人群跳跃荷载时变协同性因子研究

协同性因子是跳跃人群中各单人间动作一致程度的度量指标,是人致结构振动分析中人群跳跃荷载建模的关键参数。现有协同性因子大都是定义在较长时段内的均值参数,其计算依据也是实验室条件下才能获取的地反力或特征点轨迹等,不能准确反映跳跃者个体差异的时变特性,也难以直接应用于实际场景下结构的振动监测。对此,提出了人群跳跃荷载的时变协同性因子,采用计算机视觉中的多目标跟踪技术对跳跃人群进行实时监测,并计算协同性因子。开展了佩戴无线测力鞋垫的多人跳跃实验,通过与实验结果的对比,验证了时变协同性因子的合理性以及多目标跟踪技术的有效性,可用于工程结构的安全运维、人致结构振动分析和人群跳跃时变荷载的模拟。     

基于类云模型聚类的多目标数据关联算法

针对多目标跟踪中的数据关联问题,提出一种基于类云模型c-均值聚类的数据关联算法.该算法采用类云模型c-均值聚类算法对目标有效回波进行聚类,将聚类中心作为目标最终观测值,运用最近邻法对聚类中心与航迹进行关联,用Kalman滤波器进行状态估计.实验结果表明,本算法与联合概率数据互联算法相比,跟踪精度高,计算量小,更适应于工程应用.     

基于三维光栅扫描测量的全自动标定技术

介绍了目前基于三维光栅扫描测量标定技术的国内外发展状况,提出自由置位固定编码多目标跟踪提取连续图像轮廓的全自动标定技术,同时给出了此技术的具体算法实现。利用本文提出的全自动标定技术,得出了相应的实验结果,并将该实验结果与利用通用的MARR算法得到的结果对标定精度进行了比较、分析。最后,得出本文所提出的全自动标定技术不仅可以使操作更加便捷,而且能够很好地保证标定图像轮廓边缘的定位精度,同时使整个系统的标定精度保持在0·005~0·02mm范围内的结论。     

势平衡多目标多伯努利滤波器高斯混合实现的收敛性分析

研究了势平衡多目标多伯努利(cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器高斯混合(Gaussian mixture,GM)实现的收敛性问题.证明在线性高斯条件下,若GM-CBMeMBer滤波器的高斯项足够多,则它一致收敛于真实的CBMeMBer滤波器.并且证明在弱非线性条件下,GM-CBMeMBer滤波器的扩展卡尔曼(extended Kalman,EK)滤波近似实现—EK-GM-CBMeMBer滤波器,若每个高斯项的协方差足够小,也一致收敛于真实的CBMeMBer滤波器,本文的研究目的是从理论上给出CBMeMBer滤波器GM实现的收敛结果,以完善CBMeMBer滤波器对多目标跟踪的理论研究.     

一种有效的多感测器配准算法

本文提出一种对空监视地面雷达网的实用多雷达配准算法,使各雷达的方位偏移和距离偏移两类系统误差显著减小,为多雷达多目标跟踪处理器有效工作提供可靠的输入雷达数据。设雷达网中某一部雷达无系统偏移误差,将其多雷达组对于该雷达进行相对配准。算法已成功地用于一实用多雷达多目标跟踪处理器,计算机模拟、现场测试和系统运行都证明算法的实用性和有效性。     

一种基于优先级调度的相控阵机动目标跟踪方法

在相控阵雷达跟踪加搜索（ＴＡＳ）工作方式下,为跟踪较大的机动目标,提出一种目标机动检测器设计方法,得到归一化的目标机动系数．基于该方法,给出了一种动态计算优先级的调度算法,较好地解决了机动多目标跟踪的资源调度问题．与几种常用机动检测器相比较,结果表明了这种机动检测器具有更高的检测概率．最后在多目标环境下进行机动目标跟踪的蒙特卡罗仿真,仿真结果显示了多目标机动检测器和资源调度算法的有效性．     

随机有限集理论及其在多目标跟踪中的应用和实现

梳理了随机有限集(RFS)的理论基础和发展脉络,重点对其在多目标跟踪中应用和实现的难点问题进行详细分析.首先针对单传感器情形,深入讨论RFS的几类典型近似技术,包括:概率假设密度(PHD)滤波器、势概率假设密度(CPHD)滤波器、多伯努利(MeMBer)滤波器以及泛化标签多伯努利(GLMB)滤波器,对其发展脉络进行分析,并对高斯混合(GM)及序贯蒙特卡罗(SMC)实现中面临的问题进行研究;其次,针对多传感器情形,介绍时空配准问题的处理方法,并分别从集中式、分布式融合两个方面对基于RFS多传感器多目标跟踪技术进行分析;再次,对RFS滤波器在实际应用中面临的困难及挑战进行分析;最后,基于现有研究进展,提出RFS在多目标跟踪领域未来需重点关注及研究的方向.     

采用粒子滤波和模糊聚类法的非线性多目标跟踪

提出一种新的非线性多目标跟踪方法,用模糊聚类算法实现数据关联,采用粒子滤波实现对各目标的独立跟踪．首先利用最大熵模糊聚类对目标和观测数据进行关联,采用模糊隶属度重建多目标滤波中的联合关联概率矩阵．然后利用粒子滤波适于处理非线性问题的特点,通过联合关联信息,采用粒子滤波独立对各目标进行滤波,实现对目标状态的更新．最后,将该算法应用于多传感器多目标纯方位角跟踪．仿真结果表明,相比于联合概率数据关联算法及MEF-JPDAF,新算法具有更高的跟踪精度．     

基于联合概率数据关联和粒子滤波的多目标跟踪算法

数据关联一直是多目标跟踪中的核心问题,是实现多目标有效跟踪的关键。介绍了多目标跟踪的基本原理以及联合概率数据关联的基本原理,并且将粒子滤波引入到联合概率数据关联模型中,提出了联合概率数据关联-粒子滤波算法来实现多目标跟踪。仿真结果表明,此算法可以很好的实现固定数目多目标跟踪。     

多目标跟踪中的数据关联和航迹管理

传统的多目标关联算法JPDA存在两个缺陷:计算量较大,且其算法框架里缺乏航迹起始和终止逻辑。文中给出了一个航迹管理表,它包含多种情况下航迹的关联,能完成航迹的起始、维持和终结。在可靠航迹关联中,该文提出了一个改进的快速关联算法—多维概率数据关联(MPDA),讨论时主要考虑关联门相交区域中的公共回波对航迹更新的影响。MPDA可以类似与PDA的较低的计算代价达到了接近JPDA的关联成功率。仿真结果表明,文中的数据关联和航迹管理算法对复杂条件下的多目标跟踪能保持较高的跟踪成功率。