检索结果-内蒙古大学图书馆

作者：张于凡重庆交通大学

学位级别：硕士

视频多目标跟踪(Multi-Object Tracking,MOT)技术通过定位视频中多个目标并维持目标身份以生成目标运动轨迹,该技术在视频监控、智慧交通、人机交互等领域具有重要应用前景。近年来,基于自注意力机制的视频多目标跟踪技术逐渐成为重要... 详细信息

视频多目标跟踪(Multi-Object Tracking,MOT)技术通过定位视频中多个目标并维持目标身份以生成目标运动轨迹,该技术在视频监控、智慧交通、人机交互等领域具有重要应用前景。近年来,基于自注意力机制的视频多目标跟踪技术逐渐成为重要的研究方向。然而,由于复杂场景下存在着遮挡、外观相似等问题,基于自注意力机制的视频多目标跟踪方法仍然难以实现高效的跟踪性能。本论文聚焦基于自注意力机制跟踪范式下的目标特征提取和时间维特征传递与更新问题,重点研究了基于多尺度通道特征聚合的特征传递,以及基于掩膜注意力和迭代关联的视频多目标跟踪方法。本论文主要研究内容如下:(1)提出了基于多尺度通道特征聚合视频多目标跟踪方法。针对复杂场景下因目标长时遮挡导致的身份切换问题,本论文构建多尺度通道特征增强网络增强自注意力计算导致的局部特征损失,并基于Transformer模型的跟踪查询检测模块与特征更新模块实现端到端的视频多目标跟踪。该方法有效提升了对目标关键特征的提取能力,在面对小目标与遮挡目标时能够有效保持目标身份的一致性,有效减少了遮挡导致的目标身份切换问题,实现了具有鲁棒性的视频多目标跟踪方法。(2)提出了基于掩膜注意力和迭代关联的视频多目标跟踪方法。针对复杂场景下全局注意力机制导致局部信息丢失问题,本论文构建基于掩膜交叉注意力机制模型增强对局部特征关注能力,并利用低置信度检测结果实现迭代数据关联。该方法不仅利用掩膜注意力减少大量不必要的计算并提升目标特征表征能力,而且在轨迹关联阶段充分利用检测信息提升了轨迹匹配精度。

关键词：视频多目标跟踪自注意力机制特征传递掩膜注意力

来源：评论

学校读者我要写书评

暂无评论

基于深度特征标签多伯努利滤波的视频多目标跟踪方法

基于深度特征标签多伯努利滤波的视频多目标跟踪方法

引用

作者：蒋凌云江南大学

学位级别：硕士

视频多目标跟踪是计算机视觉领域的一个重要分支,如今视频目标检测技术日益提高,现有目标检测器对单张图片中的物体类别以及物体位置有较高的识别率,但依然会有漏检测和错检测的产生。针对这一问题,视频多目标跟踪技术可以利用视频上文... 详细信息

视频多目标跟踪是计算机视觉领域的一个重要分支,如今视频目标检测技术日益提高,现有目标检测器对单张图片中的物体类别以及物体位置有较高的识别率,但依然会有漏检测和错检测的产生。针对这一问题,视频多目标跟踪技术可以利用视频上文信息,对目标的运动信息以及外观信息进行建模,并用各自的标签标记身份来记录目标轨迹信息,可以减少检测器的误检测和漏检测问题。同时视频多目标跟踪技术还需解决如何有效识别新生目标、如何进行目标重识别、如何适应目标特征的变化、如何对目标轨迹进行长距离的维持等问题。针对这些问题,本文在标签多伯努利滤波算法的框架下,做出了以下贡献:1.针对于2D目标的检测器的误检测与漏检测问题,提出了一种检测优化的标签多伯努利视频多目标跟踪算法。将标签多伯努利滤波算法应用到视频多目标跟踪中,解决因为检测框缺失而导致的碎片化轨迹问题。在传统的标签多伯努利滤波中,需要建立先验新生目标模型,由于视频多目标跟踪新生目标位置以及状态的不确定性,难以有效给出新生目标模型。为此本文提出了量测驱动的标签多伯努利新生模型,能有效及时地识别出场景中的新生目标,此新生模型对提高后续算法的持续跟踪的准确性奠定了很好的基础。引入目标特征提取并运用到特征池目标重识别模块中。实验表明,算法在估计目标状态和轨迹方面有着较好的鲁棒性,准确性。2.针对目标检测框与目标特征分别提取导致算法效率过低问题,提出了检测与特征融合的标签多伯努利视频多目标跟踪算法。通过引入检测与特征联合学习的检测器,能够在输出目标检测的同时输出目标特征,缓解了目标检测框的获取与目标特征的异步获取导致的算法效率过低问题。对目标新生模型进行改进,将低置信度检测框设置为标签多伯努利的新生分量,相比于直接去除低置信度框,能够更有效的识别新生目标,减少漏跟踪数。将目标特征加入到数据关联部分,能够有效的解决高存活概率的标签多伯努利分量不能够及时消失的问题。算法在MOT17数据集上与新进视频多目标跟踪算法比较,有很好的竞争力。3.针对在3D视频目标跟踪中的误检测与漏检测问题,提出了基于标签多伯努利滤波的3D视频多目标跟踪算法。将标签多伯努利滤波算法运用到3D视频多目标跟踪中,同时引入3D-IOU(3D Intersection Over Union)识别新生目标,以实现对3D新生目标的精确判别以及对漏跟踪目标的连续估计。通过实验表明,标签多伯努利算法在3D视频多目标跟踪上有着良好的跟踪效果以及发展前景。

