目標跟蹤算法
關注創建者：匿名 創建時間：2026-01-05
目標跟蹤算法的視頻教程
1-17基于matlab卡爾曼濾波的行人跟蹤算法
基于matlab卡爾曼濾波的行人跟蹤算法，并給出算法估計誤差結果，判斷算法的跟蹤精確性，程序保證可直接運行。 購買后可下載視頻中的源程序文件。
￥15.9 56.166秒 1播放
查看
目標跟蹤算法的實例教程
來源 |
人工智能感知信息處理算法研究院
基于深度學習的多目標跟蹤算法的主要任務是，優化檢測目標之間的相似性或距離度量的設計。根網絡學習到的特征的區別，可以將基于深度學習的多目標跟蹤算法分為基于深度表現特征的跟蹤網絡，基于相似性度量的跟蹤網絡以及基于高階匹配特征的跟蹤網絡如下圖所示。
將神經網絡學習到的目標的表觀特征引入到多目標跟蹤算法中，是提升多目標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訓練得到的特征提取網絡，直接替換現有的多目標跟蹤算法框架中的表觀特征提取模塊；采用深度神經網絡學習光流運動特征，將光流網絡引入到算法中計算目標之間的運動相關性等。而通過深度學習提升多目標跟蹤算法更加直接的方法是學習檢測之間的特征相似性。譬如，設計深度網絡對不同目標之間的相似性進行度量，使得同一目標的相似距離小，不同目標的相似距離大，從而構造關于檢測距離的代價函數。也可以通過設計二分類代價，使相同目標的檢測特征匹配類型為 1，然不同目標的檢測特征匹配類型為 0，從而學習并輸出(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，采用深度學習方法可以用于設計并計算軌跡之間的匹配相似度，這種方法可以認為是基于深度學習的高階特征匹配方法。使用深度學習計算高階特征匹配算法，可以學習多幀表現特征的高階匹配相似度，也可以學習運動特征的匹配相關度。下面將通過對基于孿生網絡的深度學習多目標跟蹤算法的詳細介紹，來說明基于深度學習的多目標跟蹤算法的詳細步驟。
基于對稱網絡的多目標跟蹤算法有很多種，而其中的一種便是采用 Siamese對稱卷積網絡，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的判別。
展開 雖然本文檢測算法在一定程度上犧牲了精度, 但實現了模型的小型化和速度上的提升.
3.2
多目標跟蹤算法對比實驗
在MOT基準數據庫提供的序列集上評估跟蹤性能, 以MOT Challenge標準對多目標跟蹤算法進行評價, 具體評價指標如表 2所示, 各指標含義如下:
表 2 評價指標對比
MOTA(↑): 多目標跟蹤準確度;
MOTP(↑): 多目標跟蹤精度;
MT(↑): 目標跟蹤軌跡占真實長度80 %以上的軌跡數目;
ML(↓): 目標跟蹤丟失軌跡占真實長度至多20 %的軌跡數目;
IDs(↓): 目標ID發生變化的次數;
FP(↓): 誤報總數;
FN(↓): 未命中目標的總數;
FPS(↑): 幀頻率.
對于帶有(↑)的評價指標, 分數越高表示效果越好; 對于帶有(↓)的評價指標, 結果相反.
由表 2可見: 本文算法的MOTP值與YOLOv3-Deep-SORT算法相差不大, 但均高于表中其他算法; 被跟蹤的軌跡比例(MT)相比YOLOv3-Deep-SORT算法有所上升, 跟丟軌跡占比(ML)有所下降, 均優于TC_ODAL和RMOT算法; ID變換次數低于表中前4個算法(即TC_ODAL、RMOT、SORT、MDP), 但相比YOLOv3-Deep-SORT算法有所上升; 幀頻率提高為該算法的3倍, 檢測跟蹤時間提高顯著. 本文算法雖然在跟蹤準確度、ID變換次數和誤報總數上不及YOLOv3-Deep-SORT算法, 但其他跟蹤指標均優于該算法, 并且本文算法相比于TC_ODAL、RMOT和SORT等算法優勢明顯. 為進一步表現本文算法的優越性, 以ID標號為3的目標為例, 給出如圖 4所示的部分跟蹤結果, 且跟蹤框上帶有數字ID標識.
