TLD框架下的内河船舶跟踪

闭路电视(closed circuit television,CCTV)系统是内河海事监管的重要手段.基于跟踪-学习-检测(tracking-learning-detection,TLD)框架研究并改进内河航道CCTV系统的船舶识别和跟踪.在TLD框架下提出特征值约束条件,可对像素的短期跟踪结果进行校验,不仅有效解决了像素对归一化相关系数值求解的繁琐问题,还很好地保留了图像中角点像素的跟踪结果,使船舶的短期跟踪足够可靠.用级联的目标检测器精确定位船舶时,在满足内河应用实时性前提下,提出通过对目标候选区域的模板匹配来保证算法准确性.实验结果表明,改进的算法在应用于内河CCTV系统的船舶识别与跟踪中保持了较高的实时性和鲁棒性,并提高了跟踪精度.

基于可变形部件模型的内河多船舶跟踪算法研究

内河航运事业的不断发展对电子巡航闭路电视(CCTV)监控系统的智能化水平提出了越来越高的要求。针对目前CCTV监控系统智能化水平较低、人工参与量较大的局限,提出了一种鲁棒的基于可变形部件模型的内河多船舶跟踪算法。该算法将每条运动目标船舶视为一个部分,通过最小生成树模型来建立各个部分之间的联系,并基于可变形部件模型的原理最终实现同时对多条目标船舶的鲁棒跟踪。为了得到精确的目标船舶外观模型,首先对目标区域进行梯度方向直方图(HOG)特征提取,然后利用模糊支持向量机(SVM)算法进行训练得到每条目标船舶的参数化的外观模型。其中,由于模糊SVM中模糊度的引入,对不同的输入训练样本赋予不同的重要性,因此将获得比线性SVM算法更加精确的目标外观模型。结构化的学习方法保证了在目标运动过程中该算法能即时更新目标间的空间相互关系参数,实现鲁棒的跟踪效果。实验结果表明,提出的算法适用于在内河环境下鲁棒、有效的多目标船舶跟踪。