基于核密度多伯努利视频多目标跟踪算法

针对复杂环境下数目变化、目标紧邻及尺寸变化的 视频多目标跟踪问题,在多伯努利滤波框架 下,提出一种自适应的变数目视频多目标跟踪算法。算法通过引入核密度背景减除技术,可 以有效抑制 背景干扰;然后融入连续自适应均值漂移(CAMShift)技术,并提出目标紧邻和尺寸变化处理 机制,可 以有效提高算法的自适应性;最后引入粒子标记技术,可以有效实现对视频多目标的轨迹跟 踪。对彩色视频和红外视频序列图像的测试结果表明,本文提出算法可以有效实现对复杂环 境下数目变化的视频多目标自适应跟踪,且具有较好的鲁棒性。     

一种面向互动投影的多目标跟踪方法

针对互动投影系统对多目标跟踪在自适应和实时性方面的需求,提出了一种基于自适应混合粒子滤波和自适应数据关联的多目标跟踪方法.该方法采用基于背景差检测的混合粒子滤波并将跟踪置信度引入目标的状态量中,根据跟踪置信度大小自适应地加强或减弱关联强度进行数据关联;同时,根据数据关联结果分析目标出现、目标消失、目标衍生、目标相遇等复杂运动情况,对每个目标进行自适应混合粒子滤波跟踪.实验证明该方法提高多目标跟踪性能,能够较好满足互动投影的应用需求.     

基于可行性矩阵遍历的重叠多目标角轨迹关联算法

目标角轨迹关联旨在将隶属于同一目标的不同传感器测量的角轨迹正确匹配在一起,角轨迹关联问题是天基光学监视系统的核心难点问题之一,其性能直接决定了天基光学监视系统的目标跟踪性能。在密集多目标场景下,受光学传感器像元分辨率、光学系统点扩散效应、目标相互遮挡等影响,容易发生目标重叠而不可分辨的现象。现行多目标角轨迹关联方法是基于一个目标产生一条角轨迹的假设前提,在重叠多目标情况下关联性能大大降低。针对此类问题,本文提出了基于可行性矩阵遍历的目标角轨迹关联算法。该算法以倾角差为统计量,遍历各种可能的关联分配,并计算每一个可能的关联分配概率,最后基于贝叶斯准则计算得到最终的关联结果。仿真实验表明,该算法能有效处理目标相互遮挡、目标未分辨等导致的多个目标共用一条角轨迹的情况,具有更好的复杂多目标场景适应性。      

基于自适应新生密度的多目标联合检测与解模糊

脉冲多普勒(Pulse Doppler,PD)雷达会产生距离模糊和多普勒模糊问题,传统方法通过发射多个脉冲重复频率(Pulse Repetition Frequency,PRF)并相互关联来解模糊.但当信噪比较低时,为确保检测到目标需采用低门限而产生了大量虚警,传统方法由于数据关联导致计算复杂度过高而失效,基于随机有限...     

基于模糊空时线索的多目标在线跟踪算法

多目标在线跟踪是视频监控中的关键问题之一.针对日益增长的智能化视频监控的需求,提出了一种基于模糊空时线索的多目标在线跟踪算法.在该算法中,引入模糊空时多属性特征定义距离函数,利用模糊C均值聚类优化得到交叉隶属度矩阵,实现目标与观测间的数据关联.为了减少错误的轨迹起始,利用空时线索定义了遮挡度函数,判别出新目标并起始相应的目标轨迹.实验结果表明,本文算法能够准确地估计出目标的运动轨迹.本文算法可应用于视频监控、安防以及自动驾驶等领域.     

基于特征点的多运动目标跟踪

该文针对智能监控的需求,提出基于特征的多运动目标跟踪算法。通过自适应Marr小波核函数背景建模算法,在冗余离散小波域进行多运动目标识别。运动跟踪采用SIFT特征粒子滤波算法,并采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低了运算的复杂度。实际测试表明,该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性,在智能监控领域具有较广泛的应用前景。     

基于随机集的RBPF多目标关联跟踪算法

针对大量杂波环境下数量变化的纯角度多目标航迹关联跟踪问题,提出一种新的基于Rao-Blackwellized粒子采样(RBPF)航迹关联的高斯混合概率假设密度(GMPHD)滤波算法.算法首先利用GMPHD在每时刻对多个目标组成的随机集合进行估计;然后利用基于随机有限集的RBPF对GMPHD所得到的目标集合进行检测和关联...     

