红外多目标跟踪算法研究

介绍了红外搜索跟踪系统中多目标跟踪与航迹生成算法，采用极坐标数据进行数据的关联和滤波，采用基于逻辑的最近邻原则并结合目标的红外辐射特性进行航迹关联，实现多目标跟踪起始和终结。     

基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法

针对在线多目标跟踪中检测器造成的漏检、误检问题和目标遮挡情况,提出一种基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法。通过卡尔曼滤波算法对目标进行建模并预测目标的状态;融合目标的空间位置信息和外观深度特征信息,使同一目标之间相似性距离尽量小,并利用匈牙利算法建立跟踪目标和检测目标间的数据关联;利用策略解决未关联的检测目标或跟踪目标等复杂情况。采用MOT16数据集进行实验,实验结果表明能够有效地解决目标交错和遮挡导致跟踪漂移的问题,并且主要跟踪性能参数有显著提高。     

雷达-红外分布式融合多目标跟踪算法

为了提高多目标跟踪的精度和跟踪系统的鲁棒性,提出雷达-红外分布式融合多目标跟踪算法。在直角坐标和修正球坐标相结合的混合坐标系运用GM-PHD滤波实现雷达多目标跟踪,解决因坐标变换引起的非线性问题和量测噪声耦合问题。在修正球坐标系中运用GM-PHD滤波,实现红外传感器的多目标纯角度跟踪。将红外角度估计与雷达状态预测在融合中心进行数据融合,提高跟踪精度。计算机仿真验证表明,雷达和红外传感器可以单独实现多目标跟踪,融合后具有更高的跟踪精度。     

一种快速的多目标跟踪非线性滤波算法

多机动目标跟踪问题是目前目标跟踪领域的一个重要研究方向,而数据关联与跟踪维持是多目标跟踪的核心部分。利用支持向量机在分类识别方面的优势,研究了基于支持向量机的数据关联方法。在此基础上,采用交互式多模型算法和无味卡尔曼滤波相结合的方法研究了多机动目标的跟踪问题。在该方法中,目标的运动状态和方位误差由选定的采样点来近似,在每个更新过程中,采样点随着状态方程传播并随非线性测量方程变换,得到目标的运动状态和方位误差的均值,避免了对非线性方程的线性化,至少给出最佳估计的二阶近似。与传统的扩展卡尔曼(EKF)方法进行了仿真比较,仿真结果表明了该算法的有效性。     

运用自组织神经网络进行多目标跟踪的算法

总结了自组织神经网络的结构、训练方法；分析了在多目标跟踪问题中数据关联的重要性及传统的数据关联方法的局限性；研究了在多目标环境下运用自组织神经网络解决数据关联的问题。提出了一种基于自组织神经网络对多个目标实施跟踪的算法，此算法采用自组织神经网络的聚类功能对目标进行数据关联处理，并将经过卡尔曼滤波后的数据信息结合到神经网络的学习训练中。仿真实验结果表明此算法能在多目标环境下取得较好的跟踪效果。     

分布序列最近邻多目标跟踪算法

提出了一种有效分布多目标跟踪算法。该分布跟踪系统由两个主要组件构成：本机传感器级别跟踪器和一个跟踪融合器。在跟踪融合器中，传感器的本机跟踪先转换成公共坐标系并通过线性卡尔曼滤波器同步。称为顺序最小归一化距离最近（ＳＭＮＤＮＮ）邻的跟踪相关技术及择多判决（ＭＤＭ）被用于使不同传感器的跟踪相关。利用顺序最小的均方差（ＭＭＳＥ）融合方法，融合已相关跟踪。如果大多数传感器指出同样的跟踪，ＳＭＮＤＮＮ相关将     

轨迹预测在红外多目标跟踪中的应用

针对红外多目标跟踪过程中的噪声、轨迹预测和轨迹交联问题,讨论了轨迹预测算法在红外多目标跟踪中的应用.首先,利用邻域轨迹预测算法剔除目标检测算法中误检的噪声点,然后运用卡尔曼滤波和最小二乘滤波的轨迹预测方法解决在跟踪过程中目标丢失的问题,及多目标轨迹出现交联时如何辨识出各个目标轨迹的问题.算法充分运用了目标运动的连续性和方向性,避免了噪声的干扰,实现了目标轨迹的预测和辨析.通过物理实验,验证了各个算法的有效性,并比较了工程应用中的优劣.实验证明:基于目标轨迹预测的算法较好地解决了红外多目标跟踪过程中的噪声、轨迹预测和交联问题.     

基于Mean-shift的多目标跟踪算法的设计

针对视频序列中目标的跟踪问题,提出了一种基于模版匹配的多目标跟踪算法.该算法提取目标模版灰度分布特征,并在目标匹配过程中采用Bhattacharyya系数在图像中寻找相似性最高的区域.仿真结果表明,用该算法进行多目标跟踪时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.     

