多目标跟踪方法综述

多目标跟踪问题在军事和民用方面都有着十分广泛的应用,如在军事方面的空中预警、空中攻击(多目标攻击)等,民用方面包括空中交通管制等。多目标跟踪在军事上的应用受到了各国广泛重视。本文对目前国内外部分文献上发表的有关多目标跟踪方法进行了综述。并对各种方法的优缺点进行了比较。基于小波变换的方法与其它几种方法相比其优点更为突出,而基于多传感器数据融合的方法是未来多目标跟踪发展的方向。     

基于无人机平台的多目标跟踪算法

针对目前无人机平台多目标跟踪技术的跟踪精确度低、占用内存大的问题，提出了一种基于不同检测器算法和DeepSort算法结合而成的多目标跟踪算法，提高在无人机上对地面行人在跟踪数据集中的效果。使用深度学习的多目标跟踪技术通过构建卷积神经网络(Convolutional Neural Network, CNN),用卡尔曼滤波算法实现了对目标轨迹的预测，匈牙利算法则使卡尔曼滤波的预测结果得以分配，使DeepSort算法在保证跟踪效果的同时，也保证了跟踪时的速度。实验结果显示，DeepSort在与YOLOv5x检测器配合后，多目标跟踪精度可提高20%。     

信息融合在多目标跟踪中的应用研究

本文着重研究了利用信息融合技术解决多目标跟踪中混批问题的研究，讨论了以实际双基地系统的测量数据为依据。首先介绍了弱干扰条件下双基地系统对多目标跟踪时采用的互联算法；指出仅以目标动态参数互联容易发生混批现象，进而提出了融合目标状态，多卜勒频率和雷达反射面积等信息的互联方法，从一百次统计结果看，采用信息融合技术之后，混批频率大为下降。     

舰载红外全方位警戒系统中的多目标航迹起始和滤波方法

本文研究了舰载红外全方位警戒系统的多目标跟踪方法，文中讨论了红外跟踪系统的坐标系选择，提出了基于相关波门和分叉技术的舰迹起始方法，并给出了相关波门和初始互联准则，系统地研究了多目标航迹的滤波预测方法及滤波器参数的确定原则。本文的研究结果可作为舰载红外全方位多目标跟踪系统的原理模型，并可用于工程研制中。     

雷达多目标跟踪的神经网络方法

本文讨论了雷达多目标跟踪的神经网络方法。实验结果表明,此法不仅可以解决传统方法带来的组合爆炸问题,从而实现实时的多目标跟踪,而且还可以解决跟踪精度问题,提高跟踪的准确性。     

舰载红外全方位警戒系统中的多目标航迹起始和滤波方法

本文研究了舰载红外全方位警戒系统的多目标跟踪方法，文中讨论了红外跟踪系统的坐标系选择，提出了基于相关波门和分叉技术的舰迹起始方法，并给出了相关波门和初始互联准则，系统地研究了多目标航迹的滤波预测方法及滤波器参数的确定原则。本文的研究结果可作为舰载红外全方位多目标跟踪系统的原理模型，并可用于工程研制中。     

红外多目标跟踪算法研究

介绍了红外搜索跟踪系统中多目标跟踪与航迹生成算法，采用极坐标数据进行数据的关联和滤波，采用基于逻辑的最近邻原则并结合目标的红外辐射特性进行航迹关联，实现多目标跟踪起始和终结。     

多目标跟踪系统性能评估及软件包

提出了多目标跟踪性能分类测试体系，完成了多目标跟踪性能测试评估的各种功能软件及相应的软件包。     

基于粒子滤波与Gibbs抽样的多目标被动跟踪研究

多目标跟踪问题是目前目标跟踪领域的一个重要研究方向,其中被动跟踪更加复杂也更具有实战意义。为了提高多目标跟踪算法的精度及稳定性,减少算法的计算开销,采用了粒子滤波与Gibbs抽样相结合的方法。粒子滤波能很好地解决目标跟踪中状态估计的非线性问题,将其应用扩展到多目标的跟踪维持;运用Gibbs抽样解决多目标跟踪中的数据关联问题,提高了关联的准确度,减小了计算开销。仿真试验证明:上述算法能较好地解决多目标跟踪问题,具有较好的估计精度。     

结合重识别特征和运动预测的多目标跟踪方法

多目标跟踪是智慧城市交通安防的重要技术之一。为了提高多目标跟踪的准确性并改善真实场景下的遮挡问题，提出了一种结合重识别特征和运动预测的多目标跟踪方法。在多目标检测网络中扩展一个基于卷积神经网络(Convolutional Neural Networks, CNN)的重识别特征分支，提取目标的重识别特征；采用基于置信度的卡尔曼滤波预测模型来预测轨迹的空间分布以改善目标的遮挡问题，结合检测目标和轨迹在重识别特征和位置两方面的相似度来完成目标关联。实验结果表明，所提出的方法在真实行人场景下的跟踪精度优于大多数算法，具备一定的应用潜力。