展開 基于matlab的交互多模算法（IMM）機動目標跟蹤算法，完整的15頁文檔論文。根據二維空間內目標作勻速直線運動和勻速圓周運動的特點，在建立目標運動模型和觀測模型的基礎上采用基于交互多模算法（IMM）的卡爾曼濾波器對機動目標進行跟蹤。仿真結果表明，該算法不僅能夠對勻速直線運動和勻速圓周運動的目標進行跟蹤，而且在運動模型發生變化時，濾波誤差也比較小。程序已調通，可直接運行。
目標跟蹤任務中的困難與挑戰
如上圖所示，目標跟蹤任務中的困難和挑戰包括：
1.形變，2.光照變化，3.相似干擾，4.運動模糊，5.背景干擾，6.遮擋，7.超出畫面，8.尺度變化，9.平面外宣傳，10.平面內旋轉，11.背景相似
04 目標跟蹤的數據庫
嚴謹的數據集是驅動算法的關鍵，前幾年目標跟蹤方向的數據庫資源相對匱乏，這也是目標跟蹤的發展相對落后于目標檢測的重要原因之一。下面簡要介紹了兩個權威的目標跟蹤方向的數據庫。
OTB50數據集
OTB可以說是做單目標跟蹤必跑的數據庫了，2013年的OTB50包含50個人工標注的視頻序列。由于在此之前目標跟蹤方向沒有比較公認的數據庫，所有的單跟蹤算法沒有一個統一的衡量，所以這個數據庫的意義非常重大，直接促進了單目標跟蹤算法的發展。后來又擴展為OTB100發送到TPAMI，有100個序列，難度更大更加權威。如果想要了解近年來比較厲害的跟蹤算法，可以參考吳毅老師的論文（附后）。
VOT數據庫
VOT Challenge是目標跟蹤領域的賽事，類似于圖形識別領域中的ImageNet挑戰賽。這些賽事通常都是標準數據集的來源，所以VOT數據集是一個常用的目標跟蹤數據集，所有序列支持免費下載。
展開 來源 |
人工智能感知信息處理算法研究院
研究背景介紹
近年來，隨著大數據、云計算、人工智能等領域日新月異的發展及交互融合，智慧電商、智慧交通、智慧城市等概念越發受到關注。隨著人們對更智能、更便捷、更高質量生活的向往，同時伴隨著重大的學術價值和廣闊的商業前景，眾多高校、科研機構、政府部門均對相關產業投入了大量的人力、物力和財力。人工智能，被喻為新時代工業革命的引擎，正在悄然滲入到各行各業并改變著我們的生活方式。計算機視覺是人工智能領域的重要分支，旨在研宄如何讓計算機像人類視覺系統一樣智能地感知、分析、處理現實世界。以圖像和視頻為信息載體的各項計算機視覺算法，早己滲透到大眾的日常生活中，如人臉識別、人機交互、商品檢索、智能監控、視覺導航等。視頻目標跟蹤技術，作為計算機視覺領域中基礎的、重要的研宄方向之一，一直是研宄人員的關注熱點。
視頻目標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，對該目標在后續視頻幀中進行持續的定位和尺度估計Ｗ。廣義的目標跟蹤通常包含單目標跟蹤和多目標跟蹤。兩者既有差別又有緊密的聯系。多目標跟蹤算法主要包括目標檢測和軌跡關聯，以確保同一個物體在視頻中獲得固定的、唯一的數字標識。多目標跟蹤通常限定在目標類別已知的場景中，如多行人、多車輛的視覺跟蹤。因此，多目標跟蹤算法高度依賴現成的目標檢測器。物體檢測的質量直接關系到后續的多目標軌跡關聯。不同地，單目標跟蹤算法要求處理任意類別的物體，即不知道任何關于目標的先驗信息。雖然前提條件略有差異，但正如其名，單目標跟蹤與多目標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、軌跡關聯等技術細節上有緊密的關聯。如何將單目標跟蹤技術應用于多目標跟蹤領域也被廣泛研宄。
展開 
目標跟蹤算法的相關專題、標簽、搜索
目標跟蹤算法的最新內容
摘要：本文詳細介紹了一種基于人類視覺系統特性的紅外弱小目標檢測算法——Multiscale patch-based contrast measure (MPCM)。該算法通過增強目標與背景的對比度，有效檢測紅外圖像中的弱小目標，并在MATLAB環境中進行了復現與實驗驗證。
關鍵詞：紅外檢測、弱小目標、圖像處理、模式識別、自適應檢測
參考文獻：Y. Wei, X. You, and H. Li
基于CV模型卡爾曼濾波、CT模型卡爾曼濾波、IMM模型濾波的目標跟蹤。輸出跟蹤軌跡及其誤差。程序已調通，可直接運行。
基于matlab的模糊C均值算法（FCM）及其改進算法將空間鄰域項引入FCM的目標函數(FCM_S),廣義的模糊C均值(GFCM)算法，基于核的改進的模糊c均值聚類算法（KFCM）,基于核的廣義模糊c均值聚類算法KGFCM的圖像分割方法。程序已調通，可直接運行。
基于matlab的布谷鳥（COA）多目標優化算法，以 滿意度、成本、時間、質量為目標的多目標優化求解代碼。程序已調通，可直接運行。
基于matlab的機動目標跟蹤濾波方法，勻加速模型（CA）、多模型有交互式多模型（IMM）、擴展卡爾曼濾波（EKF）、不敏卡爾曼濾波（UKF）進行跟蹤濾波。程序已調通，可直接運行。
基于matlab的快速跟蹤算法，提出一種簡單又快速、 魯棒性的算法，基于貝葉斯框架下，該模型 （即圖像強度和從目標位置） 的低級功能及周邊地區的統計相關性的時空關系。跟蹤問題是通過計算信心地圖，并將以最大限度地對象位置似然函數取得最佳的目標位置。程序已調通，可直接運行。
基于matlab的交互多模算法（IMM）機動目標跟蹤算法，完整的15頁文檔論文。根據二維空間內目標作勻速直線運動和勻速圓周運動的特點，在建立目標運動模型和觀測模型的基礎上采用基于交互多模算法（IMM）的卡爾曼濾波器對機動目標進行跟蹤。仿真結果表明，該算法不僅能夠對勻速直線運動和勻速圓周運動的目標進行跟蹤，而且在運動模型發生變化時，濾波誤差也比較小。
基于matlab的多目標遺傳算法的無人機航路規劃。在三維航路中進行航路代價估計，綜合考慮路徑長度、隱蔽性、危險度，規劃出最優路徑。輸出3D規劃路徑。程序已調通，可直接運行。
基于matlab的關于多目標跟蹤的的濾波程序，包括采用聯合概率數據互聯（JPDA）算法實現兩個個勻速運動目標的點跡與航跡的關聯，輸出兩個目標跟蹤的觀測位置、估計位置以及估計誤差。程序已調通，可直接運行。
基于matlab的基于兩輪驅動機器人的自適應軌跡跟蹤算法，將被跟蹤軌跡分段作為跟蹤直線處理，相鄰離散點之間為一段新的被跟蹤軌跡。程序已調通，可直接運行。
