基于注意力机制和卡尔曼滤波的多目标跟踪

为了解决目前多目标跟踪算法在行人遮挡后无法再次准确跟踪的问题,提出了一种融入注意力机制和改进卡尔曼滤波的多目标跟踪算法,选用联合检测和重识别框架提取特征,同时完成目标检测和重识别任务.设计了并行支路注意力机制,包括空间注意力和通道注意力两个部分,每个部分都采用并行支路的方式完成池化和卷积操作.在跟踪阶段,本文提出了速度先验卡尔曼滤波,实现对行人运动状态更精确的预测.采用CUHK-SYSU数据集对算法进行训练,并在MOT16数据集上做算法的验证和测试.本算法的多目标跟踪准确度(MOTA)达到了65.1％,多目标跟踪精确度(MOTP)达到了78.8％,识别F1值(IDF1)达到62.3％.实验表明,提出的跟踪算法可以有效地提高跟踪的整体性能,实现对目标的持续跟踪.     

充液航天器的鲁棒固定时间终端滑模容错控制

本文以三轴稳定充液航天器为研究背景,在其进行姿态机动控制过程中充分考虑了外部未知干扰、参数不确定、执行器故障和控制输入饱和等因素的影响,提出了一种固定时间终端滑模控制策略.动力学建模过程中,利用粘性球摆等效力学模型模拟液体燃料小幅晃动,通过拉格朗日方程推导出航天器的耦合动力学模型.姿态控制器设计过程中,首先构造固定时间滑模面,使其稳定到平衡位置的时间与系统初始状态无关.然后采用固定时间控制理论结合自适应估计算法提出了自适应固定时间容错控制律,其中自适应算法用于估计系统集总扰动的未知上界.所提出的控制策略采用饱和函数克服终端滑模控制方案中存在的奇异性问题,同时保证系统状态快速收敛到固定时间滑模面.根据Lyapunov稳定性理论证明了系统状态能够在固定时间内收敛到原点的较小邻域内.对比的数值仿真方法验证了本文提出控制方法的有效性和鲁棒性.     

基于深度学习的视觉多目标跟踪算法综述

视觉多目标跟踪是计算机视觉领域的热点问题,然而,场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢。近年来,随着视觉智能处理研究的不断深入,涌现出多种多样的深度学习类视觉多目标跟踪算法。在分析了视觉多目标跟踪面临的挑战和难点基础上,将算法分为基于检测跟踪（Detection-Based-Tracking,DBT）、联合检测跟踪（Joint-Detection-Tracking,JDT）两大类及六个子类,研究不同类别算法的优缺点。分析表明,DBT类算法结构简单,但算法各子环节的关联度不高,JDT类算法融合多模块联合学习,在多项跟踪评价指标中占优。DBT类算法中特征提取模块是解决目标遮挡问题的关键,但损失了算法速度,JDT类算法对检测模块更为依赖。目前,多目标跟踪跟踪总体是从DBT类算法向JDT发展,分阶段实现算法准确度与速度的均衡;提出多目标跟踪算法未来在数据集、各子模块、具体场景应用等方面的发展方向。     

交通监控场景中的车辆检测与跟踪算法研究

考虑多目标跟踪过程中存在的实时性和身份跳变问题,提出一种基于检测的多车辆跟踪算法。首先利用Mobilenetv2替换YOLOv3检测算法的主干网络,构建目标检测模块YOLOv3-Mobilenetv2,减少检测算法模型参数,提高检测模块的运行速度;在Mobilenetv2中引入Bottom-up连接,增强多尺度特征图间的信息融合;然后构建基于LSTM的运动模型,解决卡尔曼滤波在非线性系统中产生的预测误差,基于Deepsort跟踪算法,引入LSTM运动模型,形成L-Deepsort跟踪算法;改进L-Deepsort跟踪算法外观匹配策略,提升目标间的关联性;最后融合轻量级目标检测算法YOLOv3-Mobilenetv2与多目标跟踪算法L-Deepsort,形成MYL-Deepsort多车辆跟踪算法,实现多车辆的实时准确跟踪。实验结果表明,该方法在跟踪性能提升的情况下,速度较YOLOv3-Deepsort提高21 frame/s,在TX2平台达到13 frame/s。     

