基于中心点检测和重识别的多行人跟踪算法

在基于视频的多目标运动跟踪中,目标检测和重识别具有很强的相关性。目前常将目标检测和重识别网络分别进行训练和使用,因此实时跟踪速度不能达到要求。针对多目标跟踪(multiple object tracking,MOT)中行人身份切换和跟踪丢失问题,将行人重识别模块进行遮挡优化并嵌入行人检测网络,由此提出了一种基于中心点检测和重识别的多行人跟踪算法。首先建立了行人运动模型,通过中心点检测得到行人最优状态估计;然后根据深层特征融合的行人重识别模型,利用马氏距离和余弦距离增强行人身份辨别能力;最后利用匈牙利算法进行在线数据关联,同时利用卡尔曼滤波剔除不准确的结果,对未关联的丢失目标做运动预测。利用所提算法和其他跟踪算法分别在MOT15、MOT16、MOT17数据集上进行多行人跟踪对比实验,结果表明,所提算法的多目标跟踪精度(multiple object tracking accuracy,MOTA)分别为63.5、72.4、70.9,正确识别的检测和计算的检测数的比值(identity F1-measure,IDF1)最优,且保证了实时跟踪速率,验证了所提跟踪算法的有效性。     

基于双目深度筛选的ORB-SLAM3算法

针对ORB-SLAM3算法中特征点存在易丢失、精度低,进而导致双目在复杂场景下运动轨迹误差大的问题,本文设计了一种改进的ORB-SLAM3算法。首先,在ORB特征匹配算法中引入自适应角点检测技术,增加特征点的采集数量,并采用光流法跟踪图像特征,提高关键帧的创建成功率;其次,以特征点为中心,作区域搜索,提高实时性;然后,采用双向左右一致性检验筛选最优视差,应用Prosac算法去除误匹配点对;最后,结合深度信息对关键帧进行筛选,提高关键帧的质量,优化相机位姿。采用KITTI和EuRoc数据集进行了试验,验证了改进算法在绝对轨迹误差上具有良好的优化效果。     

顾及道路约束条件的动态目标检测与跟踪方法

智能交通是智慧城市的重要组成部分,面对复杂多变的道路背景,如何能够快速检测、跟踪道路监控影像中的动态目标,是智能交通建设的关键技术难点。本文根据道路监控视频特点,提出了采用道路约束条件与颜色特征集相结合的动态目标跟踪方法,以道路约束条件确定运动目标搜索区域,利用HSV颜色特征集进行特征匹配,然后基于ⅡR滤波背景法对背景影像进行更新及动态目标的检测,并根据道路约束条件与颜色特征相结合跟踪方法实现对动态目标的跟踪及动作预测。试验结果表明该方法可准确对运动目标进行检测与跟踪,且对慢速运动目标也具有较好的响应能力,实现了对道路动态目标的实时检测与跟踪。     

基于点特征的单目视觉里程计实现

本文采用特征点检测实现移动机器人的单目视觉里程计,通过对图像进行网格划分保证特征点均匀分布,提高特征点匹配效率。并行计算基础矩阵及单应矩阵实现单目视觉里程计的自动初始化,采用RANSAC算法剔除外点提高特征点匹配质量。设定运动模型及参考帧模型加速帧间运动估计,并通过合理的关键帧选取策略及图优化提高相机位姿精度及鲁棒性。利用TUM数据集测试本文设计的单目视觉里程计,实验轨迹误差为3.58 m,通过Turtlebot2移动机器人对真实环境进行测试,实验表明本文方法的有效性。     

流形群运动目标自动识别与跟踪技术研究——以MCS自动追踪方法为例

从流形群运运目标的形状特征及其本质属性出发，提出了多种适合计算机自动识别与跟踪流形群运运目标的匹配模板的构建技术。充分顾及流形群运动目标的区域整体描述、几何形状特征、不变矩特性，以及流形群目标的本质属性(纹理特征)，通过最大欧几里得贴近度的择近原则，实现模板匹配，完成目标识别；通过交替更新匹配模板元素参量及交叉匹配算法，实现目标跟踪。应用这种算法，对1998年6月至8月的青藏高原上空中尺度对流系统(MCS)进行了识别与跟踪实验。实验结果表明，这种技术较适合计算机自动识别和跟踪类似MCS的流形群运动目标，与专家目测屏幕扫描跟踪法相比，准确率达90％。同Amaud等人提出的面积重叠跟踪法相比，其准确率提高了一个多数量级。     

