摘要：针对联合检测与跟踪范式中存在的检测特征和Re-ID特征相互竞争的问题以及在复杂场景下难以保持被遮挡目标视觉一致性关系的问题,提出一个端到端的超图神经网络关联的多目标跟踪方法 (HGTracker).首先,HGTracker设计一个增强的空间金字塔池化网络(ESPPNet)模块用来提高目标检测骨干网络的检测能力,该模块通过聚合不同维度的特征来适应跟踪过程的不同任务,有效地缓解一阶段跟踪方法中检测任务与Re-ID任务相互竞争的问题.其次,提出一个基于长短期超图神经网络的数据关联模块,通过设计长期超图神经网络和短期超图神经网络来分别关联未被遮挡和被遮挡的检测视觉特征,将数据关联问题转化为轨迹超图与检测超图之间的超图匹配问题,跟踪器将轨迹片段信息与当前检测帧信息之间的关系建模为超图神经网络,在严重遮挡的情况下保持了视觉轨迹的一致性.通过一系列的对比实验,所提出的HGTracker跟踪方法相比于FairMOT跟踪方法,在MOT17数据集上HOTA值由59.3%提高至61.4%, IDF1值由73.7%提高至79.3%, MOTA值由72.3%提高至76.9%;在MOT20数据集上, HOTA值由54.6%提高至57.9%, IDF1值由61.8%提高至73.1%, MOTA值由67.3%提高至75.1%.

摘要：高分辨率视频卫星的出现为遥感视频目标的检测和跟踪提供了重要数据源,在灾害检测、军事侦察等领域都有重要作用。针对遥感视频复杂地物背景下目标尺寸弱小、目标特征相似、云雾遮挡和背景噪声干扰导致目标误检、误跟、漏跟问题,提出基于特征增强的光学遥感视频多目标跟踪算法FE-MOT,设计了基于边缘特征增强的特征提取网络,在微小目标缺乏纹理特征的情况下更好地融合语义与空间特征,通过构建基于交叉熵损失和中心损失的Re-ID分支结构,提高了对具有相似特征的微小目标的可分性。在吉林一号遥感视频多目标跟踪数据集AIR-MOT上的实验结果表明,FE-MOT在原模型的基础上MOTA提高了14.28个百分点,IDF1提高了15.47个百分点,FN降低了24个百分点,对于遥感视频多目标跟踪中目标身份维持能力和跟踪稳定性有显著提升,在2个Tesla T4 GPU上的运行速度达到19.9FPS,满足实时运行的需要。

摘要：多目标跟踪MOT(multi-object tracking)旨在对视频序列中的多个目标进行识别与跟踪,并保持各目标的ID(identity),对运动不规律的多目标进行跟踪是该领域的难点,跟踪准确度难以保证且易出现目标ID频繁切换的问题。为提高跟踪准确度,提出自适应卡尔曼滤波AKF(adaptive Kalman filter),充分利用目标检测器提供的信息对运动模型加以修正,提高对运动不规律目标跟踪准确度;为解决目标ID频繁切换的问题,设计一种BIoUG贪婪算法,通过放大匹配框并采取择优匹配的方式,提高匹配机会并降低误匹配概率。在此基础上,提出一种针对运动不规律目标的多目标跟踪方法。实验结果表明,所提方法在DanceTrack数据集上的MOTA、HOTA、IDF1分别达到了92.2%、57.7%和58.7%;在MOT17数据集上,MOTA、HOTA、IDF1分别达到了80.3%、63.3%和77.3%。与目前主流的同类目标跟踪方法相比,所提方法对运动不规律和规律的目标均有较好的跟踪效果,体现出较好的综合性能,为运动不规律多目标的跟踪提供了新的解决思路。

摘要：【目标】为实时监测隧道内交通流量,实现公路隧道通风、照明系统的运营能耗降低以及按需智能化控制,提出了一种基于FairMOT架构并以深层聚合算子为检测器的多目标跟踪交通流量检测方法。【方法】该方法以FairMOT网络架构为基础,采用高性能特征提取网络HardNet作为模型骨干,以获取更为丰富的车辆特征信息;利用深层聚合算子变体作为编码器-解码器结构实现语义特征与空间特征的有效融合,增强了算法对于运动中车辆形状尺寸变化的检测效果;设计融于检测器中的虚拟双绊线计数规则,提高了目标的匹配准确率;引入融合匈牙利匹配与基于核相关滤波的增量目标跟踪算法进一步优化了模型目标跟踪性能。以西安市两个隧道采集的视频数据为基础,运用图像处理方法将初始数据集进行扩充,构建了具有不同交通场景的隧道交通流数据集。基于该数据集对检测算法进行验证和对比试验。【结果】所提算法的多目标跟踪准确度为83.3%,平均数比率为81.9%,均高于对比算法,并且算法的车辆检出率为97.8%,准确率为98.8%,检测速度达到了20帧/s。【结论】所提方法满足公路隧道照明和通风系统按需优化控制的交通流检测准确性和实时性需求。

