改进的基于在线Boosting的目标跟踪方法

针对被跟踪目标发生严重遮挡、暂时离开跟踪画面或位移发生重大变化时,采用基于在线Boosting跟踪的邻近区间更新算法导致错误累积进而产生漂移甚至跟踪失败的问题,提出一种改进的基于在线Boosting的目标跟踪方法。由在线Boosting算法对分类器特征库进行更新,使用卡尔曼滤波动态更新阈值,使系统能根据跟踪目标的置信度自动用获取到的局部特征对阈值做相应调整。当运动目标的置信度低于下限阈值时,采用Blob跟踪方法,根据颜色和空间上的相似性将目标分割为多个区域,每个区域包含有区域号、位置、大小信息,随机选取一个进入在线Boosting跟踪模块进行检测,直到获取到置信度达到上限阈值时,切换到邻近区域更新算法进行跟踪。对不同视频序列测试的结果表明,与传统在线Boosting算法和其他跟踪算法相比,所提出算法能快速准确获取跟踪目标并具有更强的鲁棒性。     

雷达和红外融合对高机动目标跟踪仿真研究

研究准确跟踪敌机飞行目标,可进行有效打击.针对高机动目标与运动跟踪平台的相对运动比较复杂,由于雷达定位和红外跟踪算法的模型误差大与精度损失,如何提高跟踪系统的跟踪精度是一个很大的难题.为了提高高机动目标跟踪精确度,提出交互多模型-概率数据关联算法(IMM-PDA),进行雷达与红外并行信息融合与目标跟踪.运用Markov链切换原理与概率数据关联技术有效解决了目标变速机动及复杂杂波环境下的高精度跟踪问题.同时并行融合信息,克服序贯融合中两次使用扩展卡尔曼滤波线性化造成模型误差与精度损失的缺陷,提高系统的跟踪精度.仿真结果表明,基于雷达、红外并行融合的IMM - PDA算法在跟踪高机动目标时,精度更高,验证了算法的可行性与有效性.     

基于多属性分类的雷达目标跟踪算法

传统目标跟踪算法无法有效利用目标的属性信息,而已有的基于PN学习的雷达目标跟踪算法获取目标属性信息过少,在杂波更为复杂的实际环境中仍然存在滤波能力不足的情形。针对这一问题,提出基于SVM多属性分类器的目标跟踪滤波算法。该算法在原有的PN学习算法基础上,扩宽了系统获取雷达数据信息的维度。这些数据更好地反映了目标和杂波的特征,使得雷达识别杂波的能力增强。仿真实验表明:该算法在强杂波环境下有效地提升了目标跟踪的精度。     

空间非合作目标在轨主/被动融合跟踪方法

针对空间远距离非合作目标的点目标跟踪问题,研究基于非地面测控数据支持的远距离空间目标的在轨主/被动融合跟踪方法。包括运用基于被动传感器以及雷达间歇辅助测距跟踪的Unscented卡尔曼滤波(UKF)方法,得到非合作目标的运动状态信息,即利用光学跟踪摄像机的二维角度量测值及雷达间歇提供的距离量测值,估计目标的惯性位置与速度方法,为后续自主空间操作建立初始轨道状态数据。仿真结果表明,当状态误差和量测噪声改变时,UKF均能持续跟踪远距离非合作目标,使得雷达间歇提供的距离信息可以得到更好的跟踪精度。     

用于智能垃圾分拣的注意力YOLOv4算法

针对人工垃圾分拣效率低、工作环境恶劣且成本高的问题,提出了一套智能可回收垃圾分拣系统,该系统采用RGB图像作为视觉信息输入,通过目标检测算法获取垃圾在传送带上的位置坐标信息,并通过机械臂对垃圾进行分拣操作。可回收垃圾形态各异、种类繁多,为提高检测算法的泛化能力,建立了一个含36 572帧图片的可回收垃圾数据集,并基于此数据集上训练目标检测算法。基于YOLOv4提出了嵌入注意力机制的目标检测算法Attn-YOLOv4,经实验验证,Attn-YOLOv4算法的mAP比原始YOLOv4算法高0.16个百分点。在静态识别功能的基础上,提出基于多线程的目标跟踪算法实现了对运动垃圾的快速稳定跟踪,在20 mm误差范围内达到了0.945的精确度。此外,后处理模块对图像进行形态学处理并获取垃圾的世界坐标以及放置角度,供机械臂进行分拣操作。分别对目标检测和跟踪算法进行验证,在实际分拣流水线上验证并评估了该智能可回收垃圾分拣系统的可行性、精度及分拣的成功率。     

