摘要：[目的]针对无人艇平台航海雷达在舰船目标跟踪中因障碍物遮挡而造成的目标航迹断裂问题,需综合利用环境先验信息,以提高雷达探测受限时目标跟踪航迹的连续性。[方法]通过提出遮挡环境下的综合概率数据互联(IPDA)算法,即O-IPDA,对环境遮挡情况进行实时预判;在遮挡环境中通过采用低检测概率和针对性设计的存在状态概率转移矩阵,以维持目标跟踪的连续性。[结果]在单目标跟踪场景中,当目标被暂时遮挡时,O-IPDA可以避免目标因持续性漏检而丢失,以保持跟踪航迹的稳定性,其中算法的抗遮挡能力取决于O-IPDA存在状态概率转移矩阵中的相关参数设置。[结论]O-IPDA目标跟踪方法具有一定的抗遮挡能力,可为航海雷达单目标跟踪研究提供参考。

摘要：为了更好地应对多目标跟踪联合检测算法面对的场景遮挡问题,通过结合注意力机制,提出基于Transformer的运动预测和数据关联(Transformer-based motion prediction and data association,TrMPDA)联合检测跟踪方法。首先,考虑到置信度检测框的质量以及深度特征的视觉表示能力对遮挡场景下跟踪效果的影响,重新设计TrMPDA骨干网络中的ResNet卷积模块,利用相邻像素和长距离像素间丰富的上下文关系指导动态注意矩阵的学习,增强深度特征的视觉表示能力,并通过边界框的宽和高估计边界框位置,提高置信度检测框的质量。其次,在本文方法中保留所有的检测框,根据阈值大小划分高置信度检测框和低置信度检测框,分别执行数据关联匹配,以此来平衡由于遮挡导致的检测框低置信度。实验结果表明本文提出的TrMPDA方法与典型的Sort、JDE、Fairmot等多目标跟踪算法相比具有更好的跟踪效果,能够应对多目标跟踪中目标遮挡的问题。

摘要：为了跟踪遮挡目标,本文通过赋予外界遮挡和目标自身外观变化不同的风险度,利用风险决策的方法判断遮挡,设计了新的目标模板和模板更新规则,使目标模板既能随外观的缓慢变化自动更新,又能在全遮挡出现时维持模板不变.当这个新的目标模板和模板更新规则结合粒子滤波器的跟踪算法时,可实现遮挡目标的跟踪.实际视频流的测试结果表明,本文提出的方法可以有效判断遮挡,实现了长时间全遮挡情况下的目标跟踪.

摘要：针对旋翼飞行器在跟踪过程中目标尺度变化、快速运动、视角变化等问题,本文提出了一种基于MobileNetV2的孪生网络目标跟踪算法,可在无人机机载处理器上实时运行。该算法主要包含目标得分估计模块与目标尺度估计模块两个部分。结合多特征融合的策略,可准确预测出目标位置与目标框IoU,同时以目标框IoU为指导,利用梯度上升法对目标框进行迭代修正,进一步提升预测精度。针对完全遮挡而导致的目标跟丢问题,本文设计了一个基于视觉显著性的目标再检测算法,该算法可实时高效地预测出图像的显著性区域,以指导对目标的再检测,进而恢复跟踪。最后,通过标准无人机跟踪数据集测试与实际无人机跟踪实验,验证了算法的可行性。

摘要：为克服光照变化和目标遮挡对运动目标跟踪的影响,提出了一种基于改进的局部敏感直方图的多区域目标跟踪算法。改进了局部敏感直方图并设计了快速算法;将改进的局部敏感直方图作为多区域跟踪算法中的目标建模方式,提高目标建模的准确性且降低提取目标特征的计算复杂度;针对多区域跟踪算法中融合各个区域块的特征相似值的需要,采用基于统计排序和最小二乘估计的参数估计方法计算整个目标块与模板的相似度。实验结果表明该算法能有效应对目标跟踪过程中光照变化、目标形变与遮挡的干扰,实现实时鲁棒的目标跟踪。

