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。     

视频目标跟踪算法综述

介绍了视频目标跟踪算法及其研究进展,包括基于对比度分析的目标跟踪算法、基于匹配的目标跟踪算法和基于运动检测的目标跟踪算法.重点分析了目标跟踪中特征匹配、贝叶斯滤波、概率图模型和核方法的主要内容及最新进展.此外,还介绍了多特征跟踪、利用上下文信息的目标跟踪和多目标跟踪算法及其进展.     

直升机机载雷达对地多目标跟踪研究

介绍了在直升机机载雷达平台下对地面目标进行多目标跟踪所采用的量测数据预处理、跟踪坐标系和跟踪滤波算法.通过计算机仿真及硬件平台的实现表明,采用多目标跟踪处理算法进行直升机机载雷达对地多目标跟踪,无论是跟踪精度还是满足实时性要求,都是有效和可行的。     

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%。     

基于mean-shift的多目标粒子滤波跟踪算法设计

针对视频序列中多目标的跟踪问题,提出一种基于mean-shift和粒子滤波的多目标混合跟踪算法,采用目标之间的距离门限和相似度门限,结合mean-shift算法和粒子滤波跟踪算法解决了目标遮挡的问题.实验结果表明,该算法能在保证多目标跟踪效果的同时减少跟踪的时间,有效提高了设计的跟踪系统的实时性.     

基于粒子滤波和联合概率数据关联的目标跟踪算法

为了解决非线性非高斯系统下多目标跟踪问题,对基于粒子滤波和联合概率数据关联的目标跟踪算法进行了深入研究。在多目标聚集且目标跟踪门可能交叉时,考虑使用基于多目标组合采样的JPDA算法,在多目标聚集不严重时,考虑使用基于独立采样的JPDA算法。仿真结果表明：该方法可以有效地解决非线性非高斯下多目标跟踪问题。     

基于mean-shift的多目标粒子滤波跟踪算法设计

针对视频序列中多目标的跟踪问题,提出一种基于mean-shift和粒子滤波的多目标混合跟踪算法,采用目标之间的距离门限和相似度门限作为转换条件,有效地结合Mean-shift算法的简单快速和粒子滤波跟踪算法的抗遮挡的优点.实验结果表明,该算法在对多目标跟踪时能在保证跟踪效果的同时减少跟踪的时间花费,有效提高了设计的跟踪系统的实时性.     

基于自适应观测模型交互多模型粒子滤波的红外机动目标跟踪

针对红外目标跟踪问题,提出一种混合观测模型以描述日标像素灰度的渐变以及目标的突然消失或复现,采用在线EM算法对观测模型参数进行更新;将自适应观测模型与交互多模型粒子滤波相结合用于目标跟踪;基于概率排斥原则改进了似然函数,将上述算法推广到多目标跟踪领域.单目标和多目标跟踪仿真结果验证了所提算法的有效性.     

拟合修正Kalman滤波在弱小目标跟踪中的应用

文章在目标精确跟踪阶段，引入曲线拟合的方法进行跟踪，根据实际情况提出了拟合权系数的定义和计算公式，可以很好地预测运动方向和抑制抖动。引入Kalman滤波系统思想，提出了适合图像跟踪的目标机动性参数，应用在拟合跟踪中，实现了自适应的跟踪算法。将改进的拟合跟踪和Kalman跟踪做了比较，在分析各自优缺点基础上，把改进的拟合跟踪中和Kalman跟踪结合起来，提出了Kalman修正的拟合跟踪算法，可以较好的解决多目标跟踪中记忆跟踪、交叉跟踪、成像抖动的问题。     

多目标环境中的认知雷达跟踪方法

研究了多目标环境中的认知雷达目标跟踪问题,提出了一种基于波形优化和快速粒子滤波的多目标跟踪方法。在量测模型中,基于采样的接收数据建立量测方程,以克服多目标跟踪中的数据关联问题;在状态模型中,与量测模型相匹配,联合估计目标运动状态（位置、速度）和散射系数。为实现多目标跟踪和提高跟踪性能,从联合收发自适应处理角度出发设计跟踪算法和发射波形:1）接收自适应。由于量测数据的维数以及跟踪模型的非线性程度较高,为实现对多目标的有效跟踪以及降低跟踪算法的运算复杂度,采用改进的粒子滤波方法对目标状态进行实时估计;2）发射自适应。考虑到信噪比与跟踪性能关系以及量测模型的特点,基于最优信噪比准则实现了对发射波形的优化。仿真结果表明文中所提出的跟踪方法能够有效的跟踪上目标,且所设计的自适应波形的跟踪性能优于传统固定波形。      