摘要：多目标跟踪算法中的FairMOT提出了平衡检测和重识别分支的均衡学习策略,有效的平衡了目标检测和重识别两大任务,是目前单阶跟踪段范式算法中最优的算法,但由于DLA34骨干网络的特征提取能力有限,面对实际应用场景中复杂的跟踪场景时,往往会因为出现漏检和误跟等现象导致模型的跟踪效果下降。为了有效的提升模型骨干网络的特征提取能力,本文针对此问题设计了基于元素相乘结构的深度聚合骨干网络,提出了FairMOT-Star算法。该算法利用了元素相乘结构带来的隐藏维度提升原理,实现了简洁高效的目标特征提取。同时使用EIoU_Loss作为检测框回归任务的回归损失函数,更加精准的描述了检测框和真实框之间的位置和形状关系,提升了检测框的预测精度。匹配关联部分使用卡尔曼滤波算法预测目标的运动信息,匈牙利算法完成时序维度上前后帧目标和轨迹的关联匹配。在MOT16数据集上进行了实验测试,MOTA精度达到了86.0%,模型的权重参数量为19.59 M,相比于FairMOT模型参数量减少9.7%的同时,MOTA精度提升了3.5%,较好的优化了FairMOT算法的计算参数量和跟踪精度。

摘要：作为智能视觉任务的基础工作,多目标跟踪(MOT)一直是计算机视觉领域具有挑战性的课题之一。遮挡是影响跟踪准确性的主要因素,为此该文采用基于检测跟踪的思想,以轨迹片段为基础进行关联获取目标的完整轨迹;同时,为提高跟踪鲁棒性,该文将轨迹片段的生成问题转化为运筹学中的设施选址问题,并进而提出基于次模优化的轨迹片段生成方法。该方法融合梯度(HOG)和颜色(CN)两个互补特征进行目标表征,并根据运动信息设计权重系数提高目标匹配准确度,最后提出具有约束的次模最大化算法实现全局范围内的数据关联生成轨迹片段。通过在多个基准数据集上的对比实验,表明该文算法在保证性能的同时能有效处理遮挡问题。

摘要：针对现有分布式MIMO雷达资源联合分配多集中于发射端阵元与功率的分配,未同时考虑接收阵元的优化,且缺乏对任意雷达布阵形势下系统跟踪能力和资源需求量估算等问题,提出多目标跟踪下的分布式MIMO雷达资源联合优化算法。首先,计算多目标位置误差的最大值,以最小化该最大值为目标函数;其次,在发射和接收阵元总数量有限、发射总功率给定的条件下,建立收发阵元选取与功率分配联合的资源优化模型;然后,结合启发式搜索算法和连续参数凸近似算法,采用循环最小化的方式对该问题进行求解;最后,在给定大小的实验环境中,对目标运动轨迹确定和随机两种场景进行实验。实验结果表明,系统发射总功率一定时,选取的发射阵元个数要明显少于接收阵元个数。相比于现有MIMO雷达资源分配研究,所提算法能够估算出在任意雷达布阵形势下系统的最低目标跟踪精度、个数和相应的最少资源需求量,对雷达系统的结构设计和资源储备具有一定的参考价值。

摘要：分布式传感器网络技术在复杂的多目标跟踪系统中发挥了极其重要的作用.本文针对多传感器多目标跟踪中的分布式传感器控制问题,提出了基于信息论的多传感器控制策略.首先,本文利用随机有限集(RFS)建模,给出了多传感器多伯努利滤波器,并通过一组参数化的多伯努利过程来近似多传感器多伯努利密度.进一步的,通过多伯努利滤波器的序贯蒙特卡罗实现,设计采样方案对多伯努利密度进行粒子采样,用一组带有权值的粒子集近似多目标状态空间分布.随后,借助巴氏距离(Bhattacharyya distance)作为传感器控制的评价函数用于多个传感器的独立并行控制方案的决策制定.作为另外一个重要内容,本文提出了一种基于多目标战术重要性评估的多传感器控制策略.该控制方案旨在评估多目标战术重要性的基础上对威胁度最大的目标进行优先跟踪.最后,仿真实验验证了所提算法的有效性.

摘要：对多目标跟踪问题中的关联区域进行了空间描述 ,得到了直角坐标系下量测误差的分布公式 ,提出了基于误差分布的变步长处理方式。根据误差的统计模型 ,通过 Kalman滤波确定出关联区域的中心位置 。

摘要：近年来,深度学习在计算机视觉领域的应用取得了突破性进展,但基于深度学习的视频多目标跟踪(Multiple object tracking, MOT)研究却相对甚少,而鲁棒的关联模型设计是基于检测的多目标跟踪方法的核心.本文提出一种基于深度神经网络和度量学习的关联模型:采用行人再识别(Person re-identification, Re-ID)领域中广泛使用的度量学习技术和卷积神经网络(Convolutional neural networks, CNNs)设计目标外观模型,即利用三元组损失函数设计一个三通道卷积神经网络,提取更具判别性的外观特征构建目标外观相似度;再结合运动模型计算轨迹片间的关联概率.在关联策略上,采用匈牙利算法,首先以逐帧关联方式得到短小可靠的轨迹片集合,再通过自适应时间滑动窗机制多级关联,输出各目标最终轨迹.在2DMOT2015、MOT16公开数据集上的实验结果证明了所提方法的有效性,与当前一些主流算法相比较,本文方法取得了相当或者领先的跟踪效果.