目標(biāo)定位跟蹤
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時間：2022-07-25
目標(biāo)定位跟蹤的實例教程
雙脈沖間的時延差T的最小值為Tmin，代表目標(biāo)最小深度Hmin；時延差最大值為Tmax，代表目標(biāo)最大深度Hmax。目標(biāo)深度H與之相對應(yīng)的雙脈沖時延差T存在如下公式：
T＝Tmin＋H×（Tmax－Tmin）/(Hmax－Hmin) ⑹
則目標(biāo)深度H為
H＝((T-Tmin)×(Hmax-Hmin))/(Tmax-Tmin) ⑺
三、便攜式水下跟蹤系統(tǒng)組成及設(shè)計
⒈水下跟蹤系統(tǒng)組成
水下目標(biāo)定位跟蹤系統(tǒng)主要由船載濕端設(shè)備、船載定位設(shè)備、水下信標(biāo)聲源設(shè)備等部分組成。其中船載濕端設(shè)備包括短基線聲學(xué)基陣、水密電子艙；船載定位設(shè)備包括信號處理設(shè)備、定位跟蹤數(shù)據(jù)處理顯控設(shè)備、雙天線航向測量設(shè)備、供電設(shè)備等；安裝在水下目標(biāo)上的水下聲源，主要為定位跟蹤系統(tǒng)提供定位信標(biāo)信號，由信號產(chǎn)生及發(fā)射組件和內(nèi)置電源組成。系統(tǒng)從功能上劃分為以下四個分系統(tǒng)：
①船載聲學(xué)基陣分系統(tǒng)；②船載信號處理分系統(tǒng)，包括GPS同步設(shè)備，模擬信號調(diào)理設(shè)備（前置放大），數(shù)字信號處理設(shè)備；③水下聲源分系統(tǒng)；④定位跟蹤信息處理顯控分系統(tǒng)。
在對水下目標(biāo)進(jìn)行實時定位跟蹤時，系統(tǒng)工作原理如圖2所示。
展開 同時，針對對精度要求較高的場景，PP-Tracking還提供了精度高達(dá)MOTA75.3的高精版跟蹤模型~
視頻引用公開數(shù)據(jù)集[3]
多類別跟蹤
PP-Tracking不僅高性能地實現(xiàn)了單鏡頭下的單類別目標(biāo)跟蹤，更針對多種不同類別的目標(biāo)跟蹤場景，
增強(qiáng)了特征匹配模塊以適配不同類別的跟蹤任務(wù)，
實現(xiàn)跟蹤類別覆蓋
人、自行車、小轎車、卡車、公交、三輪車
等上十種目標(biāo)，精準(zhǔn)實現(xiàn)多種不同種類物體的同時跟蹤。
視頻引用公開數(shù)據(jù)集[2]
跨鏡頭跟蹤
安防場景常常會涉及在多個鏡頭下對于目標(biāo)物體的持續(xù)跟蹤。當(dāng)目標(biāo)從一個鏡頭切換到另一個鏡頭，往往會出現(xiàn)目標(biāo)跟丟的情況，這時，一個效果好速度快的跨鏡頭跟蹤算法就必不可少了！PP-Tracking中提供的跨鏡頭跟蹤能力基于DeepSORT[6]算法，采用了百度自研的輕量級模型PP-PicoDet和PP-LCNet分別作為檢測模型和ReID模型，配合軌跡融合算法，保持高性能的同時也兼顧了高準(zhǔn)確度，
實現(xiàn)在多個鏡頭下緊跟目標(biāo)，無論鏡頭如何切換、場景如何變換，也能準(zhǔn)確跟蹤目標(biāo)的效果。
展開 視頻目標(biāo)跟蹤技術(shù)，作為計算機(jī)視覺領(lǐng)域中基礎(chǔ)的、重要的研宄方向之一，一直是研宄人員的關(guān)注熱點。
視頻目標(biāo)跟蹤要求在已知第一幀感興趣物體的位置和尺度信息的情況下，對該目標(biāo)在后續(xù)視頻幀中進(jìn)行持續(xù)的定位和尺度估計Ｗ。廣義的目標(biāo)跟蹤通常包含單目標(biāo)跟蹤和多目標(biāo)跟蹤。兩者既有差別又有緊密的聯(lián)系。多目標(biāo)跟蹤算法主要包括目標(biāo)檢測和軌跡關(guān)聯(lián)，以確保同一個物體在視頻中獲得固定的、唯一的數(shù)字標(biāo)識。多目標(biāo)跟蹤通常限定在目標(biāo)類別已知的場景中，如多行人、多車輛的視覺跟蹤。因此，多目標(biāo)跟蹤算法高度依賴現(xiàn)成的目標(biāo)檢測器。物體檢測的質(zhì)量直接關(guān)系到后續(xù)的多目標(biāo)軌跡關(guān)聯(lián)。