1 西京学院 材料与能源科学技术研究院,陕西 西安 710123
2 北京星航机电装备有限公司,北京 100074
3 西北工业大学 光电与智能研究院,陕西 西安 710072
在计算机视觉领域中,基于孪生网络的跟踪算法相比于传统算法提高了精度和速度,但是仍会受到目标遮挡、变形、环境变化等影响,导致孪生网络的跟踪算法的性能降低。为了深入了解基于孪生网络的单目标跟踪算法,本文对现有基于孪生网络目标跟踪算法进行了总结和分析,主要包括在孪生网络中引入注意力机制方法、超参数推理方法和模板更新方法,对这3种方法的目标跟踪算法进行了综述,详细介绍了国内外近几年基于孪生网络的算法研究和发展现状。对3个方面的代表算法采用VOT2016、VOT2017、VOT2018和OTB-2015数据集进行实验对比,获得了多种基于孪生网络的目标跟踪算法的性能。最后对基于孪生网络的目标跟踪算法进行了总结,并对未来的发展方向进行了展望。
计算机视觉 目标跟踪 孪生网络 深度学习 computer vision target tracking Siamese networks deep learning
1 天津大学精密仪器与光电子工程学院,天津 300073
2 天津大学光电信息技术教育部重点实验室,天津 300073
针对孪生架构单目标跟踪算法存在的目标状态更新不及时的问题,基于模板与记忆信息动态融合的跟踪策略,提出一种通用的模板更新机制。该机制采用双模块融合的更新策略:通过记忆融合模块融合搜索图像特征的短期记忆信息,获得目标变化情况;将前一帧可信的跟踪结果作为动态模板,从相关特征的角度,通过权重融合模块对原始模板和动态模板进行加权融合,通过结合跟踪过程的原始记忆与短期记忆实现更准确的目标定位。将模板更新机制应用于SiamRPN、SiamRPN++和RBO三种主流算法,并在VOT2019公开数据集上进行实验验证。结果表明:应用该机制后算法的性能得到了有效提升,具体而言,在SiamRPN++算法中,平均重叠期望值提升了6.67%,准确性提升了0.17%,鲁棒性下降了5.39%;此外,在遮挡、形变和背景干扰等复杂场景下,添加模板更新机制的SiamRPN++算法展现出较好的跟踪性能。
目标跟踪 孪生网络 模板更新 记忆信息 激光与光电子学进展
2024, 61(8): 0837006
1 福建师范大学医学光电科学与技术教育部重点实验室,福建 福州 350007
2 福建省光子技术重点实验室,福建 福州 350007
3 福建省光电传感应用工程技术研究中心,福建 福州 350007
4 广州工业智能研究院,广东 广州 511458
环境感知是无人驾驶的关键技术,针对相机缺乏深度信息无法定位检测目标以及目标跟踪精度较差的问题,提出一种基于相机与激光雷达融合的目标定位与跟踪算法。该算法通过图像检测框内的激光雷达点云簇在像素平面的面积比例大小获得检测目标的定位信息,然后根据检测目标的轮廓点云在像素坐标系下的横向移动速度和纵向移动速度融合图像检测框中心坐标提高目标跟踪精度。实验结果表明:所提目标定位算法正确率为88.5417%,且平均每帧处理时间仅为0.03 s,满足实时性要求;图像检测框中心横坐标的平均误差为4.49 pixel,纵坐标的平均误差为1.80 pixel,平均区域重叠率为87.42%。
传感器融合 机器视觉 3D激光雷达 目标定位 目标跟踪 激光与光电子学进展
2024, 61(8): 0828004
光子学报
2023, 52(12): 1210003
利用传统的暹罗网络跟踪算法进行目标跟踪时, 目标位置远离特征图中目标的中心位置会降低跟踪性能指标, 使得跟踪效果不佳。针对该问题, 提出了一种改进的暹罗自适应网络(SiamBAN)算法, 即引入中心预测网络来判断特征图上目标位置与目标中心点的距离, 两者间的距离越大, 中心度得分越低, 改进算法去除响应异常值的能力越强。通过OTB100, VOT2016和VOT2018数据集将改进的SiamBAN算法与主流跟踪算法进行对比分析, 结果表明, 改进的SiamBAN算法能有效抑制响应图中的异常值, 显著提高跟踪性能指标。