关键词：视频多目标跟踪标签多伯努利滤波检测跟踪特征提取

来源：评论

学校读者我要写书评

暂无评论

基于随机有限集和深度相关滤波视频多目标跟踪算法研究

基于随机有限集和深度相关滤波视频多目标跟踪算法研究

引用

作者：缪佳妮江南大学

学位级别：硕士

视频多目标跟踪主要利用视频上下文信息,对多个目标的外观信息和运动信息建模,实现对目标运动状态的预测和更新,并标记出目标轨迹。视频多目标跟踪涉及了深度学习、机器学习、最优化算法等多个方面的理论知识。随着计算机硬件和数学理... 详细信息

视频多目标跟踪主要利用视频上下文信息,对多个目标的外观信息和运动信息建模,实现对目标运动状态的预测和更新,并标记出目标轨迹。视频多目标跟踪涉及了深度学习、机器学习、最优化算法等多个方面的理论知识。随着计算机硬件和数学理论的发展,各种视频多目标跟踪系统纷纷实现,尤其广泛应用于行为识别、交通监控、智能驾驶、人机交互和无人机监控等,在视频目标跟踪领域的深度和广度上有着不同程度的应用。本文围绕随机有限集在视频多目标跟踪中的应用,结合深度学习与相关滤波知识,展开深入研究,取得的主要成果如下:1.针对结合检测器检测信息的视频多目标跟踪中,由于频繁的目标交互运动导致目标被遮挡、漏检、身份标签跳变数增加等问题,提出一种运动信息优化相关滤波的多目标跟踪算法。该算法在获得目标检测信息后,采用核相关滤波(Kernelized Correlation Filter,KCF)对目标进行跟踪,并对目标的运动信息进行建模,用于处理检测器结果不精确,目标被长时间遮挡无法跟踪的问题,减少碎片化的轨迹。同时在核相关滤波的基础上引入置信图的平滑约束来评估目标被遮挡程度,实现核相关滤波中目标模板的自适应更新,以处理目标由于遮挡而产生的模板污染。最终在MOT Challenge的MOT17数据集上进行实验,结果表明,与传统的检测跟踪算法IOU17相比,该算法能处理被遮挡目标的位置预测,在多目标跟踪正确度MOTA指标上提高了2.43%,具有更好的稳定性和精确度。2.针对视频多目标跟踪中,简单运动信息的建模难以有效应对多目标的复杂运动,出现大量失跟误跟,提出一种融合相关滤波的GM-PHD视频多目标跟踪算法。本算法通过关联矩阵对跟踪目标进行分类,融合相关滤波的思想,对漏检目标进行跟踪,并加入特征金字塔的思想,提取目标的深层图像信息和浅层图像信息,对被遮挡的目标不更新目标模板和参数,进而降低目标模板的污染程度,减少误跟框。对于已经被遮挡的目标,采用高斯混和概率假设密度滤波(GM-PHD)对其进行位置预测和更新,若后期目标重现,GM-PHD将会重新关联上目标标签,从而减少碎片化的轨迹,弥补检测器因目标遮挡而漏检的缺点。最终通过在MOT17数据集上的实验结果证明,与目前有关GM-PHD最好的跟踪算法GMPHDOGM17相比,多目标跟踪正确度MOTA指标上从49.9提高至50.3。3.针对视频多目标检测跟踪中存在大量虚假检测和漏检问题,提出一种融合多检测的GM-PHD视频多目标跟踪。本算法通过引入新型目标检测器Efficient Det,首先进行检测器的训练,将训练好的Efficient Det检测结果分别与DPM、FRCNN、SDP相融合,减少原检测器的误检数目和漏检数目,过滤掉一些错误检测,并在原算法的基础上加入多标签窗口平滑滤波,减少由于目标长期被遮挡而产生的目标身份跳变数,从而进一步提升跟踪精度。实验证明,本算法能提高在某些视频序列上的跟踪效果。