不同地，單目標(biāo)跟蹤算法要求處理任意類別的物體，即不知道任何關(guān)于目標(biāo)的先驗信息。雖然前提條件略有差異，但正如其名，單目標(biāo)跟蹤與多目標(biāo)跟蹤都緊緊圍繞著視頻中的物體識別與跟蹤，因而在外觀建模、運動分析、軌跡關(guān)聯(lián)等技術(shù)細(xì)節(jié)上有緊密的關(guān)聯(lián)。如何將單目標(biāo)跟蹤技術(shù)應(yīng)用于多目標(biāo)跟蹤領(lǐng)域也被廣泛研宄。因此，研究經(jīng)典的、通用的單目標(biāo)跟蹤任務(wù)對于整個跟蹤領(lǐng)域的發(fā)展有重要意義
隨著計算機(jī)運算性能的突飛猛進(jìn)、高性能攝像終端的廣泛普及、以及視頻分析需求的與日俱增，目標(biāo)跟蹤算法應(yīng)用范圍愈發(fā)廣泛，落地需求愈加強(qiáng)烈。實現(xiàn)一個可以精準(zhǔn)地、穩(wěn)健地、快速地執(zhí)行目標(biāo)定位的高效視覺跟蹤系統(tǒng)是目前不懈努力的技術(shù)方向＝近年來，在國內(nèi)外大量學(xué)者的努力研宄下，該方向已經(jīng)取得了突飛猛進(jìn)的進(jìn)展，但同時仍存在許多亟需解決的問題，例如如何應(yīng)對跟蹤過程中目標(biāo)的形變、模糊、旋轉(zhuǎn)、遮擋、超出視野等。隨著深度模型如卷積神經(jīng)網(wǎng)絡(luò)
（Convolutional Neural Network，CNN）
等的應(yīng)用，以及GPU設(shè)備帶來的計算效率的巨大躍升，目標(biāo)跟蹤技術(shù)受益于更魯棒的特征表達(dá)以及端到端的模型訓(xùn)練，已經(jīng)在速度和精度方面漸漸接近了人們在實際生活中的應(yīng)用需求。
展開 針對室內(nèi)場景目標(biāo)多種多樣，各目標(biāo)之間差異較大，比如有靠椅、有凳子等，傳統(tǒng)圖像算法難以完整的分割出目標(biāo)，且難以獲得類別標(biāo)簽等更多的信息。近年來，隨著GPU 算力的增長以及數(shù)據(jù)集的完善，基于深度學(xué)習(xí)的語義分割算法飛速發(fā)展，圖像分割技術(shù)水平大幅提高，可以實現(xiàn)圖像像素級分類，目標(biāo)分割完整度得到大大提升，進(jìn)而分割精度得到大大提升Long等人于 2014 年提出了全卷積網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）進(jìn)行語義分割，該網(wǎng)絡(luò)實現(xiàn)了端到端的逐像素分類，是深度學(xué)習(xí)語義分割方法的基石。該算法以 VGG-16 網(wǎng)絡(luò)為主干網(wǎng)絡(luò)，去除了網(wǎng)絡(luò)后的全連接層（Fully Connected Layer，F(xiàn)C）。由于 VGG-16 中只有全連接層要求輸入尺寸為固定大小，去除全連接層后，輸入網(wǎng)絡(luò)的圖像尺寸便可以是動態(tài)大小，去除了固定輸入尺寸的限制。同時 FCN 根據(jù)不同的下采樣倍率，將下采樣時得到的特征圖與上采樣進(jìn)行轉(zhuǎn)置卷積計算時的特征圖進(jìn)行融合得到了精細(xì)的像素級分割結(jié)果，為后續(xù)語義分割網(wǎng)絡(luò)設(shè)計奠定了基礎(chǔ)框架。所以后續(xù)分割算法大都以其為基礎(chǔ)進(jìn)行改進(jìn)。SegNet在解碼器部分使用上池化操作進(jìn)行上采樣保留了高頻細(xì)節(jié)的完整性，實現(xiàn)了更精細(xì)的分割。之后的Unet在編解碼器間加入了若干跳躍連接，融合了編解碼器不同層次的特征，減小了信息丟失來提升精度，由于 Unet 設(shè)計了簡單高效的特征融合方式，在醫(yī)學(xué)圖像上作細(xì)胞分割效果較好，之后醫(yī)學(xué)圖像分割領(lǐng)域出現(xiàn)了很多基于 Unet 改進(jìn)的分割網(wǎng)絡(luò)。2014年，Chen 等人在FCN 的特征提取網(wǎng)絡(luò)輸出端添加了條件隨機(jī)（Conditional Random Fields，CRF）模塊，進(jìn)而提出了 Deeplab 方法，顯著提高了分割的精度。
