摘要：分别运用SST、SST-SAS湍流模型对Re=3 900的圆柱绕流进行了数值研究,重点从湍流结构捕捉、气动力计算等方面比较了雷诺平均RANS方法与RANS/LES混合方法的计算能力。数值结果表明:SST模型可以捕捉到流场主要特征,求解效率较高;SAS方法可以捕捉到流场小涡结构,并能较好地反映出尾迹非定常特性,但SAS求解占用更多的资源;使用SAS方法可释放更多的流场信息,求解的阻力系数、分离角等关键气动特征参数与试验值更接近;一般工程计算中推荐使用SST模型,高精度计算可使用SAS方法。

摘要：目的尺度突变是目标跟踪中一项极具挑战性的任务,短时间内目标的尺度发生突变会导致跟踪要素丢失,使得跟踪误差积累导致跟踪漂移,为了更好地解决这一问题,提出了一种先检测后跟踪的自适应尺度突变的跟踪算法(kernelized correlation filter_you only look once,KCF_YOLO)。方法在跟踪的训练阶段使用相关滤波跟踪器实现快速跟踪,在检测阶段使用YOLO (you only look once) V3神经网络,并设计了自适应的模板更新策略,采用将检测到的物体的相似度与目标模板的颜色特征和图像指纹特征融合后的相似度进行对比的方法,判断目标是否发生遮挡,据此决定是否在当前帧更新目标模板。结果为证明本文方法的有效性在OTB(object tracking benchmark)2015数据集中具有尺度突变代表性的11个视频序列上进行试验,试验视频序列目标尺度变化为0.1~9.2倍,结果表明本文方法平均跟踪精度为0.955,平均跟踪速度为36帧/s,与经典尺度自适应跟踪算法比较,精度平均提高31.74%。结论本文使用相关滤波和神经网络在目标跟踪过程中先检测后跟踪的思想,提高了算法对目标跟踪过程中尺度突变情况的适应能力,实验结果验证了加入检测策略对后续目标尺度发生突变导致跟踪漂移的情况起到了很好的纠正作用,以及自适应模板更新策略的有效性。

摘要：针对传统核相关滤波(Kernelized Correlation Filters,KCF)跟踪算法中利用单一特征描述目标的不完善性和目标尺度不变的局限性,论文提出了一种融合快速梯度直方图特征(Fast Histogram of Oriented Gradient,FHOG)和颜色属性特征(Color Name,CN)的尺度自适应核相关滤波算法。利用主成分分析法(Principal component analysis,PCA)获得鉴别力强的颜色属性特征减少计算量,达到颜色自适应的目的,并设计尺度自适应滤波器动态调整目标尺度。尺度滤波器与平移滤波器分别单独训练、局部优化,在保证跟踪实时性的基础上提高了算法的鲁棒性。和原KCF以及其改进算法相比,该方法在外观变形、尺度变化、光照变化、背景相似干扰等情况下有很好的适应性。

摘要：针对无人机(UAV)目标跟踪过程中遇到目标被障碍物遮挡时跟踪效果不佳的问题,提出一种多重检测的抗遮挡目标跟踪算法。在基于时空正则化相关滤波算法的框架下通过融合多种置信度函数,设计了一种响应置信度判别方法;为了具体了解目标被遮挡情况,将响应差值变化和响应梯度变化结合在一起作为判断是否更新滤波模板参数的依据;设计了一种融合分块思想与金字塔尺度池的尺度估计方法来解决目标在图像中尺度大小变化问题。所提算法在UAV数据集上相较于其他7种算法有不错的表现,在跟踪过程中面对目标遮挡、尺度变化和快速移动问题的跟踪精度和成功率上都有明显的提升。结果表明:所提算法能够更好地应对UAV在目标跟踪过程中出现的目标遮挡和尺度变化的问题,具有良好的快速性、准确性和鲁棒性。