目标跟踪 孪生网络 改进SiamBAN 异常值抑制 中心度网络 target tracking Siamese network improved SiamBAN outlier rejection centrality network
1 华中光电技术研究所—武汉光电国家研究中心,湖北武汉 430223
2 海军海上防险救生第一支队,山东青岛 266000
3 武汉设计工程学院信息工程学院,湖北武汉 430225
单目标跟踪作为一项关键的计算机视觉任务在工业与**领域具有重要作用,从以图像特征为核心的传统方法发展到以网络结构设计为中心的深度学习方法,展现出了较大的研究价值。对单目标跟踪的发展过程进行了总结:首先介绍了一些主流的数据集;接着将以速度为优势的相关滤波方法和以精度高为特色的深度学习类方法作为主要脉络,对其中一些基准方法与高性能方法的设计思路进行了研究分析;最后对各种结构的方法进行了总结,并对今后的研究趋势作出展望。
单目标跟踪 深度学习 相关滤波 孪生网络 目标跟踪发展 single target tracking deep learning correlation filter Siamese network development of target tracking
1 北京理工大学 信息与电子学院, 北京 100081
2 重庆创新中心, 重庆 401120
3 前沿交叉科学研究院, 北京, 100081
汽车雷达基于电磁波信号感知路况, 具有全天时、全天候、低成本等优点, 是未来智能化交通和自动驾驶的重要传感器。其中, 高精确度目标测距、测速, 高分辨力角度估计和多扩展目标跟踪是汽车雷达领域的研究重点。本文针对汽车雷达波形、天线设计、测角算法以及目标跟踪算法等关键模块和主要设计思路进行梳理, 结合雷达抗干扰、MIMO编码、扩展目标状态估计等技术难点, 介绍并归纳了近几年代表性的文献, 旨在为以后的研究提供参考和依据。
汽车雷达 抗干扰 多输入多输出 目标跟踪 automotive radar anti-interference Multiple Input Multiple Output(MIMO) target tracking 太赫兹科学与电子信息学报
2023, 21(4): 437
针对传统的交互多模型滤波算法中存在模型概率固化导致跟踪精度不高的问题, 提出了基于改进交互多模型滤波的目标跟踪波形优化算法。首先,通过联合前后两个时刻的模型概率对概率转移矩阵进行加权来改进交互多模型滤波; 然后,基于帐篷映射以及高斯扰动对秃鹰搜索算法进行改进; 最后,在多目标场景下根据最大互信息准则, 利用改进的交互多模型滤波建立目标函数, 使用改进的秃鹰搜索算法设计出最优发射波形。仿真结果表明, 使用所提算法可显著降低跟踪误差。
认知雷达 交互式多模型 目标跟踪 波形优化 cognitive radar IMM target tracking waveform optimization
1 天津大学 精密测试技术及仪器国家重点实验室,天津 300072
2 天津大学 微光机电系统技术教育部重点实验室,天津 300072
由于复杂度较高的跟踪算法多数采用国外芯片实现,基于国产FPGA的跟踪方法得到了研究。针对易于FPGA设计的模板匹配算法鲁棒性不足的问题,基于绝对差和(SAD)相似性度量方法,提出了求窗口内最小绝对差和(SMAD)的方法。利用最大值和最小值滤波预先处理窗口内图像数据,再求最小绝对差,将SMAD算法的加减法器资源消耗降低为原来的31.8%。提出的类金字塔的方法在节省逻辑资源的同时,提高了对目标尺度变化的适应性。OTB数据集的实验表明:提出的方法与鲁棒性较高的DDIS算法相比,跟踪成功率和平均重叠率分别提高了1.18%、0.13%,又有易于流水线设计的优势。利用国产FPGA实现了帧率可达100 fps的实验系统并验证其跟踪性能,为在国产FPGA上实现高帧率目标跟踪系统提供了解决方案。
国产FPGA 目标跟踪 模板匹配 高帧率 domestic FPGA target tracking template matching high frame rate 红外与激光工程
2023, 52(9): 20220905