展開 來源 |
人工智能感知信息處理算法研究院
基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法的主要任務(wù)是，優(yōu)化檢測目標(biāo)之間的相似性或距離度量的設(shè)計。根網(wǎng)絡(luò)學(xué)習(xí)到的特征的區(qū)別，可以將基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法分為基于深度表現(xiàn)特征的跟蹤網(wǎng)絡(luò)，基于相似性度量的跟蹤網(wǎng)絡(luò)以及基于高階匹配特征的跟蹤網(wǎng)絡(luò)如下圖所示。
將神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的目標(biāo)的表觀特征引入到多目標(biāo)跟蹤算法中，是提升多目標(biāo)跟蹤算法效果的最簡單直接的辦法。其具體的操作方法有以下幾種：利用在圖像識別或行人重識別任務(wù)訓(xùn)練得到的特征提取網(wǎng)絡(luò)，直接替換現(xiàn)有的多目標(biāo)跟蹤算法框架中的表觀特征提取模塊；采用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)光流運動特征，將光流網(wǎng)絡(luò)引入到算法中計算目標(biāo)之間的運動相關(guān)性等。而通過深度學(xué)習(xí)提升多目標(biāo)跟蹤算法更加直接的方法是學(xué)習(xí)檢測之間的特征相似性。譬如，設(shè)計深度網(wǎng)絡(luò)對不同目標(biāo)之間的相似性進(jìn)行度量，使得同一目標(biāo)的相似距離小，不同目標(biāo)的相似距離大，從而構(gòu)造關(guān)于檢測距離的代價函數(shù)。也可以通過設(shè)計二分類代價，使相同目標(biāo)的檢測特征匹配類型為 1，然不同目標(biāo)的檢測特征匹配類型為 0，從而學(xué)習(xí)并輸出(0,1]之間的檢測匹配度。如果考慮已有軌跡與檢測之間的匹配，采用深度學(xué)習(xí)方法可以用于設(shè)計并計算軌跡之間的匹配相似度，這種方法可以認(rèn)為是基于深度學(xué)習(xí)的高階特征匹配方法。使用深度學(xué)習(xí)計算高階特征匹配算法，可以學(xué)習(xí)多幀表現(xiàn)特征的高階匹配相似度，也可以學(xué)習(xí)運動特征的匹配相關(guān)度。下面將通過對基于孿生網(wǎng)絡(luò)的深度學(xué)習(xí)多目標(biāo)跟蹤算法的詳細(xì)介紹，來說明基于深度學(xué)習(xí)的多目標(biāo)跟蹤算法的詳細(xì)步驟。
基于對稱網(wǎng)絡(luò)的多目標(biāo)跟蹤算法有很多種，而其中的一種便是采用 Siamese對稱卷積網(wǎng)絡(luò)，該算法以兩個尺寸相同的檢測圖像塊為輸入，輸出為兩個圖像塊是否屬于同一個目標(biāo)的判別。
展開 
目標(biāo)定位跟蹤的相關(guān)專題、標(biāo)簽、搜索
目標(biāo)定位跟蹤的最新內(nèi)容
隨著人工智能和機(jī)器人技術(shù)的快速發(fā)展，服務(wù)機(jī)器人在各行各業(yè)得到了廣泛應(yīng)用，服務(wù)機(jī)器人能夠自主完成各種服務(wù)任務(wù)，如導(dǎo)航、搬運、清潔等，為保證服務(wù)機(jī)器人能夠準(zhǔn)確、高效地完成任務(wù)，對其進(jìn)行全面的性能測試至關(guān)重要，其中，目標(biāo)定位性能的測試尤為關(guān)鍵。
在國家標(biāo)準(zhǔn)GB/T38124《服務(wù)機(jī)器人性能測試方法》中，對服務(wù)機(jī)器人的定位導(dǎo)航性能檢測項目定義時，明確提出“測試設(shè)備可以是視覺跟蹤系統(tǒng)
基于CV模型卡爾曼濾波、CT模型卡爾曼濾波、IMM模型濾波的目標(biāo)跟蹤。輸出跟蹤軌跡及其誤差。程序已調(diào)通，可直接運行。
