IR tag detection and tracking with omnidirectional camera using track-before-detect particle filter

Robust user detection and tracking is one of the key issues for a personal robot to follow the target person. In this paper, a novel tracking system using an omnidirectional camera and IR LED tags is proposed. The users wear the tags on their ankles, and the tags emit a light pattern as its ID. The camera on the robot is used to detect and track their positions individually. A novel approach based on a track-before-detect particle filter is proposed. It detects and tracks the tags simultaneously, even if the tags are not synchronized with the camera sampling or are not fully observable. The effectiveness of the proposed system is evaluated by experiments using a prototype personal robot.     

基于DP-TBD的分布式异步粒子滤波融合算法

主要利用检测前跟踪动态规划(DP-TBD)算法解决目标跟踪问题。动态规划(DP)是一种先通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。但是该算法提供的是一种未经滤波的点迹序列。此外,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳,航迹丢失情况较严重,因此利用基于DP-TBD的多雷达协同探测势在必行。然而,由于DP-TBD算法没有状态误差协方差矩阵,导致无法将不同雷达的点迹序列进行基于各种融合准则的融合。另外,由于多个雷达不同的采样周期和通信时延,导致了各个雷达的数据是异步的。为了解决以上问题,文中提出了一种基于DP-TBD的分布式异步粒子滤波融合算法(DP-PFF)。该算法分为两步,第一步提出了一种适用于DP算法的粒子滤波方法;第二步是将不同雷达获得的异步状态估计转化为同步的并进行基于DCI准则的分布式融合。仿真结果说明,和单雷达相比,该算法显著提升了目标跟踪的性能。同时,该算法也减少了航迹丢失率并且可以显著提升系统的鲁棒性。     

基于指数平滑的动态规划检测前跟踪算法

针对传统动态规划检测前跟踪(Dynamic Programming Track-Before-Detect, DP-TBD)算法在低信噪比(Signal to Noise Ratio, SNR)环境下跟踪性能较差以及容易出现团聚效应的问题, 提出一种基于指数平滑法的DP-TBD算法.该算法的创新之处在于:利用指数平滑法预测当前帧的目标状态, 当对当前帧代价函数进行优化时利用预测的目标状态对前一帧搜索窗内的代价函数进行加权.仿真结果表明, 文中所提算法能够有效抑制团聚效应, 且算法的检测性能和跟踪性能都比传统算法有所提高, 并且信噪比越低, 性能提高越明显.因此文中算法相对于传统算法来说更适用于低信噪比环境.     

一种新的基于似然比的弱目标TBD方法

在当前基于粒子滤波的检测前跟踪(PF-TBD)算法中,通常是利用累积似然比去检测目标,由于能量累积的效果,无法快速检测到目标的消失。针对这个问题,提出了一种新的基于似然比的检测前跟踪方法。该方法运用单个时刻的似然比进行目标有无判别,并结合多个连续时刻的判别结果给出最终的目标检测结果。仿真结果表明,与传统的基于似然比的弱目标检测前跟踪方法相比,该方法能够减小目标出现时的检测延时,并且能够有效地检测到目标消失。     

一种雷达信号处理的检测算法

由于在雷达弱小目标的检测和跟踪过程中,目标是典型的弱小目标且回波较弱,常规的检测算法难以奏效。针对此特点提出采用雷达弱小目标先跟踪后检测的方案,通过对雷达弱小目标长时间积累检测问题进行界定,并根据信号的特殊性对雷达弱小目标进行检测。首先通过进行目标预测,并在此基础上对检测出的目标进行目标跟踪。利用目标的运动沿各种可能轨迹积累能量的特征,对各个能量积累值进行检测判断,从而检测出真实目标并提取出目标的运动轨迹。文中首先对动态规划应用于弱小目标检测的算法进行了详细的描述,同时,对动态规划应用于弱小目标方法的性能也做了进一步分析,并对检测概率和虚警概率关系进行了较详细的推导。最后,通过仿真实验和性能分析得出了门限与虚警概率的关系。     

一种有效的用于雷达弱目标检测的算法

低信噪比的环境中对弱小目标的检测和跟踪已经在雷达信号处理领域中引起人们的广泛关注.检测前跟踪(TBD)方法对弱小目标的检测非常有效,其基本思想是为避免恒虚警率(CFAR)处理带来的信噪比损失,而直接对原始数据进行处理.但这样做运算量是很大的,多数场合难以接受.本文提出了CFAR和TBD联合检测的思想,即加入低门限CFAR检测和求秩过程对数据进行预处理,引进平滑度的概念以消除一些为伪航迹.仿真结果表明此算法的运算量较小而比一般的检测方法SNR性能上约提高2~3dB.     

基于动态规划的多目标检测前跟踪算法

本文针对低信杂比条件下的多目标检测与跟踪问题,提出了一种基于动态规划的多目标检测前跟踪算法.该算法能够比较准确地估计搜索空间中潜在的目标数量,并且最佳地分离出每个目标的航迹,从而较好地解决了以往检测前跟踪算法在目标数量未知的条件下容易出现漏警和虚警较多的问题.     

基于声呐图像序列SIFT特征的多目标跟踪方法研究

针对高频成像声呐多目标跟踪中声成像的不稳定问题,在基于检测前跟踪的声呐图像序列尺度不变特征变换（Scale Invariant Feature Transform,SIFT）的基础上,提出了一种结合对数变换的声呐图像序列SIFT特征跟踪方法。该方法利用对数变换进行图像预处理,进而利用声呐图像序列SIFT特征进行多目标跟踪。水池试验数据的处理结果表明：与中值滤波和动态亮度分配的方法相比,结合对数变换的声呐图像序列SIFT特征跟踪方法具有更好的多目标跟踪效果。     

一种基于局部搜索采样的粒子滤波检测前跟踪算法

针对一类状态部分可测系统粒子滤波检测前跟踪算法中高维采样效率低的问题,提出一种基于局部搜索采样的粒子滤波器检测前跟踪算法.该算法在后验状态更新之后,在可测分量估计值的附近,对不可测分量引入先验分布信息,用少量粒子进行局部搜索采样,提高了粒子采样效率.仿真结果表明,所提出算法获得了更好的检测和跟踪性能.     

基于DP-TBD 的不同分辨率传感器集中式异步融合算法

主要运用检测前跟踪动态规划(DP-TBD)算法解决不同分辨率的多传感器多目标融合问题,提出了一种基于DP-TBD的不同分辨率的传感器集中式异步融合算法。该算法分为两步:第一步将不同分辨率的传感器取得的回波数据统一对齐到相同单元格尺寸的量测空间;第二步将具有不同采样间隔的传感器得到的量测数据按照时间顺序传送至融合中心进行集中式融合。接着,用动态规划检测前跟踪算法来处理所得到的数据,并且进行航迹恢复。同时,为了提高异步融合的有效性,文中还提出了一种基于变转移状态数的算法。仿真结果说明基于DP-TBD的集中式异步融合算法的有效性,并且和单个传感器的性能比较,该算法大大改善了目标跟踪的性能。