况,并加入了两级重检测机制。在OTB2013数据集的目标丢失(out of view,OV)场景中,改进算法的成功率和精度分别达到0.626和0.592像素,比传统KCF算法分别提升了8.7%和10.9%,有效提高了算法在目标遮挡和短暂丢失场景下的跟踪鲁棒性。在有行人干扰的场景中进行跟踪实验,实验结果表明所提视觉行人跟踪系统能够稳定跟踪目标行人。

融合深度特征的改进KCF行人追踪算法

KCF(kernel correlation filter)算法是目前追踪效果最好的算法之一,但KCF算法无尺度自适应能力且不能有效解决遮挡问题.针对KCF算法的缺陷,设计了1种改进的KCF模型,IKCFMDF(improved KCF mixed with deep feature).该模型先由KCF算法得到目标行人的预测框,然后与通过目标检测得到的所有行人检测框相比较,将交并比最大的检测框作为新的训练目标,从而实现KCF的尺度自适应;引入深度特征代替原KCF使用的HOG(histogram of oriented gradient)特征,以避免HOG特征对行人的姿势改变和颜色信息不敏感的缺陷;在追踪目标丢失时保留其深度特征,与之后视频中行人的深度特征进行对比,如果相似度大于设定阈值,则可判定目标重新出现,从而有效解决KCF的遮挡问题.与原始KCF相比,改进的模型在复杂情况下,对行人追踪的成功率提升了36%,相比主流的神经网络模型也有少量的提升.

基于Radon变换的自适应模型更新KCF跟踪算法

针对目标尺度变化、遮挡及形变等复杂情况下,传统核相关滤波器(KCF)效果不理想的问题,提出了一种基于Radon变换的自适应模型更新KCF滤波跟踪算法。利用运动信息,通过光流法和帧间差分法预测出目标可能所在的区域,显著缩小了搜索范围,提高了算法速度;利用Radon变换具有对噪声不敏感及矩平移伸缩不变性,通过矩特征匹配度峰值确定最优尺度,在减少计算量的同时提高算法精度;根据模型更新策略中学习率与响应图峰值的非线性关系,构造抛物型学习率曲线,实现对模型的自适应更新,即使在目标暂时丢失或出现虚假目标时也保证了算法的跟踪精度。实验结果表明,提出的算法具有较好的实时性和较高的成功率与精度。

空中“低慢小”目标检测跟踪算法的应用研究

由于目前空中“低慢小”目标存在无法快速、准确地检测和跟踪的问题,本文基于全景相机与变焦吊舱的多源信息融合方法,提出了一种检测跟踪方案。首先,基于YOLOv4-Tiny模型,本文在其颈部网络中引入坐标注意力机制,提出了YOLOv4-TCA算法,新算法所得的mAP较改进前提升2.3%。另外,本文利用间隔取帧手段,借助目标检测结果实时校正被跟踪目标尺度,改进得到AS-KCF目标跟踪算法。通过将上述算法应用到搭载全景相机和变焦吊舱的检测跟踪平台,实现了对空中“低慢小”目标的检测跟踪。实验结果表明,本方案目标重捕成功率较基线方案提升11.66%,目标重捕平均时间缩短2.6 s,具有一定的理论研究和工程应用价值。

基于深度学习与光电探测的无人机防范技术

无人机的无序“黑飞”带来一系列安全及社会问题,如何有效地对无人机进行探测、识别甚至打击是当今研究的热点与难点。为此,本文首先搭建了基于转台与高清可见光相机的无人机目标实时光电探测系统,并构建了一个由40000帧无人机图像组成的样本库;其次,为了更远、更早地发现目标,在YOLOv3模型基础上增加更小的特征尺度,使得模型对小目标检测效果提升;最后,为了实现无人值守、全自动式无人机目标的探测与跟踪,提出一种基于更小特征尺度的YOLOv3与KCF相结合的模型,并通过外场试验确定了无人机目标跟踪过程中,目标丢失时所对应的阈值参数的选取。结果表明,通过在包含大疆御Pro、精灵3等无人机在内的8000帧无人机图像组成的静态测试集上进行实验,增加更小特征尺度后的模型对小目标的识别率较之原始YOLOv3模型提高约5%;对于1280×720分辨率的动态视频,每帧检测时间为0.025~0.030 s(33 fps),且根据选定的阈值,当无人机目标丢失后可重新进行检测,每帧跟踪时间为0.010~0.012 s(85 fps),验证了所提方法的有效性,并可满足工程应用中对实时处理的需求。

