目標(biāo)跟蹤
關(guān)注創(chuàng)建者：龍騰AI技術(shù) 創(chuàng)建時(shí)間：2022-11-09
目標(biāo)跟蹤的視頻教程
卡爾曼濾波和MATLAB程序詳解視頻算法與實(shí)時(shí)技術(shù)信號(hào)處理
（78分鐘，有程序） 29、KF18_基于角度方位的二維目標(biāo)跟蹤問題用EKF方法分析（49分鐘，有程序） 第七章 ?無跡卡爾曼濾波(UKF)處理非線性離散隨機(jī)系統(tǒng)及其應(yīng)用 30、KF19_1擴(kuò)展卡爾曼濾波缺陷與UKF方法引入與無跡變換流程（39分鐘） 31、KF19_2無跡卡爾曼濾波介紹及思考問題（16分鐘） 32、KF20_1觀測(cè)距離的跟蹤問題狀態(tài)及觀測(cè)方程與UKF流程程序?qū)崿F(xiàn)（34分鐘
￥238 29小時(shí)24分鐘 2421播放
查看
粒子濾波PF及MATLAB程序詳解視頻和輔助及正則粒子濾波RPF實(shí)時(shí)跟蹤
主要內(nèi)容包括：粒子濾波算法入門實(shí)例及數(shù)學(xué)基礎(chǔ)知識(shí)復(fù)習(xí)，粒子濾波在一維非線性信號(hào)跟蹤問題的應(yīng)用，四種重采樣方法及其在粒子濾波的效果分析，粒子濾波與擴(kuò)展及無跡卡爾曼濾波的效果對(duì)比，粒子濾波(PF)在無剛性視覺目標(biāo)跟蹤問題的應(yīng)用，粒子濾波(PF)在電池壽命問題中的參數(shù)估計(jì)及其壽命預(yù)測(cè)的應(yīng)用，粒子濾波算法理論推導(dǎo)與分析，輔助粒子濾波跟蹤非線性系統(tǒng)及大氣下落物體，微分方程狀態(tài)變量跟蹤3自由度質(zhì)量彈簧系統(tǒng)，正則化粒子濾波分析非線性跟蹤系統(tǒng)
￥250 3小時(shí)27分鐘 602播放
查看
目標(biāo)跟蹤的實(shí)例教程
同時(shí)，針對(duì)對(duì)精度要求較高的場(chǎng)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(shí)現(xiàn)了單鏡頭下的單類別目標(biāo)跟蹤，更針對(duì)多種不同類別的目標(biāo)跟蹤場(chǎng)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(shí)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(shí)現(xiàn)多種不同種類物體的同時(shí)跟蹤。
視頻引用公開數(shù)據(jù)集[2]
跨鏡頭跟蹤
安防場(chǎng)景常常會(huì)涉及在多個(gè)鏡頭下對(duì)于目標(biāo)物體的持續(xù)跟蹤。當(dāng)目標(biāo)從一個(gè)鏡頭切換到另一個(gè)鏡頭，往往會(huì)出現(xiàn)目標(biāo)跟丟的情況，這時(shí)，一個(gè)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(jí)模型PP-PicoDet和PP-LCNet分別作為檢測(cè)模型和ReID模型，配合軌跡融合算法，保持高性能的同時(shí)也兼顧了高準(zhǔn)確度，
實(shí)現(xiàn)在多個(gè)鏡頭下緊跟目標(biāo)，無論鏡頭如何切換、場(chǎng)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(jì)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(diǎn)。
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(duì)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(jì)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(cè)和軌跡關(guān)聯(lián)，以確保同一個(gè)物體在視頻中獲得固定的、唯一的數(shù)字標(biāo)識(shí)。多目標(biāo)跟蹤通常限定在目標(biāo)類別已知的場(chǎng)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(cè)器。物體檢測(cè)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(yàn)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(shí)別與跟蹤，因而在外觀建模、運(yùn)動(dòng)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(duì)于整個(gè)跟蹤領(lǐng)域的發(fā)展有重要意義
隨著計(jì)算機(jī)運(yùn)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(shí)現(xiàn)一個(gè)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(shí)仍存在許多亟需解決的問題，例如如何應(yīng)對(duì)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(jì)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?cè)趯?shí)際生活中的應(yīng)用需求。
