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。

概率扩充和改进OIM损失的多目标跟踪算法

为解决多目标跟踪中联合目标检测和重识别训练时间过长、多分支特征不对齐和目标相互遮挡的身份转换问题,提出一种高效的多目标跟踪算法。在特征提取阶段利用深层聚合网络联合多层次特征,在重识别阶段通过三元组对在线实例匹配损失进行增强,缓解特征不对齐问题。加入高斯核函数对训练样本进行概率扩充,缩短训练时间。利用运动、外观特征与卡尔曼滤波实现高效的在线关联,利用轨迹池暂存丢失的轨迹,提高目标相互遮挡时的跟踪性能。算法在MOT15和MOT17数据集上的准确度分别达到了60.1%与74.2%,MOT17上的FPS也达到21.6 Hz。

基于改进DeepSORT和FastReID的室内多目标人员跨镜识别与跟踪

为解决利用视频分析实现目标检测、目标跟踪和行人重识别存在的诸如目标框重框、遮挡等问题,提出了一种基于改进DeepSORT和FastReID的室内多目标人员跨镜追踪的方法。该方法使用YOLOv5s进行人员检测、DeepSORT进行人员跟踪、FastReID进行人员重识别。采用EIOU-NMS算法解决了YOLOv5s人员检测过程中出现的重框问题;在FastReID的特征提取网络中引入了NEUFA注意力机制,并使用优化后的FastReID的特征提取网络替换了DeepSORT原有特征提取网络,降低了DeepSORT跟踪过程中由于遮挡导致的ID跳变的次数;结合注意力机制、人员动态图像库与运动估计的方法减少了人员识别过程中因遮挡导致的人员无法识别和错误识别的次数。结果表明:EIOU-NMS算法将人员检测准确率提升了0.8%,召回率提升了0.4%;替换了特征网络后的DeepSORT将人员跟踪中的ID跳变次数降低了38.46%;结合注意力机制、人员动态图像库和运动估计方法之后,None的次数减少了79.8%,误识别次数减少了91.2%。研究结果能够提升人员识别与跟踪的准确性,降低遮挡对人员跟踪和识别带来的影响。

大场景视频监控下大坝运输车改进多目标多视觉卸料识别模型研究

运输车卸料识别对保障大坝施工安全、优化运输配置具有重要意义。然而,大坝施工中多采用全球导航卫星系统(Global Navigation Satellite System,GNSS)进行运输车活动状态分析,存在设备成本高、识别精度低等缺点。目前,通过布设高清摄像头进行坝面大场景施工监控成为趋势,但尚未见基于机器视觉的运输车卸料识别研究。针对上述问题,提出大场景视频监控下大坝施工运输车卸料识别改进多目标多视觉任务模型。首先,采用ByteTrack实现大场景监控视频中多辆运输车目标检测与追踪,记录其行驶轨迹;其次,High Resolution Net(HRNet)被用于运输车头部和尾部的关键点检测,进而结合行驶轨迹判断运输车前进、停止和后退等行进状态;再者,通过Destruction and Construction Learning(DCL)细粒度分类方法判断运输车料斗的抬升状态;最后,结合ByteTrack、HRNet和DCL的多目标多视觉任务的分析结果判定运输车卸料状态。以两河口施工视频监控为例进行验证,提出的卸料识别模型在34帧时卸料状态识别平均准确率为87.3%,卸料时间判断精度为90.3%,验证了本模型的可行性和有效性。

面向多类别舰船多目标跟踪的改进CSTrack算法

针对海面舰船多目标跟踪过程中图像背景复杂、目标尺度差异大等难点,提出了一种改进CSTrack的舰船多目标跟踪算法。首先,针对CSTrack算法使用暴力解耦分解颈部特征造成目标特征损失的问题,提出了一种结合Res2net模块的改进互相关解耦网络RES_CCN,使网络解耦后获得更加细粒度的特征。其次,为提升对多类别舰船的跟踪性能,采用检测头网络解耦设计分别预测目标类别、置信度和位置。最后,采用MOT2016数据集进行消融实验,验证了所提模块的有效性,在新加坡海事数据集上进行测试,所提算法的多目标跟踪精度提升了8.4%,目标识别准确度提升了3.1%,优于ByteTrack等算法。本文所提算法具有跟踪精度高、误检率低等优点,适用于海面舰船多目标跟踪任务。

