摘要：针对海面光照变化、水花遮挡、水面倒影等耦合作用引起的无人船视觉目标跟踪漂移问题,提出一种基于多特征融合的尺度自适应相关滤波跟踪算法。通过多特征融合,增强了水面目标特征表达,避免了目标跟踪漂移。为减少环境干扰对跟踪目标外观描述的影响,设计尺度自适应跟踪滤波器,提升目标跟踪鲁棒性能。采用本文算法对多个代表性海上视频数据集进行验证,并与典型目标跟踪算法进行比较。结果表明,相较基于单一CN特征的跟踪算法,本文算法的平均重叠率提升23.63%、平均中心误差减少53.79个像素点。本文算法适用于处理由于海面环境剧烈变化、目标尺度变化导致的跟踪漂移问题,可为无人船作业自主性提供重要智能感知技术支持。

摘要：[目的]针对显著海浪遮挡、相机剧烈晃动引起的无人艇视觉目标跟踪脱靶问题,提出一种基于多特征融合的长时相关鲁棒跟踪算法。[方法]首先,采用多特征融合技术,增强目标特征表达,提高目标模型鲁棒性;其次,利用高维特征降维和响应图子网格插值,提高目标跟踪的效率与精度;然后,设计水面目标重识别机制,解决目标完全脱离视野时的稳定跟踪问题;最后,采用多个代表性视频数据集进行验证和比较分析。[结果]实验结果表明,相较于传统的长时相关跟踪算法,平均成功率提升15.7%,平均距离精度指标提升30.3%,F-Score指标提升7.0%。[结论]所提算法能够处理恶劣海况下的目标脱靶问题,对于提升无人船艇及海洋机器人智能感知能力,具有重要技术支撑意义。

摘要：视觉目标跟踪系统在军事和民用领域都有重大的应用需求,如武器制导、视觉导航、安防监控等。视觉目标跟踪系统的目的是在视频序列的每一帧中准确地定位目标位置,还原目标完整的运动路径,为高层应用提供决策依据。根据任务需求不同,目标跟踪系统可以分为单目标跟踪和多目标跟踪。在算法层面分别介绍了视觉单目标跟踪和多目标跟踪的发展现状,并对相关算法的优点和不足做了简要分析。结合当前研究现状,简要地梳理了目标跟踪算法的发展趋势。研究表明,视觉目标跟踪是一个非常开放的研究领域,相关的理论和方法层出不穷,不同算法的侧重点也不尽相同,研究经典的目标跟踪算法有助于把握视觉目标跟踪中潜在的问题,为设计目标跟踪系统提供依据。

摘要：随着摄像终端的增多以及自动视频分析需求量的增大,针对视频序列中存在突然运动、遮挡、运动模糊等干扰因素时传统视觉目标跟踪方法很难获得鲁棒性高、精确稳定的目标跟踪的问题,提出了利用多特征混沌粒子滤波的视觉目标跟踪方法。首先,基于非线性动力学预测进行混沌建模,利用混沌映射的梯度优化函数来搜索状态空间以找到参考轨迹;然后设计了一种用于视觉跟踪的混沌粒子滤波器,并改进运动表观模型,引入颜色、纹理和深度的特征完善滤波器的性能;最后,将多特征混沌粒子滤波器与其他视觉目标跟踪方法应用于VOT17和TB数据集进行对比分析,以论证该方法的准确性。结果表明,提出的多特征混沌粒子滤波方法显著减少了粒子数量、搜索空间和滤波器发散,其精度高出其他方法约10%,在突然运动、遮挡和运动模糊等情况下整体性能优于其他几种对比方法。

摘要：为了实现视觉目标跟踪,提出了一种基于Ether CAT总线的视觉目标跟踪平台的设计方案。该平台通过Ether CAT总线技术实现主从站数据通信,主站通过Mean Shift跟踪算法程序求出跟踪目标中心点坐标数据,从站结合DSP伺服控制技术输出伺服控制指令驱动跟踪平台实现视觉目标跟踪。实验结果表明该视觉目标跟踪平台具有较高的稳定性与实时性,满足视觉目标跟踪的要求。

摘要：长时目标跟踪相对于短时目标跟踪仍然是一个巨大的挑战.然而现有的长时跟踪算法通常在面对目标频繁出现消失、目标外观发生剧变等挑战中表现不佳.本文提出了一种基于局部搜索模块和全局搜索跟踪模块的全新、鲁棒且实时的长时跟踪框架.局部搜索模块利用TransT短时跟踪器生成一系列候选框,并通过置信度评分确定最佳候选框.针对全局重新检测开发了一个新颖的全局搜索跟踪模块,以Faster R-CNN为基础模型,在RPN阶段与R-CNN阶段引入非局部操作和多级实例特征融合模块,以充分挖掘目标实例级特征.为了改进全局搜索跟踪模块的性能,设计了双模板更新策略来提升跟踪器的鲁棒能力.通过使用不同时间点上更新的模板能够更好地适应目标的变化.根据局部或全局置信度分数判断目标是否存在,并在下一帧中选择局部或全局搜索跟踪策略.同时能够为局部搜索模块估计目标的位置和大小.此外还为全局搜索跟踪器引入了排名损失函数,隐式学习了区域提议与原始查询目标的相似度.通过在多个跟踪数据集上进行大量实验对提出的跟踪框架进行了广泛评估.结果一致表明,本文提出的跟踪框架实现了令人满意的性能.