关键词：视频多目标跟踪相关滤波随机有限集深度学习检测跟踪

来源：评论

学校读者我要写书评

暂无评论

视频多目标跟踪中的轨迹分析相关技术研究

视频多目标跟踪中的轨迹分析相关技术研究

引用

作者：刘焓电子科技大学

学位级别：硕士

视频多目标跟踪作为计算机视觉领域的一个研究热点,在视频监控、自动驾驶等领域有很好的应用前景。由于遮挡,光照,摄像机移动等原因,可能导致跟踪算法得到的轨迹数据出现错误,研究人员需要排查分析这些错误的轨迹数据从而改进跟踪算法,... 详细信息

视频多目标跟踪作为计算机视觉领域的一个研究热点,在视频监控、自动驾驶等领域有很好的应用前景。由于遮挡,光照,摄像机移动等原因,可能导致跟踪算法得到的轨迹数据出现错误,研究人员需要排查分析这些错误的轨迹数据从而改进跟踪算法,最后与ground truth对比,评估算法性能。但是,目前尚没有比较完善的轨迹分析技术体系。因此,研究与视频多目标跟踪中轨迹分析相关的技术是必要且迫切的。本文的研究内容如下:1)单视角下的轨迹可视化分析技术。设计了轨迹的多角度展示功能(常规展示,缩放展示,目标到原始帧跳转,动态展示,前向后向预测),解决了轨迹数据的空间属性,外观属性,时间属性隐晦不可见问题;设计了轨迹的可视化编辑(剪切,粘贴,删除)与保存功能,通过这两个操作可保存感兴趣的轨迹片段,有针对性的对其分析;设计了轨迹数据附加信息的加载功能,可加载跟踪算法的一些中间数据到软件的输出窗口,比如目标的外观特征值,轨迹间的相似度度量值等。2)单视角下的轨迹比较分析技术。建立了轨迹配对的数学模型,并定义了计算轨迹集合相似度的公式方法,辅助比较配对的轨迹。3)多视角下耦合的可视化分析技术。设计了耦合中轨迹片段的分段标记功能,方便观察分析耦合的构成,并定义了计算耦合质量的公式方法,辅助筛选低质量的耦合,有针对的进行可视化分析。4)轨迹/耦合快速加载技术。使用多线程技术通过生产者消费者模式,为单视角下的轨迹可视化分析,单视角下的轨迹比较分析,多视角下的耦合可视化分析设计了快速加载模型。测试结果表明快速加载模型在很大程度上解决了轨迹/耦合原始数据数据量大,转换成轨迹/耦合图像效率低下的问题。5)轨迹高效标注技术。设计了一种高效的轨迹标注模型,可以快速得到类似ground truth的参照标准,为跟踪结果提供对比对象。测试结果表明该标注模型既提高了标注效率又保证了标注效果。其消耗的标注时间约是纯手工标注的,CVAT的;其标注得到的轨迹数据与纯手工标注得到的整体相似度约是。6)视频多目标跟踪下的轨迹分析软件。使用C++编写代码,结合QT框架将上述技术实现汇总在了应用软件中。

关键词：轨迹可视化分析轨迹高效标注视频多目标跟踪

来源：评论

学校读者我要写书评

暂无评论

卷积特征多伯努利视频多目标跟踪算法

引用

计算机科学与探索 2019年第11期13卷 1945-1957页

作者：杨金龙汤玉张光南江南大学物联网工程学院江苏无锡214122 长安大学信息工程学院西安710064

基于随机有限集理论的多伯努利滤波方法能够有效处理多目标跟踪中数目未知且时变的问题,但难以适应复杂环境下视频多目标跟踪中目标之间或背景等干扰问题,尤其是目标相互紧邻和被遮挡时,会导致跟踪精度下降,甚至目标漏跟。针对该问题,... 详细信息