基于高速公路场景的车辆目标跟踪

车辆目标检测与跟踪是高速公路视频监控系统实时监控获取交通参数的关键步骤.本文提出了一种面向高速公路场景的目标轨迹时序信息结合核相关滤波KCF算法的车辆目标跟踪方法,实现了车辆目标的高精度持续跟踪.该方法首先采用基于深度学习的单目标检测SSD算法,通过建立车辆数据集,实现了适用于高速公路场景的车辆目标的分类与检测.然后,基于目标轨迹时序信息实现目标车辆与轨迹的匹配,并且采用KCF跟踪算法对丢失目标进行预测重定位,从而实现车辆目标轨迹的持续跟踪.实验表明,该跟踪方法精度高,且适应多种不同场景,具有较高的应用价值.     

基于并行跟踪检测框架与深度学习的目标跟踪算法

在空地协同背景下，地面目标的移动导致其在无人机视角下外观会发生较大变化，传统算法很难满足此类场景的应用要求。针对这一问题，提出基于并行跟踪和检测（PTAD）框架与深度学习的目标检测与跟踪算法。首先，将基于卷积神经网络（CNN）的目标检测算法SSD作为PTAD的检测子处理关键帧获取目标信息并提供给跟踪子；其次，检测子与跟踪子并行处理图像帧并计算检测与跟踪结果框的重叠度及跟踪结果的置信度；最后，根据跟踪子与检测子的跟踪或检测状态来判断是否对跟踪子或检测子进行更新，并对图像帧中的目标进行实时跟踪。在无人机视角下的视频序列上开展实验研究和对比分析，结果表明所提算法的性能高于PTAD框架下最优算法，而且实时性提高了13%，验证了此算法的有效性。     

基于图像轮廓检测的航天器目标跟踪控制系统设计

目前研究的航天器目标跟踪控制系统控制有效率低,追踪图像与实际目标不同,准确率低;基于图像轮廓检测设计了一种新的航天器目标跟踪控制系统,根据系统硬件的不同性能与结构进行模块式划分,同时将图像轮廓检测数据准则添加入中心管理系统中,时刻保证数据的检测安全系数处于系统操作允许范围内;调整原有的软件结构状态,采集航天器轮廓图像并提取轮廓信息,选用适当的图像轮廓检测阈值,集中检验跟踪目标的运动方向,调控方向数据,以此降低图像的像素变化程度,得到准确的航天器目标跟踪控制结果;实验结果表明基于图像轮廓检测的航天器目标跟踪控制系统控制有效率达到了84%,跟踪目标更加准确。     

基于MMPHDF的多机动目标联合检测、跟踪与分类算法

针对场景中存在新目标出现、旧目标消失(即目标数目变化)和密集杂波的复杂情形,利用多模型概率假设密度滤波器(MMPHDF)在多机动目标联合检测与跟踪上的优势,加入类别辅助信息,提出了一种多机动目标联合检测、跟踪与分类算法.该算法的基本思想是在MMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,从而改善了目标数目及状态的估计精度;在更新目标状态后,对目标属性信息进行更新,更为精确的目标数目及状态估计又保证了目标分类性能.本文给出了该算法的粒子实现方法.仿真结果验证了上述结论.     

As-IPDA算法在OTHR航迹维持中的应用

天波超视距雷达(OTHR)具有的低数据率、低检测概率和低量测精度特征对目标跟踪提出挑战;由于对航迹、航迹存在概率的平滑作用,基于状态扩维IPDA(As-IPDA)算法在目标跟踪中得以很好应用,文章把As-IPDA算法引入到天波超视距雷达目标跟踪环境中;仿真结果表明,与传统的概率多假设跟踪(PMHT)算法相比,As-IPDA算法在目标跟踪精度、失跟率以及实时性方面都有满意的结果,从而验证了该算法在天波超视距雷达目标跟踪中的有效性、可行性.     