非高斯噪声下的滤波算法跟踪低空目标

雷达跟踪低空目标 ,由于多径效应的影响 ,在俯仰角测量上会近似周期地出现方差很大的尖峰误差 ,这时应用卡尔曼滤波算法会导致较大的跟踪误差。文中近似地建立了多径条件下观测噪声的非高斯模型 ,并应用非高斯噪声下的滤波算法跟踪低空目标 ,通过计算机仿真得到了满意的结果     

球坐标系中水下目标跟踪的研究

研究了球坐标系中的目标跟踪,提出了一种基于球坐标系的水下目标运动模型,指出了机动目标运动模型中均值和方差的取值,在此基础上,导出了基于球坐标系的自适应卡尔曼滤波跟踪算法,给出了Monte Carlo仿真实验的结果。结果表明:在球坐标系中,该模型对水下目标的径向距离、方位角、俯仰角及其速度和加速度具有良好的跟踪性能,无须进行目标的机动检测,跟踪算法所需计算量小。     

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。     

采用Mean-Shift算法的目标跟踪系统设计

为了提高对目标的精确识别和稳定跟踪,在深入分析研究Mean-Shift算法及跟踪原理的基础上,提出一种基于Mean-Shift算法的目标跟踪系统设计思想.通过对海上及陆上目标的实际跟踪验证,表明该设计能够有效地太除海浪散射等背景干扰,实现对目标的稳定跟踪,验证了在复杂背景下基于Mean-Shift算法的目标跟踪系统设计...     

岛岸背景下的红外运动多目标跟踪

提出了一种基于粒子滤波和FCM的岛岸背景条件下红外运动多目标跟踪方法.通过对红外序列图像进行中值滤波、边缘提取、海天线检测和形态滤波等预处理,提取出若干个候选目标.然后利用基于粒子滤波和FCM的算法实现对候选目标的数据关联和连续跟踪.实验结果表明,该方法具有良好的可行性和效果.     

一种新的多目标角度功率联合跟踪算法

提出了一种新的多目标角度、功率联合跟踪算法。首先,利用高分辨处理估计出目标的个数、初始角度、初始功率及噪声功率。接着,通过相邻时刻估计得到的协方差矩阵的差推导出了一组关于角度差和功率差的线性方程组,重复解方程组可以得到不同时刻各个目标的角度以及功率。该算法可以减小阵元噪声带来的影响,在跟踪过程中,不需要进行子空间分解,参数自动配对,而且相邻时刻估计得到的角度和功率之间是自动关联的,省去了运算量较大的数据关联过程。进一步,给出了一种修正方法减小了算法中三个近似带来的误差。仿真结果表明,该算法的运算量低,跟踪精度高。     

自适应EKF在被动跟踪中的应用研究

针对被动跟踪中常见的滤波发散、收敛速度慢和跟踪精度低等问题,研究了一种非线性系统的自适应推广卡尔曼滤波算法。该算法能够在线估计噪声的统计特性,动态补偿模型线性化误差,消减系统的观测误差。对其滤波理论及算法进行了研究与仿真,结果证实该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

一种新的多目标角跟踪方法

该文提出了一种新的多目标角跟踪算法。首先利用高分辨处理估计出目标的个数及其初始角度,接着通过对协方差矩阵的更新得到不同时刻各个目标的角度。该算法减小了阵元噪声的影响,相邻时刻估计得到的角度之间是自动关联的,省去了运算量较大的数据关联过程。此外,文中还提出了进一步提高性能的两种方法:通过引入预测值减小了算法中两个近似带来的误差;采用记忆跟踪法来处理有目标交汇的情况。仿真结果表明,该算法有较高的跟踪性能。     

基于Camshift与Particle Filter的运动目标跟踪系统的设计及实现

采用Camshift算法对图像序列中的运动目标进行跟踪,同时根据系统环境及运动目标跟踪的非线性非高斯的特点,引入Particle Filter对跟踪算法进行改进,在保证系统的实时性的前提下提高其鲁棒性。最后在室内环境下验证该跟踪算法的实时性及可靠性,为自动跟踪的智能监控系统提供了一种候选方案。