舰载指控系统航迹相关算法研究

基于随机神经网络的多目标数据关联成果的基础上，提出一种新的适合实际应用的多目标跟踪的综合方法。该方法放弃了联合概率关联方法的加权平均更新航迹的特点，利用计算出来的互联概率在航迹更新时作一对一的互联决策，解决了跟踪多目标时相邻目标时相邻目标的航迹趋于合并的问题，同时给出了航迹起始的通用方法，并通过仿真研究说明改进算法的有效性和可行性。     

基于视频测量的运行状态模态分析

视频测量技术通过摄像机记录被测结构的振动过程,采用图像处理方法实现对结构上测点的多目标跟踪,具备全场非接触、测试过程简便、测量精度高等突出优点。基于摄像机成像模型,采用光束法平差提取出结构测点三维方向位移振动信息,每个测点等效于一个三轴"微位移传感器",对多测点目标跟踪可视为多通道同步数据采集。对摄像机成像系统进行校准,依照结构形状特性分布测点,由结构静止时各测点的空间位置构建出测试结构的几何模型,进行视频采集和多目标跟踪获取各测点动态响应数据,采用运行状态模态分析方法,识别出被测结构的固有模态参数。基于视频测量实现了测试结构几何建模和信号采集,并与模态分析软件紧密结合,形成了完整的视频采集与分析系统,具备良好的空间域展现能力,特别适用于柔性低频结构的动态测试与分析。以轻质风扇叶片、若干树叶等结构为对象进行实验研究,验证了该技术和方法的有效性。     

受限工作模式下航迹融合多目标跟踪算法研究

针对实际目标跟踪系统中，传感器工作常常受到限制，以满足跟踪精度和隐蔽性双重 要求的工程应用问题．研究了杂波环境下，采用红外(主传感器)始终工作、雷达(辅传感器) 间歇工作的特殊传感器工作模式，红外\雷达双传感器航迹融合多目标跟踪算法及实现．仿 真表明可以达到跟踪精度与隐蔽能力兼顾的系统要求．     

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。     

虚拟群体与动态视频场景的在线实时融合

将虚拟人群与实拍视频场景融合实现虚拟人群对现实场景中动态目标的合理避让,是增强现实技术有待解决的一个新问题.文中首先对实拍视频流进行分析,获取真实动态目标在三维空间中的运动信息;然后将动态目标的运动转化为每个虚拟角色的约束条件,实时更新虚拟角色的运动决策,实现其对现实场景中动态目标的避让以及虚拟角色之间的避让.为了清晰地展示现实世界中多个目标的空间位置关系,还对视频画面中的目标体做了精确的实时分割,以产生正确的遮挡关系和目标定位.最后通过实验结果表明了该算法的有效性.     

用于多个机动目标的混合高斯概率假设密度跟踪器

现有的混合高斯概率假设密度（GM—PHD）跟踪器不仅可以估计时变的多目标状态,还能辨识不同目标并保持其轨迹连续性．但当多个目标发生机动时,其稳定性较差,容易丢失目标．针对这一问题,本文提出一种能跟踪多个机动目标的混合高斯概率假设密度跟踪器算法．算法在GM—PHD滤波的框架上采用修正的输入估计方法将目标的概率假设密度（PHD）表示成混合高斯形式,并利用不同的标记辨识各个高斯分量,然后通过PHD滤波方程迭代这些高斯分量和对应的标记,最终达到跟踪多个机动目标的目的．仿真实验表明,和传统的GM—PHD跟踪器相比．新算法能以更高的稳定性跟踪多个机动目标．     

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．     

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。     

基于改进运动历史图像的多运动目标实时跟踪

提出了一种利用视频图像对运动目标进行实时检测与跟踪的新方法.该方法利用基于改进的时间片的运动历史图像(tMHI)的灰度阶梯轮廓方法对多个运动目标进行检测,通过卡尔曼滤波器对多目标进行跟踪,并得到了各个运动目标的轨迹曲线,进而实现了对视频图像中多目标的跟踪.同时,该方法对多个目标的遮挡问题获得了明显的改善效果.实验结果表明,该方法能够对复杂场景下的多个目标进行有效的识别和准确的跟踪,系统的实时性强,识别率高,而且该方法对于复杂视频监视系统场景中的光照变化、雨雾等干扰具有较强的稳健性.     

一种新的基于在线采样的多物体跟踪方法

跟踪多个运动物体,尤其是在遮挡过程中跟踪多个运动物体,是计算机视觉领域一个重要但具有挑战性的问题.该文提出了一种新的在线采样、更新学习和分类的跟踪框架来处理多物体跟踪问题.首先,对遮挡发生前若干帧的各物体进行块采样,作为训练样本进行在线分类器设计.各帧的物体区域也在线进行块采样,并用这些分类器来进行分类标号.如果遮挡没有发生,一些新的训练样本被添加用来更新分类器.当遮挡发生时,根据标号结果,前景区域被分割成多个目标物体.和以往方法相比,新方法不依赖于一些假设条件,如场景深度信息、物体的先验模型(比如形状、种类、区域内颜色各向同性、运动规律等),具有更好的适应能力.实验结果验证了该文方法的稳定性和有效性.