结合图像增强和恢复的增强现实跟踪注册

增强现实中的跟踪注册技术一直是研究的重点和难点,而地下矿道和巷道内亮度低,产生的图像较昏暗,车载相机快速运动和抖动,对传统的基于特征匹配的跟踪注册提出了挑战。本文从提高增强现实中跟踪注册稳健性和精度出发,采用基于Retinex改进的方法增强昏暗图像的亮度,同时利用基于对抗神经网络的方法恢复运动模糊图像。首先提取图像ORB特征,实现初始化;然后根据跟踪特征点的数量,开启图像增强和图像恢复线程,提高特征点提取质量和数量。在数据集和真实模拟场景下的试验结果显示,跟踪精度提高了12%左右,在低亮度和含有轻微模糊的情况下,跟踪注册稳健性也有显著提高。     

自适应图像增强的差值哈希算法对运动目标的跟踪定位研究

对于运动目标的跟踪定位研究成为当前的研究热点,利用北斗卫星定位系统对微小运动目标进行跟踪定位尚存在一定难度.文中借助无人机的摄像机设备,采用跟踪算法进行对运动目标的跟踪,通过对无人机的定位获取到相应的坐标信息,实现目标定位的精准化。为了更好地实现对于目标跟踪的效果,文中采用自适应图像增强的方式提高图像质量,通过拉普拉斯变换的差值哈希算法能够提高对运动目标跟踪的效果,在跟踪速度上有了明显的提升.      

基于自适应马尔科夫随机场的深空探测影像密集匹配

针对深空探测影像纹理贫乏导致的匹配不确定性问题,在传统马尔科夫匹配模型的基础上提出自适应马尔科夫随机场模型,将模型抽象为数据项和空间项的组合,通过自适应视差范围确定、自适应窗口匹配和自适应权重系数的有效结合,实现了深空探测影像的密集匹配。该模型在匹配过程中有效降低了视差搜索范围,在实现全局匹配的同时保留了视差不连续的区域特征。采用勇气号火星车影像与嫦娥影像进行实验,结果证明该方法提高了深空探测影像中纹理贫乏区域匹配的精度。     

一种稳健性增强和精度提升的增量式运动恢复结构方法

增量式运动恢复结构(ISFM)实现了无序影像的三维重建,在精细化建模、现实场景三维记录以及互联网影像三维重建等领域发挥了重要的作用。但增量式运动恢复结构方法仍存在稳健性差和精度低等方面的问题,常导致三维重建结果难以令人满意甚至三维重建失败,严重限制了增量式运动恢复结构技术的发展应用。本文提出了一种增强稳健性、提升精度的运动恢复结构方法。本文方法有如下3点贡献:①针对立体影像特征匹配结果误差点多的问题,提出了一种顾及特征响应值的参数自适应RANSAC方法,在有效剔除误匹配的同时,最大限度地保留了正确的匹配点;     

基于多重单应性变换的改进ViBe算法

针对目前运动目标检测领域内较流行的ViBe算法不适用于动态相机的问题,根据平面间变换为单应性变换的事实,提出了一种基于多重单应性变换的改进ViBe算法。利用ORB(oriented fast and rotated brief)特征点匹配与随机抽样一致（random sample consensus,RANSAC）算法,计算得到相邻帧的不同平面的变换关系;采用全局光流补偿算法消除运动目标上的特征匹配点对,避免多重单应性变换中包含运动平面的变换;根据多重单应性变换改进ViBe算法的前景判定与背景模型更新,使改进算法适用于运动相机采集的数据。在公开视频数据集CDnet 2014与Complex Background Dataset上进行了相关实验,实验结果证明,改进算法能在尽量保留真实运动目标区域的同时,大幅度消除相机运动带来的影响,且在精度、特异性以及虚警率上表现出色,实时处理效率能达到20帧/s。     

