大场景视频监控下大坝运输车改进多目标多视觉卸料识别模型研究

运输车卸料识别对保障大坝施工安全、优化运输配置具有重要意义。然而,大坝施工中多采用全球导航卫星系统（Global Navigation Satellite System,GNSS）进行运输车活动状态分析,存在设备成本高、识别精度低等缺点。目前,通过布设高清摄像头进行坝面大场景施工监控成为趋势,但尚未见基于机器视觉的运输车卸料识别研究。针对上述问题,提出大场景视频监控下大坝施工运输车卸料识别改进多目标多视觉任务模型。首先,采用ByteTrack实现大场景监控视频中多辆运输车目标检测与追踪,记录其行驶轨迹;其次,High Resolution Net（HRNet）被用于运输车头部和尾部的关键点检测,进而结合行驶轨迹判断运输车前进、停止和后退等行进状态;再者,通过Destruction and Construction Learning(DCL)细粒度分类方法判断运输车料斗的抬升状态;最后,结合ByteTrack、HRNet和DCL的多目标多视觉任务的分析结果判定运输车卸料状态。以两河口施工视频监控为例进行验证,提出的卸料识别模型在34帧时卸料状态识别平均准确率为87.3%,卸料时间判断精度为90.3%,验证了本模型的可行性和有效性。     

多目标跟踪雷达技术在交通态势感知中的应用

本文介绍了多目标跟踪雷达技术在交通态势感知中的应用,通过雷达事件检测器感知车辆状态数据,获取实时经度、纬度、速度等信息,支持与视频同步显示:通过多目标的相关性分析,识别停车、逆行、行人、应急车道占用及抛洒物等多种异常事件,支持联动发布告警信息:同时支持对雷达事件检测器的状态监控、图上定位与配置维护。     

路侧毫米波雷达感知车辆轨迹精度估计方法

基于毫米波雷达车辆感知数据,本文提出一种轨迹精度估计方法。该方法对车辆运动在雷达坐标系中进行正交分解,在各向上建立车辆运动轨迹模型并拟合模型参数实现车辆真实运动轨迹估计。以车辆轨迹定位与速度感知数据与轨迹估计值计算定位与速度结果残差的标准差作为评价指标对车辆轨迹精度进行估计。本文结合上海市东海大桥实际道路交通场景雷达感知车辆数据进行车辆轨迹感知精度估计,结果显示,毫米波雷达感知车辆轨迹数据在×方向上,定位测量残差标准差为0.28m,速度测量残差标准差为1.39m/s。在y方向上,定位测量残差标准差为0.58m,速度测量残差标准差为1.50m/s,实现在不需要车辆轨迹真值的情况下对毫米波雷达感知车辆轨迹精度进行有效预估。     

基于特征值和灰度关联的双机关联定位

针对双机协同对多目标进行定位跟踪的应用背景，研究了不同侦察平台、不同侦察传感器测向数据的关联和定位问题，提出了一种双机实时关联定位方法。该方法利用各类传感器的关联特征要素建立双机同类型传感器的数据关联模型，利用B 型灰色关联度的纯方位关联算法建立同机不同类型传感器的关联矩阵，结合目标身份信息进行测向结果关联，对关联上的测向结果进行提纯、滤波和交叉定位，最后得到目标定位结果。仿真试验结果证明了该方法的有效性。     

小波分析在多传感器多目标跟踪的航迹相关算法中的应用

在多传感器多目标融合跟踪系统中,航迹关联是对目标进行连续跟踪最重要的关键技术。在融合中心,对多传感器获得的目标航迹数据进行航迹关联处理,判断哪些航迹数据源于同一个目标。利用小波分析的方法提取航迹信号的趋势项信息,再结合传统的航迹关联处理方法对这些趋势信号进行关联判决。仿真实验表明这种方法是可行的。     

多目标跟踪算法研究综述

针对多目标跟踪技术中滤波算法这一核心问题,在近年来国内外研究成果的基础上,对多目标跟踪滤波算法的研究进展进行系统地分类综述。根据被观测对象及观测系统的不同,对线性跟踪和非线性跟踪两类算法进行了分析比较,并指出了多目标跟踪技术中滤波算法的发展趋势。     

一种融合遮挡分割的多目标跟踪算法

复杂环境下的多目标视频跟踪是计算机视觉领域的一个难点,有效处理目标间遮挡是 解决多目标跟踪问题的关键。提出了一种融合遮挡分割的多目标跟踪算法,计算每个目标 的光流速度概率直方图,反映其运动统计信息;综合使用外观、运动、颜色信息构造新的像 素距离表达,借助分阶段分类思想及K均值聚类技术进行遮挡分割,得到准确的运动前景 像素;在粒子滤波器跟踪框架下,使用概率外观模型进行多目标跟踪,更好地处理动态遮挡 问题。实验表明,所提算法解决了复杂环境下的多目标跟踪问题。     

相控阵雷达数据及多目标跟踪仿真

介绍了一种相控阵雷达数据和多目标跟踪仿真系统,用于前期算法验证和数据处理模拟和性能评估。     

地面多目标跟踪滤波技术

介绍了地面运动目标的跟踪滤波算法。计算机仿真及真实雷达环境的多目标跟踪表明，采用本文提出的多目标跟踪处理算法进行地面目标的跟踪，跟踪精度和实时性都能满足要求，该方法是有效和可行的。     

基于YOLO与轨迹关联的多目标跟踪算法

针对多目标跟踪过程中的实时性与长期遮挡问题,提出基于YOLO与轨迹关联的多目标跟踪算法。在YOLOv3检测器基础上,引入通道注意力机制、跨阶段局部网络及1×1网络,提出YOLOv3-SE检测框架作为多目标跟踪算法的检测网络,提高整体跟踪速度;采用卡尔曼滤波预测目标位置坐标,减小跟踪误差;结合行人重识别基线模型以及运动模型计算轨迹间亲密度,再与匈牙利关联策略相融合,提出一种新型关联模型用于轨迹关联,降低轨迹误匹配次数。在MOT2016公开数据集上的实验结果表明,与当前一些主流跟踪算法相比,所提出的算法具有较好的实时性与跟踪准确率。