基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。      

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前，目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时，随着脑科学研究的不断深入，人们对人脑视觉系统的理解逐渐透彻，利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs)，提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法，包括：基于演算侧抑制的目标检测算法，基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明，将类脑模型和深度神经网络应用于目标检测和跟踪领域，有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

结合空间注意力机制的实时鲁棒视觉跟踪

为提高全卷积孪生网络(SiamFC)跟踪器在复杂场景下的跟踪能力,缓解跟踪器在跟踪过程中出现的目标漂移问题,提出一种结合空间注意力机制的实时目标跟踪算法。在SiamFC框架基础上,将改进的视觉几何组(VGG)网络作为主干网络,增强跟踪器对于目标深度特征的建模能力。对自注意力机制进行优化,提出一种即插即用的轻量级单卷积注意力模块(SCAM),将空间注意力分解为2个并行的一维特征编码过程,减少空间注意力的计算复杂度。保留跟踪过程中的初始目标模板作为第1模板,通过分析连通域在跟踪结果响应图的变化动态选择第2模板,融合2个模板后对目标进行定位。实验结果表明：在OTB100、LaSOT和UAV123数据集上,所提算法相比于SiamFC跟踪成功率分别提高了0.082、0.045和0.045,跟踪精度分别提高了0.118、0.051和0.062;在VOT2018数据集上,所提算法相比于SiamFC在跟踪准确率、鲁棒性和期望平均重叠率上分别提高了0.029、0.276和0.134;跟踪速度达到了70帧/s,能够满足实时跟踪的需求。     

基于深度强化学习的高超声速飞行器动态面控制方法

针对高超声速飞行器控制问题,通过将深度强化学习与动态面控制方法相结合,设计了智能姿态控制算法。首先,利用模型先验知识,采用传统的动态面控制方法设计控制器结构。然后,考虑跟踪误差和控制量幅值约束的指标情况下,采用深度学习算法完成对控制器参数的智能寻优,代替传统设计中的人工调参试错过程。为提升训练效果,在奖励函数中引入了控制量变化率。最后,通过数值仿真验证了本文所设计控制方法的有效性与鲁棒性。     

飞行仿真转台基于干扰观测器的鲁棒跟踪控制

对三轴飞行仿真转台系统,提出一种基于干扰观测器的鲁棒数字跟踪控制器的设计综合方法.该控制器由前馈控制器、闭环控制器及摩擦补偿环节组成.前馈环节由零相差跟踪控制器ZPETC (Zero Phase Error Tracking Controller)及FIR滤波器构成,闭环由比例微分(PD)控制及干扰观测器构成,摩擦补偿采用基于库仑模型的固定补偿方法.实验结果表明,该方法能有效提高跟踪性能,并且对系统参数变化和力矩扰动具有很强的鲁棒性.     

基于间隙度量的鲁棒LPV控制律设计

针对高超声速飞行器飞行包线范围广和模型参数不确定性大的问题,提出了基于间隙度量的鲁棒线性变参数(LPV,Linear Parameter-Varying)控制律设计方法.该方法将间隙度量引入LPV控制器设计中,提出了基于最优间隙度量的凸分解策略,并将其应用于多胞顶点的分解和鲁棒LPV控制器的自增益调参,以降低控制器的保守性;考虑模型的参数不确定性求取多胞LPV系统的顶点模型并设计顶点控制器,以提高顶点边界附近LPV控制器的鲁棒性;以某型高超声速飞行器为对象设计了鲁棒LPV控制器.仿真结果表明:该方法能降低大包线内控制器的保守性,实现高超声速飞行器在整个设计包线内精确的指令跟踪,并且在模型参数存在大的不确定性情况下仍保证系统的鲁棒性能和稳定性.     