基于特征注意力金字塔的遥感图像目标检测方法

遥感图像场景复杂、目标大小不一、分布不均衡等特点增加了目标检测的难度，而适于检测不同尺度目标的特征金字塔融合不同深度的特征图时，没有考虑特征图各自的重要性，没有强调目标区域的特征，为此本文提出基于特征注意力金字塔的遥感图像目标检测方法 FAPNet(Feature Attention Pyramid Network)。首先，使用通道拼接方式融合不同深度的特征图，给用于检测的特征图提供不同大小感受野的特征，并基于通道注意力对融合的特征图在通道维度重标定，根据特征图所负责检测目标的尺度自适应地调整不同大小感受野特征的权重，强化感受野大小与待检测目标尺度匹配度较高的特征，弱化匹配度较低的特征。其次，使用叠加的扩张空间金字塔池化结构，结合弱监督分割网络建模位置注意力，强化目标区域特征，弱化背景区域特征，进一步提升目标检测方法的性能。实验结果表明，相较于RetinaNet，针对汽车目标，所提方法在UCAS-AOD数据集和RSOD数据集上检测精度AP分别提升了3.41%和2.26%，针对多类目标所提方法在各目标上取得了较优的AP结果，且mAP结果优于其他比较方法。     

基于MPC的半潜式无人艇导航轨迹跟踪控制研究

针对新型半潜式无人艇在导航航行过程中轨迹跟踪误差较大的问题,提出基于模型预测控制（MPC）的轨迹跟踪控制方法．并建立新型半潜式无人艇的运动模型,基于实际参数,构建MPC目标函数和系统约束条件,将半潜式无人艇轨迹跟踪问题转化为最优值问题;利用仿真软件,对控制算法进行了仿真分析. 利用卫星定位设备进行了导航轨迹跟踪试验．仿真与试验结果表明:基于MPC的轨迹跟踪控制方法提高了半潜式无人艇的导航轨迹跟踪精度,跟踪精度比原有PID控制方法提高了50％左右.      

顾及数字地图中车道走向的车辆跟踪增强算法

车辆跟踪技术旨在从连续场景中估计目标车辆的状态,对智能车辆的环境感知、场景理解和目标行为预测起着至关重要的作用.基于激光雷达的感知系统能够提供准确的车辆检测结果,但依据检测结果进行车辆跟踪时,存在车辆朝向估计失准导致跟踪误差大、轨迹预测稳定性差的难题,尤其在目标距离较远、点云较为稀疏的情况下.考虑到大多数时刻车辆行驶方向与车道线方向基本一致,本文提出一种基于数字地图中车道朝向先验信息的车辆跟踪增强方法,将局部车道线的识别结果与OpenStreetMap地图中的车道线信息进行融合,建立道路模型并获取道路朝向的先验约束;在基于扩展卡尔曼滤波的车辆跟踪框架下,利用该约束优化车辆的朝向估计,进而提升车辆跟踪的精度与轨迹预测稳定性.在KITTI数据集上的定性与定量试验证明,本文所提出的方法在多目标跟踪指标上提升至少0.33％,平均位移误差降低了0.014 m以上,同时,对于60 m外车辆目标的跟踪误差降低了0.08 m以上.     

桥梁自然特征点的快速精确跟踪算法

特征点跟踪作为无人机对桥梁挠度进行视觉测量的关键技术，跟踪算法的速度和精度直接影响测量的实时性和有效性。本文首先通过加速稳健特征（SURF）匹配得到图像序列特征点的初步定位结果，然后使用相位相关法对特征点进行精确配准，并提出了一种基于无人机运动连续性的加速策略，用于桥梁自然特征点跟踪。利用无人机采集的4 K桥梁视频数据对本文算法进行测试，结果表明，本文算法对于桥梁自然特征点能够实现稳定跟踪，跟踪速度为25 FPS，跟踪精度达到亚像素级别，满足测量要求，能够为视觉测量提供技术支撑。     

无监督密集匹配特征提取网络性能分析

随着人工智能的发展,基于深度学习的有监督密集匹配方法在虚拟、室内及驾驶等近景数据集上取得了不错的表现。针对航空影像密集匹配标签数据获取困难的问题,本文在无监督密集匹配框架下,借鉴多个有监督网络结构,分别在航空影像数据集和作为参照的近景数据集上测试了匹配精度,实现了网络结构模块与精度关系的定性分析,为进一步探索深度学习在测绘领域的实用化提供了重要的参考。试验在相同损失函数条件下,分别采用DispNetS、DispNetC、iResNet、GCNet、PSMNetB及PSMNetS网络结构进行测试。经分析,得出如下结论：①测试的网络结构中,PSMNetS在航空影像数据集和近景数据集上表现稳定,且精度最高,训练整体耗时少,具有实用化的潜力;②在监督方法中效果更好的网络结构在无监督方法中效果不一定更好,其精度不仅取决于网络自身的匹配能力,同时也依赖于网络与损失函数的兼容性;③孪生网络模块、相关信息融合模块、金字塔池化模块和堆叠沙漏模块与无监督损失函数兼容性良好,可提升网络精度,而iResNet的图像重构迭代精化模块与重构损失函数重复约束,会产生“负优化”的作用。     