基于随机有限集理论的多伯努利滤波方法能够有效处理多目标跟踪中数目未知且时变的问题,但难以适应复杂环境下视频多目标跟踪中目标之间或背景等干扰问题,尤其是目标相互紧邻和被遮挡时,会导致跟踪精度下降,甚至目标漏跟。针对该问题,在多伯努利滤波框架下,深度分析目标的特征信息,引入抗干扰的卷积特征,提出基于卷积特征的多伯努利视频多目标跟踪算法,并在目标状态提取过程中,进一步提出模板更新,使用自适应学习速率进行更新,适应目标的变化,以解决目标紧邻相互干扰的问题。最后,引入粒子标记技术,实现对视频多目标的航迹跟踪。实验结果表明,提出算法能够有效区分复杂环境下的紧邻多目标,且具有较好的跟踪精度。

关键词：多伯努利滤波卷积特征自适应学习视频多目标跟踪

来源：评论

学校读者我要写书评

暂无评论

基于直觉模糊聚类的视频多目标跟踪算法研究

基于直觉模糊聚类的视频多目标跟踪算法研究

引用

作者：湛西羊深圳大学

学位级别：硕士

视频多目标跟踪(Visual Multiple Object Tracking,VMOT)是在视频序列中同时跟踪多个目标,并将不同时刻的同一目标进行关联,形成目标的运动轨迹的过程。随着检测技术的不断发展,基于检测的多目标跟踪算法受到了广泛的关注,已广泛应用于... 详细信息

视频多目标跟踪(Visual Multiple Object Tracking,VMOT)是在视频序列中同时跟踪多个目标,并将不同时刻的同一目标进行关联,形成目标的运动轨迹的过程。随着检测技术的不断发展,基于检测的多目标跟踪算法受到了广泛的关注,已广泛应用于多个领域。复杂背景和高频率遮挡情况下,如何实现对多个目标进行高速有效地跟踪,仍是一个值得挑战的问题。为此,本文针对视频场景中行人多目标跟踪中的数据关联、轨迹关联等几个关键问题进行深入研究。主要研究内容如下:针对单一摄像机多目标跟踪中的目标遮挡和背景干扰等不确定性问题,提出了一种基于最大熵直觉模糊聚类的视频多目标跟踪算法。在该算法中,首先计算目标与每个观测之间的多个特征的相似度,然后利用基于邻域粗糙集的特征约简算法进行特征选取,去除冗余特征,选择对目标关联更有力的特征进行融合,得到目标与观测之间的距离函数,并引入目标与观测的局部信息,再利用最大熵直觉聚类得到的优化后的直觉模糊隶属度来构建目标与观测的关联矩阵,实现目标与观测的关联,最后对卡尔曼滤波器对关联上的目标、没有关联上的目标和没有关联上的观测分别进行滤波及预测。实验结果验证了提出的算法可以在目标之间相互遮挡和背景干扰时,对多个目标进行持续有效的跟踪,具有较强的鲁棒性和准确性,其在多目标跟踪准确度和漏检数的性能优于现有的大部分算法。针对高频率遮挡下目标轨迹中断以及虚假观测问题,提出了一种基于轨迹置信度的模糊轨迹关联算法。在该算法中,首先定义轨迹片段的相似度和目标轨迹置信度,并利用阈值将轨迹分成高置信度目标轨迹和低置信度目标轨迹,然后优先让高置信度目标轨迹与观测关联,利用得到的关联结果,再对低置信度目标轨迹进行互联判断。同时为了减少虚假观测对关联的影响,提出了新的轨迹起始原则和轨迹终止原则。实验结果表明,提出的算法可以将中断的目标轨迹连接成完整的目标轨迹,有效地减少目标标签变化数,提高了多目标跟踪的准确度。

关键词：视频多目标跟踪直觉模糊聚类数据关联轨迹关联轨迹管理

来源：评论

学校读者我要写书评

暂无评论

基于视频多目标跟踪的高度测量算法

引用

电子学报 2015年第3期43卷 591-596页

作者：姜明新王培昌王洪玉大连理工大学信息与通信工程学院辽宁大连116024 大连民族学院信息与通信工程学院辽宁大连116600

本文提出了一种基于视频多目标跟踪的高度测量算法.首先,采用码本模型检测前景,利用图割理论实现对多目标的跟踪.然后,提取每一帧中目标的头部特征点和脚部特征点,根据投影几何的约束关系计算每个目标的高度.最后,融合多帧的测量结果进... 详细信息