基于L2范数最小化联合模型的目标跟踪算法

为了解决稀疏表示的跟踪算法的计算代价比较大,且目标的表观由于多种原因会发生变化的问题,提出了一种在贝叶斯推理框架下,建立结合基于全局模板的判别式模型和基于局部描述子的生成式模型的联合模型,通过L2范数最小化进行求解的目标跟踪方法.在跟踪过程中,适时地更新判别式模型中的正负模板和生成式模型中模板的系数向量,使模板具有很强的适应性和判别性.实验结果表明,与其他典型的算法相比,该算法对于光照变化、尺度变化、遮挡、旋转等情况具有较强的鲁棒性.      

基于IoU约束的孪生网络目标跟踪方法

基于孪生网络的跟踪方法通过离线训练跟踪模型，不需要对跟踪模型进行在线更新，兼顾了跟踪精度和速度。现有孪生网络目标跟踪方法使用固定阈值选择正负训练样本易造成训练样本漏选问题，且训练时分类分支和回归分支之间存在低相关性问题，不利于训练出高精度的跟踪模型。为此，提出了一种基于交并比(IoU)约束的孪生网络目标跟踪方法。通过使用动态阈值策略根据预定义锚框与目标真实框的相关统计特征，动态调整正负训练样本的界定阈值，提升跟踪精度。所提方法使用IoU质量评估分支代替分类分支，通过锚框与目标真实框之间的IoU反映目标位置，提升跟踪精度，降低模型的参数量。在数据集VOT2016、OTB-100、VOT2019、UAV123上进行了对比实验，所提方法均有较好的表现。在VOT2016数据集上，所提方法的跟踪精度比SiamRPN方法高0.017，期望平均重叠率为0.463，与SiamRPN++相比仅差0.001，实时运行速度可达220帧/s。      

基于微分器的轨迹线性化控制方法及其应用

针对当前轨迹线性化控制(TLC)方法对系统中的不确定性存在鲁棒性不足的问题,受非线性跟踪微分器设计思路的启发,提出了一种基于微分器设计原则的轨迹线性化控制方法.首先,引入二阶线性微分器(SOLD)的概念,通过理论分析指出了当前轨迹线性化控制方法中采用一阶惯性+伪微分器求取标称指令的微分信号时,会存在与二阶线性微分器类似的峰值现象,随后利用韩式跟踪微分器(TD)求取标称指令及其微分信号,避免了该现象的同时又赋予了系统在控制量的约束范围内调节响应快慢的能力;其次,通过构造期望的闭环系统,跟踪误差动态,直接获取线性时变(LTV)系统的控制量, 使得参数整定不再依赖于并行微分(PD)谱理论,在此基础上,将混合微分器(HD)的非摄动形式等价为期望的闭环系统跟踪误差动态,以提升轨迹线性化控制方法的鲁棒性,同时借助Lyapunov稳定性理论证明了受扰系统的跟踪误差最终一致有界;最后,利用所提出的轨迹线性化控制方法设计了高超声速飞行器的姿控系统并进行了相应的仿真.结果表明:存在大范围气动参数摄动的情况下,本方法仍具有较好的控制性能及抗干扰能力,能够满足高超声速飞行器快时变、高精度以及强鲁棒的控制需求.      

面向个体人员特征的跨模态目标跟踪算法

针对类内干扰影响基于个体人员特征目标跟踪算法的精确性和鲁棒性问题，分析当前跟踪算法在个体人员跟踪方面存在的不足，提出了利用语言先验知识引导辅助跟踪器的方法。在视觉跟踪器的基础上增加语言引导分支，对跟踪目标产生注意力，从而减少对类内干扰的影响。利用位置置信度进行回归目标框定位的方法解决基于孪生网络目标跟踪算法中利用分类置信度定位候选目标框的局限性，实现跨模态信息融合提升特定目标跟踪的精度。为提升所提模型对特定人员目标跟踪的针对性，构建了跨模态的人员目标跟踪数据集用于训练和验证。实验表明:所提模型应用于个体人员跟踪时表现更佳，其有效性得到了证明。