基于交叉滑动窗口模型算法的非接触心率测量方法

为解决传统接触式心率测量系统设备昂贵、操作复杂的问题,在远程光电容积描记法(remote photoplethysmography,r PPG)测量心率的基础上,提出一种基于交叉滑动窗口模型(cross sliding window model,CSWM)算法的非接触心率测量方法。首先调用人脸检测模型SSD300检测视频中的人脸,然后使用Otsu算法对人脸皮肤区域进行分割,并用形态学方法腐蚀皮肤之间的眼睛、嘴巴区域,同时用KCF算法跟踪人脸,并将人脸区域均分为2×2的大小,然后使用CHROM算法提取rPPG波形,最后运用CSWM方法对rPPG波形进行处理,得到实时变化的心率。实验结果表明:该方法计算出的心率与同时用脉搏血氧仪测出的心率之间的平均准确率为97.9217%,Bland-Altman一致性系数达0.962302,完全满足临床要求。

基于热点区域定义的人数统计方法研究

行人统计在智能监控领域中具有重要意义,但复杂背景环境以及行人运动过程中出现的遮挡现象导致当前方法的准确率并不高。此外,传统过线统计人数的方式的实际适用范围有限。考虑到现有方法的不足,提出了一种基于热点区域定义的人数统计方法。首先,利用自适应学习率背景建模提取运动目标前景,得到前景区域的位置和大小,扫描计算运动目标前景范围内的HOG特征,并判别是否存在头肩目标;然后,利用基于KCF的目标匹配算法跟踪头肩目标;最后,结合目标运动轨迹与提出的区域人数统计算法进行行人人数统计。采用24fps的手机拍摄的长度为10min、分辨率为960×720像素的视频做人数统计实验。实验结果表明,所提算法在统计人数时正确率可达到93.1%,能满足实时性要求。该方法结合了检测效率和准确率,在背景环境复杂的场景下具有良好的效果,能适应各类人数统计的实际应用场景。

基于自适应多模型联合的目标跟踪算法

基于核相关滤波器的跟踪算法对于目标的空间结构具有较强的依赖性,无法有效应对遮挡、形变等干扰因素,且单一的特征模型在复杂的跟踪场景下无法准确表述目标信息。为此,提出一种基于自适应多模型联合的算法。通过自适应权重将相关滤波模型与颜色直方图模型进行联合,并将稀疏表示的思想引入相关滤波模型的训练过程中,以增强算法的鲁棒性。OTB视频序列数据集上的实验结果表明,该算法可有效缓解跟踪过程中的遮挡、形变等因素的干扰,与Staple算法、KCF算法相比,目标跟踪的精度显著提升。

基于云台摄像机的快速移动人群的检测与跟踪

为了实现校园的安全监控,提出了基于云台摄像机的快速移动人群的检测与跟踪算法。介绍了云台摄像机用于校园安全监控的基本构成。为了更好地实现云台摄像头对于移动人群的检测与跟踪,建立了基于现实的精确摄像机模型,提出了摄像机自旋转角度约束的摄像机模型。通过最新的核相关滤波器跟踪算法(KCF)实现对运动着的人群检测与跟踪。运用Matlab仿真实验比较该方法和卡尔曼滤波跟踪算法,选择最优方法和相关滤波器跟踪算法来实现检测与跟踪要求。结果表明:相比较于传统的卡尔曼滤波跟踪算法,KFC算法的跟踪精度优于传统方法,精度多数情况下能达到90%以上,高于卡尔曼滤波跟踪算法的60%,检测与跟踪效果达到要求。

引入目标分块模型的核相关滤波目标追踪算法

为了降低目标追踪过程中光照变化、尺度变化、局部遮挡等因素的影响,提出一种引入目标分块模型的核相关滤波(KCF)目标追踪算法。首先,通过融合方向梯度直方图特征和色名属性特征来更好地表征目标;其次,通过构建尺度金字塔对目标进行尺度预测;最后,利用特征响应图的峰值旁瓣比值检测遮挡,并通过引入高置信度分块重定位模块和模型自适应动态更新来处理局部遮挡问题。在多个数据集上与当前多个主流算法进行对比实验,实验结果表明,所提算法具有最高精度和成功率,且比KCF算法分别提升了11.89%和15.24%,表明所提算法在应对光照变化、尺度变化、局部遮挡等因素时具有更强的鲁棒性。