本文提出了一种基于视频多目标跟踪的高度测量算法.首先,采用码本模型检测前景,利用图割理论实现对多目标的跟踪.然后,提取每一帧中目标的头部特征点和脚部特征点,根据投影几何的约束关系计算每个目标的高度.最后,融合多帧的测量结果进行数据优化.本文提出的算法不需要对相机进行完全标定,只需计算摄像机的灭点和地平面的灭线,降低了计算的复杂度.实验结果表明,本文提出的算法具有较高的测量精度,对遮挡和运动状态变化具有较强的鲁棒性,同时,能够满足实时性要求.

关键词：高度测量视频多目标跟踪投影几何约束图割

来源：评论

学校读者我要写书评

暂无评论

长短时算法:一种视频多目标关联算法

引用

指挥控制与仿真 2024年第3期46卷 116-122页

作者：王锐丁春山江苏自动化研究所江苏连云港222061

视频多目标跟踪面临的主要挑战是严重遮挡带来的身份切换问题。解决身份切换的技术为视频目标关联,即识别不同帧中的同一目标并分配身份编号。针对身份切换提出长短时视频目标关联算法,该算法在短时即相邻帧之间使用运动特征进行目标匹... 详细信息

视频多目标跟踪面临的主要挑战是严重遮挡带来的身份切换问题。解决身份切换的技术为视频目标关联,即识别不同帧中的同一目标并分配身份编号。针对身份切换提出长短时视频目标关联算法,该算法在短时即相邻帧之间使用运动特征进行目标匹配,在长时即不相邻帧之间增加外观特征进行目标匹配,实现对于遮挡后被检出目标的再匹配。此外对卡尔曼滤波进行改进,增加框宽参数,使得预测框更准确;还使用平均外观特征并增加检测置信度作为更新参数,使得外观特征鲁棒性更强,在复杂环境下仍能表现良好。长短时算法在数据集MOT17上多目标跟踪精度得分81.3,身份F1值得分81.3,实现了严重遮挡场景下的稳定跟踪。

关键词：视频目标关联视频多目标跟踪先检测后跟踪平均外观特征

来源：评论

学校读者我要写书评

暂无评论

多特征随机集滤波视频目标跟踪算法研究

多特征随机集滤波视频目标跟踪算法研究

引用

作者：汤玉江南大学

学位级别：硕士

视频目标跟踪技术一直是计算机视觉领域的研究热点和难点问题,尤其是对数目未知且时变的视频多目标跟踪。在军事安全、国防建设和民用领域都具有重要的研究意义。近年来,深度学习在目标视频跟踪中已得到广泛应用,基于神经网络的深度特... 详细信息