摘要：针对视频中出现的运动目标遮挡等问题,提出一种基于部件时空信息的目标跟踪算法,将目标跟踪分为平移估计和尺度估计。平移估计时,将目标及其部件作为跟踪对象,自适应选择能够表示跟踪对象的特征,对跟踪对象及其周围区域特征的统计相关性进行建模,通过学习得到时空信息,利用时空信息跟踪目标及其部件;通过对目标的方向、速度、颜色信息进行滑动窗口式建模,评判目标及其部件跟踪器的性能,选择最可靠的跟踪对象,根据它的位置和目标结构模型得到最终的目标中心位置。尺度估计时,在目标中心位置处构建一个多尺度目标金字塔,估计目标最佳尺度。实验结果表明,该算法能够快速准确跟踪目标,较有效地解决遮挡等问题。

摘要：针对视频目标的跟踪过程中目标之间遮挡和人体自遮挡的难题,提出一种基于运动轨迹的视频目标跟踪算法。介绍跟踪算法中常用的基于特征概率密度统计的Mean-shift跟踪算法原理,阐述所提算法。与Mean-shift算法做实验对比,对比结果表明,对于无遮挡和有遮挡情况下的目标跟踪,该算法在准确率方面比Mean-shift跟踪算法更高,具有更强的实用性。

摘要：针对传统Camshift算法难以在运动目标受遮挡的情况下有效跟踪的问题,提出一种基于改进Kalman滤波与Camshift相结合的目标跟踪算法,通过对Kalman滤波器的状态变量Xk增加高维特征宽高比a与高度h参数,并将P0、Q、R与窗口高度h相关联,同时在受遮挡时自适应改变Xk参数,使Kalman滤波器能够代替Camshift算法输出足够大的跟踪框标注受遮挡目标位置。实验表明,改进算法在有效帧率方面提高了42.6%,且平均BH距离降低了0.27,显著提高了跟踪的准确性和鲁棒性。

摘要：为了解决目前多目标跟踪算法在行人遮挡后无法再次准确跟踪的问题,提出了一种融入注意力机制和改进卡尔曼滤波的多目标跟踪算法,选用联合检测和重识别框架提取特征,同时完成目标检测和重识别任务.设计了并行支路注意力机制,包括空间注意力和通道注意力两个部分,每个部分都采用并行支路的方式完成池化和卷积操作.在跟踪阶段,本文提出了速度先验卡尔曼滤波,实现对行人运动状态更精确的预测.采用CUHK-SYSU数据集对算法进行训练,并在MOT16数据集上做算法的验证和测试.本算法的多目标跟踪准确度(MOTA)达到了65.1%,多目标跟踪精确度(MOTP)达到了78.8%,识别F1值(IDF1)达到62.3%.实验表明,提出的跟踪算法可以有效地提高跟踪的整体性能,实现对目标的持续跟踪.

摘要：传统的目标跟踪算法很难实现行人多目标的在线跟踪,并且在于目标遮挡方面有很大问题,针对该问题,本文提出一种在线实时多目标跟踪算法,即使用Faster R-CNN系列检测器得到检测结果。根据卡尔曼滤波通过检测框进行预测、更新得到预测框。将得到的预测框与检测框通过IOU(交并比)算法,进行目标消失与新目标出现的确定,再使用匈牙利算法进行数据关联。本文所提出的算法可以很大程度的提高多目标追踪与遮挡问题的实时性、准确性。在大部分应用计算机视觉领域以及图像处理的场景中,运动目标跟踪MOT(Moving Object Tracking)都是其不可或缺的一部分。目前单目标跟踪技术已然趋于成熟,而多目标跟踪还有很大的发展空间,且目前仍处在不断发展的阶段。多目标跟踪还需要解决以下几个问题:多个目标之间的重叠与遮挡;目标的运动检测与相似度判别;目标的自动初始化与自动终止;目标跟丢后的再识别等问题。