单目运动目标的位姿实时测量方法

针对如何快速实时地获取运动目标位姿参数的问题,该文提出了一种单目运动目标位姿实时测量的方法,设计了标志点像物方匹配检测状态机和快速跟踪匹配状态机。匹配检测状态机在无标志点差异的条件下,采用反投影法得到最佳物像匹配对应关系,为快速高效跟踪匹配提供位姿初始解;提出了一种基于精度评定的状态切换机制,既发挥了跟踪匹配的高效性,又避免跟踪失败造成的位姿测量永久失败。实验结果表明,反投影法能够有效地筛选出最佳的像物方匹配对应关系,快速跟踪匹配状态机能够通过跟踪标志点高效地计算匹配关系和位姿参数,状态切换机制及时地判断跟踪错误,并迅速切换至匹配检测状态,实时测量全过程能高稳健运行。     

一种基于序列立体观测的非合作目标位姿监测方法

非合作目标的位姿监测,是空间目标态势感知的重要内容之一。本文提出了一种基于立体观测的非合作目标位姿变化监测方法,采用单目观测序列提取Harris角点,运用金字塔稀疏光流法对其进行运动跟踪,利用影像匹配和前方交会获取运动点三维坐标,最后将运动点坐标带入运动方程解算目标位姿变化。半实物仿真试验结果表明:相机距目标距离约为2.5 m时,位置变化检测精度优于2.5 mm,姿态变化检测精度优于0.5°。相比于基于先验信息和特征提取的传统方法,该方法基本满足对非合作目标监测、跟踪、绕飞时位姿测量需求,且在适应性和精度上均有提高。     

流形群运动目标自动识别与跟踪模型结构及参数的最优配置

探讨了用流形群运动目标的形状、纹理特征，以及它们的空间面积的重叠度来构建多种适合流形群运动目标自动识别与跟踪的匹配模板的方法。通过最大欧几里得贴近度的择近原则，实现模板匹配，完成目标识别；通过对匹配模板的交替更新和交叉匹配算法，实现目标跟踪。为了提高识别与跟踪的准确度和效率，对识别与跟踪模型结构及参数进行了优化组合，建立了一种适合计算机自动识别和跟踪类似中尺度对流系统(MCSs)的流形群运动目标的优化模型，即多级串行和多级并行模板匹配的识别与跟踪模型，并提出了基于此模型的快速识别与跟踪算法及技巧。用优化了的多级串行识别与跟踪模型及快速跟踪算法，对1998、1999、2000、2002年6～8月的青藏高原上空MCSs进行了识别与跟踪试验。试验结果表明，其准确率高达90％。     

一种基于用户异步轨迹的身份识别智能方法

针对传统的轨迹身份识别存在的特征选择主观性强、精度有限等问题,本文提出了一种融合双向循环神经网络模型(ConvGRU-Bidir)。首先采用一维卷积和一维池化压缩轨迹数据,提取高维特征;然后采用双向GRU,分别从时间正序和时间逆序学习轨迹特征,最终实现用户身份ID识别。研究采用GeoLife轨迹数据集,来自122名用户的10837个轨迹样本参与模型训练及测试。结果表明,本文提出的模型对于异步轨迹数据的身份识别精度达97.28%,相比现有方法精度至少提高30%,由此证明了深度学习在此类问题上的可行性和有效性。     

面向城区宽基线立体像对视角变化的结构自适应特征点匹配

提出一种基于结构自适应特征的城区宽基线影像特征点匹配方法。首先,对影像提取点特征和直线特征,挖掘点特征与其邻域内直线特征之间的几何关系,构建结构自适应的特征区域和特征描述符,并通过双向匹配策略获得初始匹配结果。然后,基于初匹配结果估计影像基础矩阵,构建核线约束的结构自适应特征匹配算法进行二次匹配。最后,将已匹配特征作为控制基础设计匹配扩展算法,进一步增加匹配点数量。本文方法以特征点邻域几何结构为出发点,构建自适应的特征区域,能够在显著的影像视角变化下,为同名特征点提取影像内容一致的特征区域,进而获得相似的特征描述符。试验结果证明,与传统算法相比,本文方法在城区宽基线影像上能够同时获得更多的正确匹配特征和更高的匹配正确率。