视频目标跟踪技术一直是计算机视觉领域的研究热点和难点问题,尤其是对数目未知且时变的视频多目标跟踪。在军事安全、国防建设和民用领域都具有重要的研究意义。近年来,深度学习在目标视频跟踪中已得到广泛应用,基于神经网络的深度特征及采用相关特征的检测技术使视频目标跟踪技术取得了突破性进展。本文围绕多伯努利滤波在视频多目标跟踪过程中的应用,结合深度学习展开深入、系统的研究,取得的主要成果如下:1、针对视频多目标跟踪中,目标数目未知且时变的复杂场景下,目标建模复杂,存在目标之间或背景等相互干扰的问题,提出一种基于卷积特征的多伯努利(Multi-target Multi-Bernoulli,MeMBer)视频多目标跟踪算法。特征提取方面,算法中通过k-means聚类方法训练卷积核,并与目标卷积以提取目标特征;为减小复杂背景的干扰,同样对背景进行采样,提取目标的背景特征,并将目标特征与背景特征融合以提取目标的卷积特征,可以实现对目标进行精确表示。跟踪滤波方面,算法中通过目标卷积特征建立目标似然模型,并融入到多伯努利滤波框架中完成对数目变化的视频多目标跟踪;为了避免目标紧邻运动和遮挡造成模板不准确的问题,根据目标状态变化速度和目标被遮挡程度,进一步提出模板自适应更新策略,以提高跟踪的精度。最后,采用标准数据库中的红外和彩色视频数据,对提出的算法进行验证,结果表明,提出算法与传统的多伯努利滤波算法相比,能够较好地适应目标状态变化,有效解决复杂环境下的目标紧邻和遮挡问题,且具有较好的跟踪精度。2、针对视频多目标跟踪中新生目标时间和位置不确定,导致多目标视频跟踪状态估计存在较大误差、甚至出现目标漏跟的问题,本文引入基于深度学习的检测算法,提出基于单发多框检测的(Single Shot MultiBox Detector,SSD)多伯努利视频多目标检测与跟踪算法。算法中通过SSD对视频中目标进行初步检测,并将新生目标采用随机有限集进行建模,融合多伯努利滤波框架实现对未知数目视频多目标的准确跟踪;该算法可以解决检测算法中存在的漏检、误检等问题,且避免多伯努利贝叶斯滤波连续递归后存在目标估计偏移问题,可有效提高跟踪的精度。最后,采用标准数据集中的视频数据进行实验,结果表明,提出的改进算法能够有效处理复杂环境下的多目标新生问题,且通过检测结果和跟踪结果融合滤波,有效提高了算法对视频多目标的跟踪精度。3、针对传统多伯努利滤波算法不能对目标的航迹进行跟踪,存在滤波过程中紧邻目标难以区分的问题,本文引入广义标签多伯努利(Generalized Labeled Multi-Bernoulli,GLMB)滤波框架,提出基于GLMB的视频多目标跟踪算法。算法中将标签概念引入到随机有限集理论中,对多伯努利分量进行标记,并采用δ-GLMB滤波框架进行递推,以实现对视频多目标的跟踪,采用标签和目标状态共轭的关系,可以识别各个目标的航迹。实验结果表明,该算法能够获得每个目标的航迹,并一定程度上可以提高算法对视频多目标的跟踪精度。

关键词：视频多目标跟踪多伯努利滤波卷积特征目标检测 δ-GLMB滤波

来源：评论

学校读者我要写书评

暂无评论

视频多目标跟踪算法的研究和实现

视频多目标跟踪算法的研究和实现

引用

作者：董晶晶大连理工大学

学位级别：硕士

进入19世纪以来,随着计算机技术的快速发展,各种雷达、红外、声纳、电视、激光和视频等目标跟踪技术不断发展并且日趋完善。其中视频目标跟踪技术作为计算机视觉领域的热门课题之一,已经被广泛应用在了智能交通、人机交互、视频监控、... 详细信息

进入19世纪以来,随着计算机技术的快速发展,各种雷达、红外、声纳、电视、激光和视频等目标跟踪技术不断发展并且日趋完善。其中视频目标跟踪技术作为计算机视觉领域的热门课题之一,已经被广泛应用在了智能交通、人机交互、视频监控、行为分析等诸多领域。视频目标跟踪系统大体上可以分为单目标跟踪和多目标跟踪两类,本文主要研究了视频多目标的跟踪问题。这是一项极具挑战性的任务,在多个目标的跟踪过程中,必须对航迹起始、航迹终结、航迹维护、数据关联、目标之间相互遮挡等问题进行处理。首先,本文提出了一个整合的框架对多目标进行跟踪,此算法有别于传统的基于检测的多目标跟踪算法。系统首先利用基于稀疏表示和C1最小化的单目标跟踪算法对视频中多个目标分别进行跟踪。单目标跟踪器的初始化和定期更新所用到的测量数据源于检测算法。然后将单目标跟踪器产生的航迹作为全局分层关联多目标跟踪系统中等层次的输入,利用全局分层关联的多目标跟踪算法产生更长、更准确的目标航迹。其次,本文提出了一种在线的基于检测的多目标跟踪算法。根据从相邻的目标、场景遮挡物以及目标运动的方向获得的线索,将目标池中的目标分为三类：活跃的目标、不活跃的目标、消失的目标。活跃的目标用帧与帧之间数据关联算法进行跟踪：不活跃的目标用面向航迹的假设跟踪算法对其进行跟踪；对于消失的目标,停止跟踪,并将其从目标池中删除。最后,应用MATLAB仿真工具对本文提出的基于稀疏表示和全局分层关联的多目标跟踪算法和线索驱动在线多目标跟踪算法进行仿真。两种算法在多目标跟踪通用数据库CAVIAR和i-Lids AB上均表现出一定的鲁棒性。

关键词：视频多目标跟踪数据关联整合框架线索学习面向航迹的多假设跟踪

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：