基于DeepSORT算法的肉牛多目标跟踪方法

肉牛的运动行为反映其健康状况,在实际养殖环境下如何识别肉牛并对其进行跟踪,对感知肉牛的运动行为至关重要。基于YOLO v3改进算法(LSRCEM-YOLO),利用视频监控实现了实际养殖环境下的肉牛实时跟踪。该方法采用MobileNet v2作为目标检测骨干网络,根据肉牛分布不均、目标尺度变化较大的特点,提出通过添加长短距离语义增强模块(LSRCEM)进行多尺度融合,结合Mudeep重识别模型实现了肉牛多目标跟踪。结果表明:在目标检测方面,LSRCEM-YOLO的m AP值达到了92.3%,模型参数量仅为YOLO v3的10%,相比YOLO v3-tiny也降低了31.34%;在肉牛重识别方面,采用基于调整感受野的Mudeep模型,获得了更多的多尺度特征,其Rank-1指标达到了96.5%;多目标跟踪的多目标跟踪准确率相对于Deep SORT算法从32.3%提高到了45.2%,ID switch次数降低了69.2%。本文方法可为实际环境下的肉牛行为实时跟踪、行为感知提供技术参考。

小视频内容分析技术发展探讨

小视频数量呈爆炸式增长态势,并引发了许多技术需求,包括小视频的编辑、搜索、推荐、溯源、审查和监管等。介绍了小视频数据的主要特点和小视频内容分析技术面临的挑战,并对目标检测、追踪、重识别等小视频内容分析技术的研究进展做了综合分析。认为只有构建一个整合多种不同算法的系统,才能够更准确、更鲁棒地解决分析问题,才能系统性地完成小视频内容分析任务。

煤矿副井矿车装载物智能识别方法

基于卷积神经网络实现煤矿副井矿车装载物自动分类在实际应用中因触发条件简易导致误判与漏判情况,且非矿车物体经过检测区域时会引起司控道岔误动作。针对该问题,提出了基于目标检测模型的煤矿副井矿车装载物智能识别方法。在煤矿副井井口安装工业相机采集矿车装载物图像并进行人工标注,构建矿车识别数据集,对Faster R-CNN,YOLOv4,SSD 3种目标检测模型的识别准确率与实时性进行评估,根据评估结果,得出YOLOv4模型更适用于矿车装载物识别任务的结论;为降低模型大小,提高识别速度,对YOLOv4模型进行改进,采用轻量级网络MobileNet替换原有主干特征提取网络CSPDarknet53,构建MobileNetv3-YOLOv4模型,测试结果表明MobileNetv3-YOLOv4模型的平均精度均值(mAP)为95.03%,识别速度为44帧/s,较YOLOv4模型分别提高了0.77%,27帧/s;为方便现场应用和部署,提高矿车装载物识别模型在嵌入式平台上的性能,提出了基于层间融合和模型量化的模型加速方法,并将加速前后的MobileNetv3-YOLOv4模型移植到Jetson TX2进行矿车装载物识别现场试验,结果表明识别速度由MobileNetv3-YOLOv4模型加速前的18.3帧/s提升至35.42帧/s,mAP为94.68%,满足现场实时、精确检测需求,且仅在矿车经过检测区域时启动检测任务,避免了因其他物体引起的司控道岔误动作现象。

基于CNN-GRU度量网络的多目标跟踪算法

针对复杂场景下多目标跟踪算法存在目标标识切换率高、目标轨迹误报率高的问题,提出了一种基于行人重识别网络和CNN-GRU(ConvolutionalNeuralNetworks-Gated Recurrent Unit)度量网络的多目标跟踪算法。通过构建一个CNN和双GRU网络结合的深度度量模型,同时预测跟踪目标轨迹框外观特征和运动特征的时间特性,使提取的目标特征更具有判别性,降低目标的标识切换率。基于CNN-GRU网络自动学习历史目标轨迹框正确匹配的概率,给同一目标的不同轨迹框分配不同的注意力,以此来抑制目标轨迹中误检的目标框对目标整体特征的影响,在降低误报率的同时有效聚合轨迹框的特征。该算法将行人重识别网络输出的特征计算得到的检测框和轨迹框的相似度,以及CNN-GRU网络直接输出的相似度作为数据关联部分的匹配成本。在标准多目标跟踪数据集上的实验结果验证了本文算法的有效性。