基于叠加式传感器的多普勒雷达多目标联合检测与估计

多目标检测与估计是多普勒雷达的基本任务。当信噪比较低时,为确保检测到目标需降低门限而产生了大量虚警,基于数据的多假设跟踪（Multi-Hypothesis Tracking, MHT）和联合概率数据关联（Joint Probabilistic Data Association, JPDA）方法因计算复杂度过高而失效,基于原始信号的随机有限集（Random Finite Set,RFS）滤波器可有效解决该问题。多普勒雷达回波信号以叠加的方式受到多个目标影响,其多目标检测与估计问题属于叠加式传感器的典型应用。本文在叠加式多伯努利（Multi-Bernoulli, MBR）滤波器基础上利用具有准确势估计的独立同分布群（Independent and Identically Distributed Cluster, IIDC）RFS对新生目标建模,并采用辅助粒子滤波器（Auxiliary Particle Filter, APF）实现了多目标联合检测与状态估计。仿真结果表明,混合MBR和集势概率假设密度（Cardinalized Probability Hypothesis Density,CPHD）滤波器对多普勒雷达多目标的检测估计性能优于MBR滤波器,且减小了计算复杂度。      

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。     

认知无线电中基于高斯混合概率假设密度滤波的主用户跟踪算法

基于随机集的高斯混合概率假设密度滤波算法是一种典型的多目标跟踪算法,可以在目标数目未知的情况下进行多目标跟踪,但是该算法要求已知目标的起始位置,在很多情况下,目标的起始位置信息是无法获得的。本文针对这一问题,提出了改进的高斯混合概率假设密度滤波算法,并将本文算法应用于认知无线电系统的主用户跟踪问题。该算法利用双向预测的方式对检测结果进行估计,即使用正向预测算法来估计现存主用户的位置,然后采用后向预测算法来搜索新生的主用户并估计出新生主用户的位置。本文算法的主要优点是在主用户的数目、出现的时间和起始位置均未知的情况下仍可以有效的跟踪目标。最后,通过仿真对本文算法的性能进行了分析。仿真结果表明,本文算法在误检率较高的情况下可以准确地跟踪主用户。      

顾及目标运动多信息特征的蚁群数据关联方法

针对多目标跟踪的数据关联问题,提出一种将目标运动信息多特征进行融合的蚁群数据关联方法。首先,根据数据关联的具体问题,重新定义了蚁群数据关联方法中路径与路径长度两个概念。其次,考虑目标运动过程中的多种信息特征,即距离信息、方向信息以及灰度信息,将这三种信息特征有机融合,共同作为数据关联标准实现多目标的蚁群数据关联。在多目标跟踪实验中,论文采用EKF滤波方法对目标运动状态进行估计。仿真实验对两个目标交叉运动的情况进行了跟踪估计。实验结果表明,考虑多信息特征后的基于蚁群数据关联的方法在计算量相当的情况下,能较未考虑方向信息以及灰度信息的蚁群数据关联方法获得更高的正确关联率,算法的综合性能优于现有的数据关联方法。      

运用自组织神经网络进行多目标跟踪的算法

总结了自组织神经网络的结构、训练方法；分析了在多目标跟踪问题中数据关联的重要性及传统的数据关联方法的局限性；研究了在多目标环境下运用自组织神经网络解决数据关联的问题。提出了一种基于自组织神经网络对多个目标实施跟踪的算法，此算法采用自组织神经网络的聚类功能对目标进行数据关联处理，并将经过卡尔曼滤波后的数据信息结合到神经网络的学习训练中。仿真实验结果表明此算法能在多目标环境下取得较好的跟踪效果。     

杂波环境下的粒子滤波器数据关联方法

为了解决杂波环境下多机动目标的数据关联难题,提出了一种将粒子滤波器(PF)和联合概率数据关联(JPDA)相结合的数据关联算法,该方法首先应用粒子滤波方法对目标的状态进行采样,得到样本(粒子),并结合量测,通过JPDA方法计算得到联合互连事件的关联概率,而该关联概率实际上就是PF中粒子的权值。通过选取适当的有效采样尺度作为衡量PF退化现象的测度,采用重要性重采样技术克服了标准PF的退化现象,降低了算法的计算量。仿真结果表明,粒子滤波方法可以较好地解决杂波环境下跟踪多机动目标的数据关联问题;重要性重采样PF的计算复杂度低于标准PF。     

三维数据关联情况下外辐射源雷达多目标跟踪研究

不同于传统多目标跟踪,除了量测-目标数据关联模糊问题外,外辐射源雷达跟踪系统新增了量测-发射机数据关联模糊问题。针对此问题,该文通过引入一个新的关联变量来表示量测和发射机之间的数据关联关系,提出了目标-量测-发射机3维数据关联改进概率多假设跟踪(PMHT)算法。该算法利用期望极大化(EM)算法的独立性假设条件得到最大后验概率意义下的最优跟踪。为了增加目标-量测-发射机之间数据关联的准确性,提高多目标与量测后验关联概率的精确度,将量测信息设定为均值相同协方差不同的混合高斯分布。针对距离-多普勒量测的非线性性,利用无味卡尔曼平滑(UKS)算法进行多目标状态估计。仿真结果表明,对于FKIE外辐射源雷达数据集(杂波密度很高),所提算法的目标与航迹关联成功率高,抗杂波性能强,证明了算法的有效性。     

Robust online multi-target visual tracking using a HISP filter with discriminative deep appearance learning

We propose a novel online multi-target visual tracker based on the recently developed Hypothesized and Independent Stochastic Population (HISP) filter. The HISP filter combines advantages of traditional tracking approaches like MHT and point-process-based approaches like PHD filter, and it has linear complexity while maintaining track identities. We apply this filter for tracking multiple targets in video sequences acquired under varying environmental conditions and targets density using a tracking-by-detection approach. We also adopt deep CNN appearance representation by training a verification-identification network (VerIdNet) on large-scale person re-identification data sets. We construct an augmented likelihood in a principled manner using this deep CNN appearance features and spatio-temporal information. Furthermore, we solve the problem of two or more targets having identical label considering the weight propagated with each confirmed hypothesis. Extensive experiments on MOT16 and MOT17 benchmark data sets show that our tracker significantly outperforms several state-of-the-art trackers in terms of tracking accuracy.     