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(cè)目標(biāo)之間的相似性或距離度量的設(shè)計(jì)。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(jiǎn)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(shí)別或行人重識(shí)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(yùn)動(dòng)特征，將光流網(wǎng)絡(luò)引入到算法中計(jì)算目標(biāo)之間的運(yùn)動(dòng)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(cè)之間的特征相似性。譬如，設(shè)計(jì)深度網(wǎng)絡(luò)對(duì)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(cè)距離的代價(jià)函數(shù)。也可以通過設(shè)計(jì)二分類代價(jià)，使相同目標(biāo)的檢測(cè)特征匹配類型為 1，然不同目標(biāo)的檢測(cè)特征匹配類型為 0，從而學(xué)習(xí)并輸出(0,1]之間的檢測(cè)匹配度。如果考慮已有軌跡與檢測(cè)之間的匹配，采用深度學(xué)習(xí)方法可以用于設(shè)計(jì)并計(jì)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(jì)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(yùn)動(dòng)特征的匹配相關(guān)度。下面將通過對(duì)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(duì)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(duì)稱卷積網(wǎng)絡(luò)，該算法以兩個(gè)尺寸相同的檢測(cè)圖像塊為輸入，輸出為兩個(gè)圖像塊是否屬于同一個(gè)目標(biāo)的判別。
展開 源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對(duì)深度學(xué)習(xí)算法在多目標(biāo)跟蹤中的實(shí)時(shí)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(diǎn)卷積, 保留多尺度預(yù)測(cè)部分, 以有效減少參數(shù)量. 對(duì)于檢測(cè)得到的邊框信息, 利用Deep-SORT算法進(jìn)行跟蹤. 實(shí)驗(yàn)結(jié)果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關(guān)鍵詞
深度學(xué)習(xí) 多目標(biāo)跟蹤 目標(biāo)檢測(cè) YOLOv3 deep-SORT MobileNet
0 引言
多目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn), 可應(yīng)用于交通監(jiān)測(cè)、安防等多個(gè)領(lǐng)域, 具有一定的應(yīng)用價(jià)值和挑戰(zhàn)性[1]. 檢測(cè)方式可以分為檢測(cè)跟蹤和無檢測(cè)跟蹤兩類, 前者需要檢測(cè)目標(biāo)后再進(jìn)行跟蹤; 后者需要在第1幀手動(dòng)初始化目標(biāo), 然后進(jìn)行跟蹤. 在目標(biāo)跟蹤中, 涌現(xiàn)出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測(cè)跟蹤中體現(xiàn)出較強(qiáng)的優(yōu)勢(shì).
由于深度學(xué)習(xí)的發(fā)展, 卷積神經(jīng)網(wǎng)絡(luò)模型逐漸替代了傳統(tǒng)手工設(shè)計(jì)的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時(shí), 其網(wǎng)絡(luò)深度和尺寸也在成倍增長(zhǎng), 需要GPU來進(jìn)行加速, 使得基于深度學(xué)習(xí)的跟蹤算法無法直接應(yīng)用于移動(dòng)設(shè)備, 導(dǎo)致難以符合實(shí)時(shí)性要求. 因此降低算法復(fù)雜度、提高實(shí)時(shí)性、簡(jiǎn)化和加速模型便成為亟待解決的問題. 文獻(xiàn)[8-10]使用剪枝方法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)壓縮. 文獻(xiàn)[11]提出從零開始訓(xùn)練低秩約束卷積神經(jīng)網(wǎng)絡(luò)模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 Abstract：視覺跟蹤技術(shù)是計(jì)算機(jī)視覺領(lǐng)域（人工智能分支）的一個(gè)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—深度學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）和相關(guān)濾波器等方法。本文主要介紹以下幾點(diǎn)：什么是視覺目標(biāo)跟蹤（單目標(biāo)跟蹤）、單目標(biāo)跟蹤的基本結(jié)構(gòu)（框架），目標(biāo)跟蹤存在的挑戰(zhàn)，目標(biāo)跟蹤經(jīng)典相關(guān)方法及研究趨勢(shì)等。
01 單目標(biāo)跟蹤任務(wù)簡(jiǎn)介
目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要問題，目前廣泛應(yīng)用在體育賽事轉(zhuǎn)播、安防監(jiān)控和無人機(jī)、無人車、機(jī)器人等領(lǐng)域。下面是一些應(yīng)用的例子。
車輛跟蹤
足球比賽
田徑比賽
視覺目標(biāo)（單目標(biāo)）跟蹤是指對(duì)圖像序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)、提取、識(shí)別和跟蹤，獲得運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)參數(shù)，如位置、速度、加速度和運(yùn)動(dòng)軌跡等，從而進(jìn)行下一步的處理與分析，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的行為理解，以完成更高一級(jí)的檢測(cè)任務(wù)。