基于深度学习的轨道异物入侵检测算法

为检测入侵轨道的异物,防止异物入侵造成铁路安全事故,对轨道异物入侵检测算法进行研究。区别于现有技术算法存在的缺陷,研究并设计一套深度学习相关的轨道异物入侵检测模型,能够较好解决检测轨道异物入侵问题。结合传统机器学习算法对图像进行基本处理,划定入侵区域,利用深度学习的YOLO-V3网络模型进行多次训练,通过训练模型检测划定好的入侵区域,检测区域内是否存在异物,若有则向相关工作人员进行报警,若无则持续检测。在自制数据集上的训练验证了网络框架的可行性,并与现有其它网络模型算法进行对比,获得较好的均值平均精度得分。该算法对于铁路轨道异物检测领域的应用具有参考意义。

视觉跟踪技术发展和难点问题的分析

本文介绍了计算机视觉领域里的一种新兴技术即视觉跟踪技术。其中,主要介绍了视觉跟踪技术的产生、发展,同时也提到了跟踪技术中难点问题和解决思路。

加强重识别的行人多目标跟踪算法

在多目标跟踪任务中,重识别(re-identification,Re-ID)效果通常依赖于检测性能的好坏,检测偏差会导致ReID特征模糊,从而降低重识别精度。特别是在尺度变化和频繁遮挡等复杂场景下,Re-ID鲁棒性不高,多目标跟踪效果较差。针对该问题,提出一种加强重识别的行人多目标跟踪算法。该算法以CenterNet为检测器,通过预测目标中心点热力图来检测目标位置,并设计检测偏差损失加强对预测热力图响应值的约束,以缓解因检测不准确导致的ReID特征模糊问题。为提高Re-ID鲁棒性,提出Re-ID可学习特征动态扩充策略。该策略通过自适应扩充目标中心的Re-ID可学习特征来提高特征质量,并减小Re-ID对中心点检测精度的依赖。在MOT16和MOT17测试集上进行验证,结果表明,算法能有效提升Re-ID性能,与主流算法相比具有更好的跟踪效果,且兼顾了实时性,达到25.6 FPS。

基于YOLO的目标人员身份识别与跟踪方法

在多人存在的单目标人员视觉跟踪场景中,目标人员的遮挡及丢失是常见的问题之一。针对目标由于遮挡等原因丢失后的恢复问题,提出了基于单目标检测与身份识别网络模型相结合的视觉跟踪方法。该方法基于YOLO模型进行候选目标检测,基于在身份识别数据库上预训练的残差网络,进行候选目标基础特征提取。通过计算候选目标特征与预提取的模板目标特征的均方误差和,进行前后帧的数据关联,达到跟踪目标的效果。实验表明,论文提出的方法在各种目标人员消失的场景下具有有效性。

基于深度学习的自动扶梯乘客异常行为识别方法研究

自动扶梯乘客异常行为识别方法的研究对保障乘客安全具有重要的意义。针对自动扶梯出入口拥堵、长时间停留等乘客异常行为缺乏有效识别和预警手段的不足,提出一种基于深度学习的自动扶梯乘客异常行为识别方法。该方法采用YOLOv4算法对自动扶梯使用场景的视频进行特征提取,识别检测区域的乘客信息;结合DeepSORT算法对检测到的乘客进行追踪和统计,构建乘客异常行为识别模型,实现乘客异常行为的识别。对4段自动扶梯监控视频的实验结果表明,该方法检测平均准确率为95.09%,能准确地识别自动扶梯出入口拥堵、长时间停留等乘客异常行为。

引入多级匹配机制的多目标连续跟踪方法

为提升基于检测的多目标跟踪方法在短暂遮挡时跟踪的准确度,首先提出一种目标多级匹配机制,将检测框根据置信度分为高分框和低分框,使用高分框和之前的跟踪轨迹进行第一级匹配,其次使用低分框和第一次没有匹配上高分框的跟踪轨迹进行第二级匹配,最后使用行人重识别的方法将未匹配到跟踪器和目标检测的结果进行第三级匹配,最终实现短暂遮挡下的连续跟踪。在MOT17数据集上进行验证,结果表明,所提方法 MOTA值达到76.9,可有效降低多目标跟踪ID切换,提升跟踪的连续性。

飞行物体对微波链路遮挡效应的角谱法分析(邀请)

利用包括低轨卫星星座及同步轨道卫星等无线通信空中平台所发出的微波信号,提出一种基于飞行物体对微波的遮挡效应进行飞行物体监测的方法。如何定量分析遮挡效应是这种新方法需要解决的一个关键问题。由于微波衍射和光衍射本质上是相同的,提出利用光学分析的方法来解决这一问题。通过将整个微波链路系统用一个简化的光学系统来描述,用角谱法计算并分析了飞行物体相对于微波传播路线的移动速度、飞行物体高度等参数对接收机接收的微波强度的影响,为进一步研究这种新的监测方法奠定了基础。