基于改进的PHD粒子滤波的多目标跟踪技术

有限集统计学（FISST）理论将任意时刻目标状态的集合视为多目标集值状态,而相应的传感器观测值集合被视为多目标集值观测。通过随机有限集建模并利用集合的微积分运算可推导出最优多目标贝叶斯滤波器。然而由于涉及集合微积分运算,最优多目标贝叶斯滤波器的运算量极大。概率假设密度（PHD）滤波器是最优多目标贝叶斯滤波器的一阶矩近似,可以实现在关联不确定、目标数目未知或变化情况下的多目标状态估计。相比于最优多目标跟踪技术,基于PHD滤波器的多目标跟踪技术的运算复杂度得到了有效的降低,更易于工程应用。但在密集杂波背景下PHD滤波器的粒子实现方法仍然存在运算复杂度过高的问题。本文针对密集杂波的情形,提出一种有效的杂波滤除方法,在不影响滤波性能的情况下,降低了运算复杂度,提高了滤波效率。      

曲线交叠外推的微动多目标宽带分辨算法

针对传统的微多普勒特征提取技术难以解决多目标分辨和微动参数估计这一问题,该文针对进动多目标,提出一种曲线交叠外推的微动多目标宽带分辨算法。该算法以各个滤波数据点间的相对距离为准则,结合各曲线的历史斜率信息,对交叠点后的点迹进行外推估计,实现各个分量信号微动曲线的区分关联。在此基础上,通过分析各曲线的微动特性差异实现多目标分辨。仿真实验验证了所提算法的有效性和稳定性。     

基于ICA分布模型的粒子滤波跟踪算法

为了在复杂背景、部分遮挡和光照变化等因素干扰的情况下鲁棒地跟踪视频序列中感兴趣的运动目标,提出了一种改进的粒子滤波跟踪算法。该算法针对颜色信息在目标表述中存在的不足,首先对观测模型进行改进,提出了一种基于ICA特征分布的目标模型,将基于核函数的目标特征描述转换到ICA特征空间,由于光照变化引起灰度变化经ICA后仍是同一分量,因此能有效的适应光照变化,不仅考虑并充分利用了空间信息。有效的解决了光照变化及背景颜色相近造成的目标丢失现象,提高了目标跟踪算法的鲁棒性。同时,考虑到粒子的退化现象,将均值平移算法嵌入到粒子滤波的跟踪框架中,待各粒子经过系统传播后,利用均值平移算法使粒子向其领域局部极大值处移动,使得粒子集中在测量模型的局部区域内,只需少量的粒子就覆盖了尽可能的目标分布,很好地克服了粒子滤波器的退化现象并有效缩短了计算时间,提高了目标跟踪算法的准确性和系统的实时性。实验表明,该算法不仅能在复杂背景下准确的跟踪目标,而且在光线变化和部分遮挡情况下也能保证不丢失目标。      

多元假设检验GMPHD轨迹跟踪

由于在军事和民事领域逐步广泛的应用,数目不定的多目标跟踪技术正受到越来越多的关注。概率假设密度(PHD)滤波方法,特别是具有闭式递归的高斯混合概率假设密度(GMPHD)技术,在噪声和漏警等影响下仍能形成优越的群目标跟踪性能。然而PHD滤波器并不能实现多目标航迹跟踪,而其与传统数据互联的结合,复杂度高且跟踪效果不尽如人意。在该文中,各目标的航迹信息以假设形式表述,数据互联则是通过使用经典的多元假设检测方法判决假设矩阵实现。其与GMPHD的结合不仅实现了数据互联和轨迹管理,还因为积累时间信息大大降低了杂波干扰的影响。实验结果证明,该算法可以对多个目标所形成的轨迹实施正确跟踪,同时,计算量的大幅度降低带来了跟踪系统可实现性的提高。     

多目标跟踪中基于特征辅助的概率数据关联算法

在传统的多目标跟踪系统中,数据关联仅利用了那些与目标状态向量直接相关的信息。在此提出了一种基于广义概率数据关联(GPDA)的新的关联算法即特征辅助跟踪(FAT)算法。该算法同时利用了目标的特征信息和状态信息进行数据关联,较好地解决了在密集杂波环境下对近目标的跟踪问题。最后以目标的一维距离像信息为例进行仿真,仿真结果表明,所提出的算法使跟踪性能优于传统的概率数据关联。