其具體任務(wù)即根據(jù)所跟蹤的視頻序列給定初始幀（第一幀）的目標(biāo)狀態(tài)（位置、尺度），預(yù)測(cè)后續(xù)幀中該目標(biāo)狀態(tài)。
展開 
目標(biāo)跟蹤的相關(guān)專題、標(biāo)簽、搜索
目標(biāo)跟蹤的最新內(nèi)容
在導(dǎo)軌滑塊上，固定1.5英寸高精度靶球，作為測(cè)量過程中的跟蹤目標(biāo)。
(2)數(shù)據(jù)采集與實(shí)時(shí)偏差監(jiān)控：移動(dòng)滑塊至導(dǎo)軌的前端和后端，激光跟蹤儀測(cè)量并記錄導(dǎo)軌兩端點(diǎn)的位置數(shù)據(jù)。然后在SpatialMaster軟件中將導(dǎo)軌前后端點(diǎn)連成一條理論直線，并創(chuàng)建實(shí)時(shí)監(jiān)控功能，軟件會(huì)實(shí)時(shí)顯示滑塊當(dāng)前位置相較于理論直線的偏移方向和距離值。
- 動(dòng)態(tài)測(cè)量：可實(shí)時(shí)跟蹤運(yùn)動(dòng)目標(biāo)的位置和姿態(tài)變化，測(cè)量運(yùn)動(dòng)物體的速度、加速度等參數(shù)，用于監(jiān)測(cè)生產(chǎn)線上運(yùn)動(dòng)部件的運(yùn)行狀態(tài)，或?qū)C(jī)器人等運(yùn)動(dòng)設(shè)備進(jìn)行性能測(cè)試。
2、應(yīng)用實(shí)例
- 汽車制造：在汽車工裝檢測(cè)中，如某型號(hào)汽車總拼工裝定位銷位置檢測(cè)。
1、工作原理方面
- 激光跟蹤儀主要是通過發(fā)射激光束來跟蹤目標(biāo)。它有一個(gè)高精度的角度編碼器，能夠精確測(cè)量?jī)x器的水平角和垂直角。同時(shí)，激光干涉測(cè)量系統(tǒng)可以測(cè)量從儀器到目標(biāo)反射鏡的距離。當(dāng)目標(biāo)反射鏡移動(dòng)時(shí)，激光跟蹤儀通過不斷地測(cè)量角度和距離的變化，從而確定目標(biāo)在三維空間中的位置。
? 雷達(dá)和聲納系統(tǒng)：DSP 系統(tǒng)對(duì)于處理雷達(dá)和聲納信號(hào)非常重要，用于國防、航空和其他各個(gè)領(lǐng)域的目標(biāo)檢測(cè)、跟蹤、距離估計(jì)和干擾緩解。
? 控制系統(tǒng)：DSP 系統(tǒng)管理用于反饋控制、濾波的數(shù)字系統(tǒng)算法，管理機(jī)器人、汽車系統(tǒng)和其他各種領(lǐng)域的應(yīng)用。
? 無線通信：DSP 系統(tǒng)涉及無線通信系統(tǒng)（Wi-Fi、蜂窩網(wǎng)絡(luò)）以執(zhí)行信號(hào)調(diào)制、解調(diào)、信道估計(jì)等任務(wù)以及其他各種領(lǐng)域。
在連鑄機(jī)安裝精度檢測(cè)中，激光跟蹤儀安裝快捷、操作簡(jiǎn)便，可以實(shí)時(shí)跟蹤目標(biāo)點(diǎn)的位置和姿態(tài)，無需進(jìn)行大量的數(shù)據(jù)采集和人工分析，提高了測(cè)量效率，減少了人工成本。
激光跟蹤儀在連鑄機(jī)安裝中應(yīng)用非常廣泛，如香蕉梁安裝精度的控制，鋼包回轉(zhuǎn)臺(tái)升降臂檢測(cè)以及扇形段測(cè)量等。本文詳細(xì)介紹GTS激光跟蹤儀在連鑄機(jī)扇形段底座裝調(diào)中的應(yīng)用。
3、實(shí)時(shí)跟蹤測(cè)量：可以對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤和測(cè)量，能夠及時(shí)反饋目標(biāo)的動(dòng)態(tài)變化信息，為生產(chǎn)過程中的實(shí)時(shí)監(jiān)控和調(diào)整提供有力支持。比如在焊接過程中，對(duì)焊接部件的變形情況進(jìn)行實(shí)時(shí)監(jiān)測(cè)，以便及時(shí)調(diào)整焊接參數(shù)，保證焊接質(zhì)量。
4、安裝快捷：儀器的安裝和調(diào)試過程相對(duì)簡(jiǎn)單快捷，不需要復(fù)雜的安裝設(shè)備和長(zhǎng)時(shí)間的調(diào)試過程，能夠快速投入使用，節(jié)省了時(shí)間和成本。
基于此無人機(jī)目標(biāo)識(shí)別與跟蹤技術(shù)的基本原理通過無人機(jī)搭載的攝像頭或其他傳感器設(shè)備，采集環(huán)境信息,然后通過算法分析這些信息，識(shí)別出目標(biāo)物體并將其位置、形狀等信息進(jìn)行精確跟蹤。這一過程涉及到圖像處理、模式識(shí)別、計(jì)算機(jī)視覺等多個(gè)領(lǐng)域的知識(shí)。
為了無人機(jī)可以準(zhǔn)確感知周圍環(huán)境的三維結(jié)構(gòu)，實(shí)現(xiàn)自主避障和精準(zhǔn)定位，大大提升無人機(jī)的安全性和定位精度。可采用激光測(cè)距傳感器。
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(yùn)行。
基于matlab的機(jī)動(dòng)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(yùn)行。
基于matlab的交互多模算法（IMM）機(jī)動(dòng)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(yùn)動(dòng)和勻速圓周運(yùn)動(dòng)的特點(diǎn)，在建立目標(biāo)運(yùn)動(dòng)模型和觀測(cè)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(duì)機(jī)動(dòng)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(yùn)動(dòng)和勻速圓周運(yùn)動(dòng)的目標(biāo)進(jìn)行跟蹤，而且在運(yùn)動(dòng)模型發(fā)生變化時(shí)，濾波誤差也比較小。