摘要：在动态场景中,AGV借助相关滤波原理进行跟踪是一种非常重要的目标跟踪方法,跟踪方法必须具有良好的准确性和实时性。首先介绍对两种主流的相关滤波跟踪算法KCF和SA进行阐述,将SA算法的尺度策略加以改进并融入KCF算法中,结合颜色特征,提出一种改进尺度自适应的Sa-KCF算法。通过设计实验,在OTB-2013数据集中选取动态场景序列,对比测试三种算法的跟踪准确性和实时性。实验表明,改进的Sa-KCF算法在综合准确性和运行效率方面占有优势,能够较好地满足AGV在视觉跟踪中鲁棒性和实时性的要求。

摘要：针对颜色名跟踪器在跟踪过程中运动目标在遮挡、尺寸变化等干扰下不能有效跟踪的问题,提出一个在颜色名(color name,CN)跟踪器框架下融入LBP纹理特征的快速尺度估计算法。运用自适应融合CN颜色特征和LBP纹理特征,利用特征融合后的最高输出响应作为预测目标位置信息;利用尺度滤波器对预测到的目标信息做出尺度估计;结合响应图的峰值旁瓣比,对目标模型做出更新调整。将改进算法在OTB-2013视频集中和近年来流行的跟踪算法做对比实验,实验结果表明,改进算法在尺度适应性和遮挡方面优于大部分算法。

摘要：针对复杂交通场景下行人检测算法对小尺度行人检测效果不佳的问题,提出了一种基于特征融合的尺度感知行人检测算法。采用RetinaNet作为基础网络,改进主干网络结构以及特征融合方式,使其更适合小尺度行人;同时利用环境信息为小尺度行人设计专门的检测模块。此外,改进传统的回归损失函数使其能够根据行人尺度大小自适应的调整权值,从而更加关注小尺度行人的损失。在Caltech Pedestrian和CityPerson数据集上的消融实验证明了该算法相对于基准方法的效果与优势;在Caltech数据集上的对比实验结果表明,与RetinaNet等8种行人检测算法相比,该算法对不同尺度行人均具有较好的检测精度。尤其是针对小尺度行人,算法优势巨大,其平均对数漏检率仅为76.01%,优于其他算法14%以上。

摘要：背景感知相关滤波(Background-aware correlation filters,BACF)算法有效地解决了相关滤波类跟踪算法中的边界效应问题,提升了训练样本集的质量和数量,能够精确估计目标的位置变化,从而提高了跟踪器的性能。然而为了检测尺度变化,BACF算法通过多次重复计算不同尺度的目标区域,严重影响了跟踪速度。本文在BACF算法的基础上,采用平移加尺度滤波的思想,设计独立的一维尺度滤波器,与BACF算法无缝结合。只需预测一次目标的位置变化,再利用尺度滤波器预测目标尺度变化。因为两个滤波器单独训练、局部优化,尺度滤波器计算量远小于BACF算法,所以本文算法在保证精准预测目标尺度变化的同时极大提升目标的跟踪速度。实验结果表明:与BACF算法相比,本文算法在不损失跟踪精度的基础上提高约75%的跟踪速度。

摘要：针对核相关滤波目标跟踪算法(KCF)在目标尺度变化、受到严重遮挡以及出视野等情况下跟踪失败的问题,从两个方面基于核相关滤波跟踪算法进行抗干扰设计。针对KCF在目标严重遮挡时其模板更新方法易造成模板污染的问题,提出增量式模板更新策略,以增强算法的鲁棒性;针对KCF缺乏处理目标尺度变化的能力,进行尺度自适应估计,以适应目标形态的变化。最后通过实验验证分析两种抗干扰设计的有效性。

摘要：针对机场环境,提出一种特定目标跟踪算法。研究核相关滤波算法,在外观特征提取方面融合多种特征,克服背景与目标相似度较高以及光照变化的影响;同时引入一种尺度自适应方法,以更好地适应目标尺度变化;还设计一种模型实时更新策略,以避免分类器学习到错误的目标信息。实验结果表明,所提出的算法在机场环境下跟踪精度较高、鲁棒性也更强。