一种改进的CPHD多目标跟踪算法

CPHD(Cardinalized Probability Hypothesis Density)滤波是一种杂波环境下可变目标数的多目标跟踪算法,该文针对算法中存在的目标漏检问题提出一种改进算法,该算法在高斯混合框架下实现贝叶斯递归,通过对各个高斯分量进行标记,对目标进行航迹关联,在此基础上对修剪合并后各个高斯分量的权值进行两次分配。首先对超过检测门限的高斯分量权值进行分配,有效解决了目标漏检问题,然后基于一个目标只可能产生一个观测的事实进行第2次分配,改善了目标发生交叉时的算法性能。实验结果表明,所提方法在多目标状态估计和航迹维持方面均优于普通的CPHD算法。     

多目标视频跟踪技术的研究

视频跟踪技术是智能视频分析中的一个基础研究方向,现已有一些实用的算法,现重点研究了粒子滤波算法.通过改进,解决了多目标间互相干扰的问题.测试结果表明:在目标被部分甚至完全遮挡时,仍然能够给出正确的结果.     

多目标跟踪的多伯努利平滑方法

为提高基于滤波的多目标跟踪方法的性能,提出了一种多伯努利平滑方法.该方法由前向滤波和反向平滑两部分组成,前向滤波采用势平衡多目标多伯努利滤波,反向平滑利用多伯努利概率密度近似多目标平滑状态的概率密度,实现多目标平滑状态概率密度的反向递推计算.仿真结果表明,与滤波相比,多伯努利平滑对目标数量和目标状态的估计精度都有显著提高.     

结合匈牙利指派和改进粒子滤波的多目标跟踪算法

使用汽车雷达进行多目标跟踪时,为了提高航迹关联效率并改善非线性场景跟踪效果,提出了结合匈牙利指派和卡尔曼重要性采样的粒子滤波(Particle Filter with Kalman Importance Sampling,PF-KIS)算法。首先,将航迹关联分解为聚类和指派,通过密度聚类筛选并整合有效目标,经过匈牙利指派得到目标和航迹的最佳匹配关系,避免产生多余联合事件,提高关联效率;其次,以卡尔曼滤波的结果作为粒子滤波的先验,使采样粒子分布更合理,提高估计精度,进而改善非线性跟踪能力。实验表明,算法平均航迹关联正确率约为95%;非线性场景误差约为卡尔曼滤波的1/2,有效地改善了非线性场景跟踪能力。     

多目标跟踪方法综述

多目标跟踪问题在军事和民用方面都有着十分广泛的应用,如在军事方面的空中预警、空中攻击(多目标攻击)等,民用方面包括空中交通管制等。多目标跟踪在军事上的应用受到了各国广泛重视。本文对目前国内外部分文献上发表的有关多目标跟踪方法进行了综述。并对各种方法的优缺点进行了比较。基于小波变换的方法与其它几种方法相比其优点更为突出,而基于多传感器数据融合的方法是未来多目标跟踪发展的方向。     

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。     

锥扫型光学传感器像平面多目标轨迹跟踪

积分概率多假设跟踪(IPMHT)是一种基于期望极大化(EM)的准最优贝叶斯多目标迭代跟踪算法,研究了该算法在锥扫型光学传感器像平面多目标轨迹跟踪中的问题。为提高算法的跟踪性能和计算效率,利用逻辑概率数据关联滤波(PDAF)方法进行目标初始状态估计,并利用目标幅度信息和波门技术对IPMHT进行优化。针对锥扫型传感器非线性观测下的多目标跟踪,将扩展无味卡尔曼滤波(AUKF)与优化的IPMHT算法相结合,实现像平面多目标轨迹的起始、维持和终结。蒙特卡洛仿真实验表明,该算法成功地解决了锥扫型传感器的像平面多目标轨迹跟踪问题,在提高目标跟踪性能的同时改善了计算效率。     

基于颜色和边缘直方图的多目标跟踪

为了解决基于颜色直方图的多目标跟踪方法对复杂场景适应能力差,容易丢失目标的问题,文中提出一种将颜色直方图与边缘方向直方图相结合的多目标跟踪方法。该方法首先采用一种分块连通域标记方法进行多目标提取,并获得目标的颜色、边缘特征;然后融合目标颜色与边缘两种特征来描述目标的外观模型;最后对跟踪过程中的目标模板进行更新。实验结果表明,该方法对于目标在尺度、光照、姿态发生变化以及目标发生旋转情况下能够实现目标的稳定跟踪,具有很强的鲁棒性。实验中对3组挑战性的视频序列进行了测试,目标数目选定为2个,目标窗口大小为64 pixels× 64 pixels的情况下,本文方法跟踪速度最高可达20 fps,基本上可以满足实时性的跟踪需求。     

基于有限差分扩展卡尔曼粒子滤波的多特征自适应融合的目标跟踪算法研究

针对复杂环境下目标跟踪问题,提出了一种基于 有限差分扩展卡尔曼粒子滤波的多 特征自适应融合跟踪算法。采用有限差分扩展卡尔曼滤波器对采样粒子集合进行滤波更新, 通过融入最新观测信息的方法消弱权值退化现象;在新算法的框架内,利用目标静态和动态 互补特征作为观测量,实现不同环境下目标的多特征自适应融合跟踪。实验结果表明,本文 方法具有较好的跟踪精度和抗噪声干扰能力。     

基于D-S证据理论的无源航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本照搬多传感器数据融合的理论,仅利用目标的状态信息。文中利用了目标的多特征信息（载频、脉宽、脉冲重复间隔（PRI）等）,应用Dempster-Shafer（D-S）证据理论,提出了一种基于分布式无源多目标跟踪系统的多特征信息融合航迹关联算法。算法具有以下优点：关联速度快,正确率高,而且能够适应密集目标的环境。仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法。