用TMS320C25数字信号处理器实现多目标跟踪

多目标跟踪的主要问题是有效区域,即窗口的定义,数据联想和状态预测.窗口定义了一个测量向量的有效区域,它是用高斯、矩形和椭圆函数来定义的.数据联想是一个复杂的任务.许多有关快速和复杂的技术已经报道过.Barshalon等人提出了一个概念,对单目标用概率数据联想,而对多目标,用联合概率数据联想.这些算法在计算上是复杂的,并且在仿真几个目标的时候,实时完成要求庞大的数据吞吐量.     

自适应门限GM-CPHD多目标跟踪算法

带有势估计的高斯混合概率假设密度滤波（GM-CPHD）作为一种杂 波环境下目标数可变的检测前跟踪方法,将复杂的多目标状态空间的运算转换为单目标状态 空间内的运算,有效避免了多目标跟踪中复杂的数据关联问题,但该方法的计算复杂度与观 测数的3次方成正比,在密集杂波情况下计算量十分巨大。针对该方法计算复杂度高的问题 ,提出利用一种最大似然自适应门限的快速算法,该算法首先利用自适应门限对观测进 行处理,然后仅利用处于门限内的有效观测进行GM-CPHD算法的更新步计算,大大降低了算 法的计算复杂度。实验结果证明,本文方法在有效降低计算复杂度的同时,在多目标跟踪效 果 方面与GM CPHD相当,优于GM-PHD滤波算法。     

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.     

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.     

基于ROI特征匹配融合的图像多目标跟踪算法

在图像多目标跟踪问题中,针对图像匹配无法辨别同类别目标以及状态滤波难以对目标突发机动建模两个难点,提出了一种多特征匹配融合跟踪算法。该算法在基于局部方差图(standard deviation map,STDM)的目标检测结果的基础上,首先利用目标感兴趣区域(region of interest,ROI)的图像匹配来克服目标状态匹配误差的影响;然后利用状态特征匹配消除图像匹配识别的模糊性;最后在关联代价全局最优化框架下,将两者匹配结果融合,以提高多目标跟踪的正确率。     

视场非完全重叠的分布式雷达多目标跟踪方法

在探测能力、波形设计及天线指向等因素制约下,分布式雷达视场并非完全重合,由此造成的观测信息差异给后续信息融合带来了巨大挑战。该文基于高斯混合实现的集势概率假设密度(CPHD)滤波器,提出了一种视场部分重叠下的分布式雷达多目标跟踪方法。首先,利用多目标密度乘积切分出概率假设密度(PHD)中表征共同观测信息的部分;之后,标准的分布式融合(算术平均或几何平均融合)方法作用于切分出的共同观测目标信息以提升跟踪性能,补偿融合则作用于雷达单独观测目标信息以扩展视场范围。该文方法无须视场先验信息,能够适应雷达视场未知时的分布式融合多目标跟踪场景。仿真实验验证了所提出方法在未知、时变雷达视场下跟踪多目标的性能,表明了该文方法比基于高斯混合的聚类方法性能更好。      

基于Transformer网络的机载雷达多目标跟踪方法

传统的多目标跟踪数据关联算法需要提前知晓目标运动模型和杂波密度等先验信息,然而这些先验信息在跟踪之前无法及时准确地获取。针对这个问题,提出一种基于Transformer网络的多目标跟踪数据关联算法。首先,考虑到传感器会存在漏检的情况,引入虚拟量测来重新建立数据关联模型。在此基础上,提出基于Transformer网络的数据关联方法来解决多目标与多量测的匹配问题。同时,设计了一种掩蔽交叉熵损失与重叠度损失相结合的损失函数(MCD)用于优化网络参数。仿真和实测数据结果表明:在不同检测概率条件下,所提算法性能均优于经典的数据关联算法和基于双向长短时记忆网络的算法。      

基于目标容量的网络化雷达功率分配方案

针对现有网络化雷达功率资源利用率低的问题,该文提出一种基于目标容量的功率分配(TC-PA)方案以提升保精度跟踪目标个数.TC-PA方案首先将网络化雷达功率分配模型制定为非光滑非凸优化问题;而后引入Sigmoid函数将原问题松弛为光滑非凸优化问题;最后运用近端非精确增广拉格朗日乘子法(PI-ALMM)对松弛后的非凸问题进行求解.仿真结果表明,PI-ALMM对于求解线性约束非凸优化问题可以较快地收敛到一个稳态点.另外,相比传统功率均分方法和遗传算法,所提TC-PA方案可以最大限度地提升目标容量.     

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．     

航迹关联指派算法研究

为了解决多目标航迹关联问题,将假设检验方法和线性指派算法综合起来形成了检验优先和指派优先两类方法．针对3种典型算法在雷达探测能力受限或者目标密集场景下容易出现错误关联的问题,提出了一种改进的检验优先算法．该算法通过惩罚性地增加虚拟目标的关联代价来改善关联性能．设计最简单的二目标场景和多目标场景对该算法进行了仿真．仿真结果表明,该算法在目标密集和雷达检测概率下降时仍然能够保持较高的关联性能．