划分交互式箱粒子概率假设密度滤波法

针对现有的多机动目标追踪问题,将交互式多模型(interacting multiple model,IMM)思想与箱粒子概率假设密度滤波器(box probability hypothesis density filter,Box-PHD)相结合,并针对箱粒子在区间密集杂波等复杂环境下箱体偏大,所导致的箱粒子冗余和目标跟踪位置估计不精确等问题,引入箱粒子划分技术,提出一种划分交互式概率假设密度滤波(partitioned interacting multiple model probability hypothesis density filter,PIMM-Box-PHD)算法,来处理椭圆形多机动目标的跟踪问题。该算法首先在预测阶段针对多目标的机动问题引入IMM预测,利用多模型交互方法来解决目标运动时模型失配问题;其次,利用箱划分技术将预测得到的箱粒子划分为大小和权值相同的多个子箱,以提高目标位置估计精度;最后,利用Box-PHD滤波对划分后的小箱粒子集进行区间量测更新。利用实验验证了PIMM-Box-PHD算法在多机动目标跟踪方面的良好性能,以及相较于IMM-Box-PHD算法在目标位置估计方面的优势。     

飞翼无人机非线性控制设计方法

为实现飞翼无人机的机动飞行,以带有流体矢量方向舵的飞翼无人机为设计对象,采用非线性设计方法设计了控制器,并进行飞行验证.针对飞翼无人机的机动飞行控制存在各种耦合和扰动的特点,设计内环线性化解耦以消除已知不利的耦合项,外环反步跟踪方法进行航迹跟踪的控制律结构,证明了该控制结构的稳定性.同传统反步控制方法相比,该控制器增加了内环解耦结构,并在控制结构中保留气动阻尼项,使得线性化后的系统为弱非线性系统.该结构不仅可以降低外环控制器设计的保守性,而且便于工程实现.仿真和飞行试验表明,该控制方案是有效的.     

面向沿道路机动的最优路径模型优化

根据“公路”地理实体的数据结构以及机动的特点,对最优路径模型以及模型的影响因子进行解析,提出了改进的最优路径模型影响因子。通过层次分析法,量化改进后的权重体系并通过算例分析验证其合理性;利用改进后的最优路径模型,经验证符合实际情况需求。     

基于高机动目标跟踪的改进变结构IMM算法

传统交互式多模型(interacting multiple model,IMM)算法在跟踪高机动目标时存在模型集合和真实系统模式匹配欠佳所导致状态估计质量下降的问题.基于变结构的思想及图论的知识,结合协方差匹配技术提出了一种补偿式变结构交互式多模型算法(compensation variable structure interacting multiple model,CPVSIMM).针对目前对直线加速状态估计问题,传统变结构交互式多模型(variable structure interacting multiple model,VSIMM)模型集多采用角速度作为模型特征参数造成对其估计性能欠佳的情况,所提算法联合加速度和角速度作为模型参数,并建立了模型集合间的有向图连通关系及模型子集自适应调整原则.理论分析与对比仿真表明:本算法融合估计结果的精度更高,同时能在一定程度上减小由于模型集匹配欠佳及切换不及时所导致的机动累积误差.     

一种改进的群目标自适应跟踪算法

为提高对群目标在机动情况下的跟踪性能,提出一种改进的群目标自适应跟踪算法．在群质心状态估计中,在修正“当前”统计模型的基础上,利用群质心的速度预测和速度估计的偏差进行过程噪声方差自适应调整,并引入强跟踪滤波中的渐消因子,实时调节群质心的状态预测协方差．在扩展状态估计中,将其对应的椭圆面积预测值和估计值的偏差以及偏差变化率作为模糊输入量,采用模糊推理法自适应输出扩展状态的预测参数．此外,提供了群目标分裂机动的判决方法．仿真结果表明,与现有方法相比,本文算法增强了对群目标在突发机动时的自适应跟踪能力,并能有效检测出群的分裂机动．     

Dynamic cluster member selection method for multi-target tracking in wireless sensor network简

Multi-target tracking（MTT） is a research hotspot of wireless sensor networks at present.A self-organized dynamic cluster task allocation scheme is used to implement collaborative task allocation for MTT in WSN and a special cluster member（CM） node selection method is put forward in the scheme.An energy efficiency model was proposed under consideration of both energy consumption and remaining energy balance in the network.A tracking accuracy model based on area-sum principle was also presented through analyzing the localization accuracy of triangulation.Then,the two models mentioned above were combined to establish dynamic cluster member selection model for MTT where a comprehensive performance index function was designed to guide the CM node selection.This selection was fulfilled using genetic algorithm.Simulation results show that this method keeps both energy efficiency and tracking quality in optimal state,and also indicate the validity of genetic algorithm in implementing CM node selection.