基于多目标跟踪的商场热点图生成方法

多目标跟踪领域以基于检测的跟踪方法为主,CenterTrack算法提出了以目标中心点为检测对象,每帧输出基于目标中心点生成的热图以辅助下一帧的检测和跟踪的方法。此方法在保证帧率的前提下有效提升了多目标跟踪准确率,但由于其缺乏对目标重识别的关注,当目标遭遇到遮挡或噪声影响从检测结果中丢失时无法将随后重新出现的同一目标识别为原目标,导致ID切换较频繁。该文在CenterTrack算法模型中加入近期丢失跟踪链队列和重识别模块以改善其在重识别方面的表现。输入商场监控录像并取得跟踪结果后,根据行人目标移动与停驻时间分配权值生成商场热点图,帮助经营者提升销售能力。

基于颜色粒子滤波的多目标跟踪器设计

针对多目标跟踪中的目标遮挡和身份切换问题,在颜色粒子滤波的基础上,将单目标跟踪器扩展为多目标跟踪器。当目标轨迹彼此较接近时,利用自适应冲突预防模型分离临近轨迹。当目标发生遮挡时,跟踪器的整体模型会被分割成多个部分,使用可见部分执行跟踪和遮挡推理。当目标外观相似时,使用轨迹监测方法处理遮挡情况。当目标发生完全遮挡时,重新初始化遮挡者周围的粒子并采集目标,从而实现多目标跟踪。实验结果表明,与MIT和LSAM跟踪器相比,该跟踪器在假阴性率、假阳性率、误匹配率和多目标跟踪准确率方面均具有明显的性能优势。

探测、跟踪与侦察

Y2000-62029-160 0008246多目标跟踪用的神经网络辅助式卡尔曼滤波=Neuralnetwork aided Kalman filtering for multitarget trackingapplications[会,英]/Vaidehi,V.& Chitra,N.//1999IEEE Radio Conference.—160～165(AC)人们已知将神经网络结合到普通卡尔曼滤波器的卡尔曼滤波的自适应能力是改进了的,目前的扩展工作是提出将神经网络辅助的卡尔曼滤波用于进行运动较强的多目标跟踪的方案。介绍了对于各种情况由于采用了该方案提高了跟踪的准确率。