基于matlab的機(jī)動目標(biāo)跟蹤濾波方法，勻加速模型（CA）、多模型有交互式多模型（IMM）、擴(kuò)展卡爾曼濾波（EKF）、不敏卡爾曼濾波（UKF）進(jìn)行跟蹤濾波。程序已調(diào)通，可直接運行。
基于matlab的交互多模算法（IMM）機(jī)動目標(biāo)跟蹤算法，完整的15頁文檔論文。根據(jù)二維空間內(nèi)目標(biāo)作勻速直線運動和勻速圓周運動的特點，在建立目標(biāo)運動模型和觀測模型的基礎(chǔ)上采用基于交互多模算法（IMM）的卡爾曼濾波器對機(jī)動目標(biāo)進(jìn)行跟蹤。仿真結(jié)果表明，該算法不僅能夠?qū)蛩僦本€運動和勻速圓周運動的目標(biāo)進(jìn)行跟蹤，而且在運動模型發(fā)生變化時，濾波誤差也比較小。程序已調(diào)通，可直接運行。
基于matlab的關(guān)于多目標(biāo)跟蹤的的濾波程序，包括采用聯(lián)合概率數(shù)據(jù)互聯(lián)（JPDA）算法實現(xiàn)兩個個勻速運動目標(biāo)的點跡與航跡的關(guān)聯(lián)，輸出兩個目標(biāo)跟蹤的觀測位置、估計位置以及估計誤差。程序已調(diào)通，可直接運行。
基于matlab的彈道目標(biāo)跟蹤濾波方法，擴(kuò)展卡爾曼濾波（extended Kalman filter, EKF）、轉(zhuǎn)換測量卡爾曼濾波（conversion measurement Kalman filter, CMKF）跟蹤濾波，得到距離、方位角、俯仰角誤差結(jié)果。程序已調(diào)通，可直接運行。
源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學(xué)習(xí)算法在多目標(biāo)跟蹤中的實時性問題, 提出一種基于MobileNet的多目標(biāo)跟蹤算法. 借助于MobileNet深度可分離卷積能夠?qū)ι疃染W(wǎng)絡(luò)模型進(jìn)行壓縮的原理, 將YOLOv3主干網(wǎng)絡(luò)替換為MobileNet, 通過將標(biāo)準(zhǔn)卷積分解為深度卷積和逐點卷積, 保留多尺度預(yù)測部分, 以有效減少參數(shù)量. 對于檢測得到的邊框信息, 利用
如今，深度學(xué)習(xí)算法的發(fā)展越來越迅速，并且在圖像處理以及目標(biāo)對象識別方面已經(jīng)得到了較為顯著的突破，無論是對檢測對象的類型判斷，亦或者對檢測對象所處方位的檢測，深度學(xué)習(xí)算法都取得了遠(yuǎn)超過傳統(tǒng)機(jī)器學(xué)習(xí)算法的準(zhǔn)確率。當(dāng)前，可以機(jī)器人技術(shù)分為以下兩種學(xué)科的跨學(xué)科分支，即工程和科學(xué)。其包含計算機(jī)科學(xué)、機(jī)械工程、電子信息工程等。機(jī)器人的設(shè)計與制造和用于機(jī)器人的運動規(guī)劃控制、傳感器反饋和信息處理的技術(shù)系統(tǒng)在機(jī)器人鄰域都有涉及
“垂直起降噴氣動力飛行器可搭載協(xié)同搜索識別定位與目標(biāo)跟蹤技術(shù)、無人機(jī)編隊控制技術(shù)、復(fù)雜環(huán)境下精確避障技術(shù)、高速飛行中精確制導(dǎo)技術(shù)等多項關(guān)鍵技術(shù)，可具備高動態(tài)無人飛行器間智能協(xié)同作業(yè)能力。”段峰表示，未來，這款垂直起降噴氣動力飛行器有望應(yīng)用于空中人員運送領(lǐng)域，例如復(fù)雜地理環(huán)境救援、城市急救等情況。（北京日報客戶端 | 記者 白波 通訊員 喬仁銘）
Abstract：視覺跟蹤技術(shù)是計算機(jī)視覺領(lǐng)域（人工智能分支）的一個重要課題，有著重要的研究意義。在軍事制導(dǎo)、視頻監(jiān)控、機(jī)器人視覺導(dǎo)航、人機(jī)交互、以及醫(yī)療診斷等許多方面有著廣泛的應(yīng)用前景。隨著研究人員不斷地深入研究，視覺目標(biāo)跟蹤在近十幾年里有了突破性的進(jìn)展，使得視覺跟蹤算法不僅僅局限于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，更是結(jié)合了近些年人工智能熱潮