摘要：近来,基于孪生架构的方法因其能在保持良好速度的同时取得较显著的性能,引起了视觉跟踪领域的广泛关注.然而,孪生网络分支通常是独立的,缺乏信息交互,这限制了模型性能的进一步提升.为了增强孪生网络分支的协作能力,本文提出基于孪生架构的交叉感知网络模型——SiamCross(Siamese Cross Object-Aware Network).孪生网络双分支特征提取是提升模型性能的首要核心操作,区分目标和语义背景在很大程度上依赖模型挖掘的特征鲁棒性.在SiamCross中,我们首先基于孪生网络分支的互监督,设计了全新的孪生交叉感知子网络(Siamese Cross-Aware Network,SCAN)用来提取鲁棒特征.SCAN允许孪生分支彼此全方位高效协同工作,使模板分支可充分利用特征丰富的上下文语义信息,对目标产生更具有区分性的表示;搜索分支结合模板特征,也主动学习到了目标的本质信息.另一方面,无锚框算法将跟踪任务直接映射为对每个像素的分类和回归,网络分支特征可各自聚焦于目标的局部与全局空间信息.以上两种特征具有很好的潜在局部-全局互补性.具体而言,回归特征学习到了更多的目标全局尺寸信息,但同时也引入了周围背景信息,而分类分支专注于学习局部中心定位信息.二者结合,有利于抑制回归特征的背景信息表达.同时,回归特征会在目标周边位置进行突出响应,揭示目标所在区域,也为分类分支进行定位提供了有益参考.为充分利用以上不同的分支空间特征信息来获得更精确的跟踪结果,我们又提出了新型的目标注意力交互网络(Obejct-Attention Interaction Network,OAIN),并将其融入到SiamCross中.OAIN包含并行交叉注意力模块(Parallel Cross Attention Module,PCA)和自适应可形变交叉对齐模块(Adaptive Deformable Cross Align Module,ADCA).PCA模块通过对分支中局部与全局信息的巧妙融合,提升了目标状态估计的准确性.为了进一步使回归特征和目标区域对齐,缓解特征对齐失焦导致的分类分支参考信源可靠性大幅度降低,我们为ADCA模块设计了自适应空间转换操作,可以使得回归特征更好反映目标所在区域.最终,ADCA模块完善了无锚框网络的高效交互机制.最后,我们在OTB2015、VOT2018/2019、GOT-10k和LaSOT五个具有挑战性的公开基准中对SiamCross进行了详尽的实验评估.实验结果显示,SiamCross与当前先进的跟踪器SiamRPN++、ATOM及DiMP相比,均取得了更优异的综合表现,并且可实现实时跟踪.

摘要：针对基于方向梯度直方图与颜色命名的高效卷积算子(ECO-HC)算法缺少跟踪质量评价和滤波模板更新监督机制的问题,提出融合运动信息和跟踪评价的高效卷积算子.将卡尔曼滤波器加入ECO-HC跟踪定位框架对目标执行联合跟踪,设计高置信度判别指标评价ECO-HC对每帧图像的跟踪效果,使用原始跟踪结果和卡尔曼滤波预测值的加权融合值,修正不满足判别指标的跟踪结果.在滤波模板隔帧更新策略的基础上,加入当前帧跟踪结果质量评价信息,当2个条件同时满足时执行模板更新.依托公开数据集OTB-2015评估算法性能,结果显示改进算法整体跟踪精确度、成功率和跟踪速率均优于原算法,在运动模糊、低分辨率、离开视野场景中的精确度分别提高3.0%、3.5%和2.8%,成功率分别提高3.8%、2.1%和4.0%.改进算法在保证实时性的同时,有效提升了复杂场景下的跟踪效果.

摘要：在视觉目标跟踪领域,长时跟踪因存在更为复杂的遮挡、相似物干扰和目标消失等具有现实意义的挑战场景,而越来越被研究者所重视。传统长时跟踪算法存在精度低和效率低等问题,已经无法满足如视频监控和自动驾驶等领域对跟踪器性能的应用需求。目前,大量的研究工作通过引入深度神经网络快速推动了长时跟踪技术的发展。为了深入分析深度长时跟踪算法的现状与未来发展,通过对比长短时跟踪数据集及评价指标,初步界定了长时跟踪任务范畴,归纳了长时跟踪任务的需求和难点,并介绍了长时跟踪数据集及评价体系的发展。基于深度长时目标跟踪算法的设计框架,详细描述了框架各组成部分的设计思路。以长时跟踪策略为切入点深入分析了现有研究工作,归纳了不同模型的优缺点及特性。依据对现有研究工作的整理和总结,讨论了该领域面临的挑战,并对未来的发展方向进行了展望。

摘要：孪生网络是由2个或多个人工神经网络建立的耦合框架,因其将回归问题转换为相似度匹配问题,备受计算机视觉领域的研究人员关注。随着深度学习理论的快速发展,目标跟踪技术在生活中得到了广泛的应用。基于孪生网络的目标跟踪算法以其相对优越的准确率和实时性逐渐代替了传统的目标跟踪算法,成为目标跟踪的主流算法。首先,介绍了目标跟踪任务面对的挑战和传统方法;然后,介绍了孪生网络的基础结构及其发展,汇总了近年来基于孪生网络的目标跟踪算法与相应设计原理;另外,介绍多个用于目标跟踪测试的主流数据集,并基于这些数据集对比了基于孪生网络的目标跟踪算法的性能;最后,提出基于孪生网络目标跟踪算法目前存在的问题及对未来的展望。