一个快速的被动式传感器数据关联算法

本文针对仅能获得关于目标角度信息的被动式传感器、且允许传感器漏检、虚警、以及监视空域目标位置和数量未知的静态数据关联问题,提出了一个基于空间交点属性强度的快速数据关联算法.与现有算法相比,本方法较好地改进了数据关联算法的精度和运算速度.最后,通过仿真实验给以验证.     

用测角交会法处理多目标跟踪问题

在受到电子干扰时,有些雷达只能测量目标的方位角和俯仰角,不能测量目标的距离,因而无法对目标进行定位跟踪.本文提出的雷达组网测角交会法能够联合各个雷达的角度信息实现对目标的定位跟踪.文章具体分析了测角交会法的定位跟踪原理和如何实现同时跟踪多个目标.最后给出了对几条典型目标航迹的计算机仿真结果.结果表明了测角交会法在干扰条件下处理多目标跟踪问题的可行性.     

基于区间箱粒子多伯努利滤波器的传感器控制策略

多目标跟踪中的传感器控制本质上是一个最优非线性控制问题, 其在理论分析和计算上极具挑战性. 本文基于区间不确定性推理, 利用箱粒子多伯努利滤波器提出了一种基于信息测度的传感器控制策略. 首先, 本文利用箱粒子实现多伯努利滤波器, 并通过一组带有权值的箱粒子来表征多目标后验概率密度函数. 其次, 利用箱粒子的高斯分布假设, 将多伯努利密度近似为高斯混合. 随后, 选择柯西施瓦兹(Cauchy-Schwarz, CS) 散度作为评价函数, 并详细推导了两个高斯混合之间的CS散度的求解公式, 以此为基础提出相应的传感器控制策略. 此外, 作为一种对比方案, 利用蒙特卡罗方法, 本文还给出了通过对箱粒子进行混合均匀采样, 进而通过点粒子求解CS散度的递推公式, 并提出了相应的控制策略. 最后, 仿真实验验证了所提算法的有效性.     

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。     

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。     

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.     

大场景视频监控下大坝运输车改进多目标多视觉卸料识别模型研究

运输车卸料识别对保障大坝施工安全、优化运输配置具有重要意义。然而,大坝施工中多采用全球导航卫星系统（Global Navigation Satellite System,GNSS）进行运输车活动状态分析,存在设备成本高、识别精度低等缺点。目前,通过布设高清摄像头进行坝面大场景施工监控成为趋势,但尚未见基于机器视觉的运输车卸料识别研究。针对上述问题,提出大场景视频监控下大坝施工运输车卸料识别改进多目标多视觉任务模型。首先,采用ByteTrack实现大场景监控视频中多辆运输车目标检测与追踪,记录其行驶轨迹;其次,High Resolution Net（HRNet）被用于运输车头部和尾部的关键点检测,进而结合行驶轨迹判断运输车前进、停止和后退等行进状态;再者,通过Destruction and Construction Learning(DCL)细粒度分类方法判断运输车料斗的抬升状态;最后,结合ByteTrack、HRNet和DCL的多目标多视觉任务的分析结果判定运输车卸料状态。以两河口施工视频监控为例进行验证,提出的卸料识别模型在34帧时卸料状态识别平均准确率为87.3%,卸料时间判断精度为90.3%,验证了本模型的可行性和有效性。     

多目标跟踪的一种联合解决方法

本文提出一种新的解决多目标跟踪（ＭＴＴ）问题的方法,该问题通过一总的模型利用系统识别技术可同时解决数据关联（ＤＡ）和机动估计问题。用这种方法,以前所研究的单目标跟踪／加速度估计技术也可直接用于ＭＴＴ问题,尤其是通过问题的公式化,就可将多模（自适应）卡尔曼滤波（ＭＭＫＦ）效应用于多目标跟踪问题使之获得最佳解。对于大家关心的计算量考虑可应用多模卡尔曼滤波（ＭＭＫＦ）的某些准最佳解。     

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。     

基于MSPF的实时监控多目标跟踪算法研究

近年来,实时监控下多目标跟踪作为智能交通系统(Intelligent transportation system,ITS)的重要组成部分受到关注.传统多目标跟踪方法通常具有处理速度慢、容易对交叉行进车辆产生误匹配等问题.本文首先对基于贝叶斯规则的车辆视频复杂背景的建模及运动目标的检测进行研究,在此基础上提出一种基于Meanshift粒子滤波(Mean shift particle filter,MSPF)的多目标跟踪算法,首先对每一目标车辆在下一帧可能出现的范围进行预测,对单目标和多目标情况采用不同的检测策略,避免了全局搜索,提高了跟踪速度;通过构造基于最新观测信息的重要性密度函数,提高了MSPF算法在复杂背景情况下追踪部分遮挡及交叉车辆的准确性和鲁棒性.仿真实验结果验证了所提出算法的有效性.