基于Tiny-YOLOV3的无人机地面目标跟踪算法设计

为了提高四旋翼无人机对地面目标跟踪的稳定性和跟踪精度,提出了一种结合Tiny-YOLOV3和卡尔曼滤波的跟踪算法;首先分析了Tiny-YOLOV3的原理和网络结构,并基于Tiny-YOLOV3的目标检测结果,结合无人机状态和目标的几何关系建立了目标跟踪系统的数学模型;接着对目标相对运动关系进行分析,建立目标的运动学模型,考虑到目标检测结果受干扰影响较大,应用卡尔曼滤波器实现对目标轨迹的滤波和预测,进而提升目标跟踪的精度;最后根据经过卡尔曼滤波后的目标轨迹信息设计无人机控制律,在轨迹控制的同时引入对无人机偏航角的控制,从而实现无人机对目标的稳定跟踪;仿真结果表明无人机对目标的位置跟踪精度在0.5 m以内,速度跟踪误差在0.2 m/s以内,偏航角跟踪误差在3°以内,跟踪效果良好,从而论证了所提算法的有效性。     

恒虚警率PDAF的弱点状目标跟踪技术性能分析

PDAF与PDAF-AI算法广泛应用于雷达目标检测与微弱点状目标跟踪领域,两者不同之处在于PDAF-AI算法在利用目标位置、运动速率的基础上多加了目标的亮度信息通过Kalman滤波器去估计目标下一时刻的状态。PDAF-AI改变了传统PDAF算法忽略目标亮度信息的不足,它应具有更好的跟踪性能。通过对这两种算法跟踪性能的对比分析研究：带亮度的概率数据关联滤波器技术PDAF-AI总体上比传统的PDAF技术具有更好的实时跟踪性能,然而在强杂波或跟踪区域存在高亮杂波的情况下PDAF-AI的跟踪性能可能会有所下降。     

基于改进Kalman滤波的可见光极小目标TBD跟踪方法

针对无人机可见光图像极小目标跟踪问题,本文提出一种基于改进卡尔曼滤波的 (Tracking before detection,TBD)跟踪方法。首先利用检测算法定位目标位置作为卡尔曼滤波的测量值,检测过程中的匹配相似度参数作为卡尔曼滤波测量噪声协方差矩阵的参照依据,其次利用卡尔曼滤波建立跟踪框架预测下一帧的目标位置,最后检测模块以预测位置为 参考位置进行局部搜索,完成整个检测跟踪过程。为了提高跟踪效率,本文根据检测和预测位置积累误差判决检测模式,误差超过门限值则采取全局检测模式消除积累误差,否 则使用局部检测模式,降低TBD跟踪算法的运算复杂度。仿真实验证明,本文方法可以有效检测跟踪极小目标,提高跟踪的实时处理能力。     

“低慢小”目标的雷达与光电复古探测跟踪方法

针对单一探测方式难以对“低慢小”目标进行全天候探测与跟踪，采用雷达与光电的主被动复合探测技术，结合两者的优势，提高定位精度，实现脉冲多普勒雷达扫描探测引导光电系统精跟踪。首先利用四元数法建立雷达坐标系与光电坐标系的空间配准模型，雷达与光电系统空间配准后，光电接收到目标位置信息视场自动转向目标；当雷达与光电探测到同一目标，通过最小二乘法将雷达与光电探测目标数据进行加权时间配准，最后将配准后的数据采用扩展卡尔曼滤波交互多模型算法(EKF-IMM)进行滤波预测，改善复合探测系统能持续跟踪能力，同时对目标在不同运动状态下具有强适应性。仿真与实验分析表明通过复合探测的方法实现对目标进行探测跟踪，利用EKF-IMM算法降低了噪声干扰，提高了目标跟踪能力及精度，其精度较传统模型提高了7%左右。     

融合相似性检测的抗遮挡粒子滤波跟踪算法

在粒子滤波跟踪算法运行过程中,由于目标遮挡导致丢失目标,将严重地降低跟踪精度与鲁棒性。为了解决此问题,提出了目标丢失状态判定方法和基于改进序贯相似性检测的目标位置重建方法,当检测到目标丢失时,重启跟踪算法。改进序贯相似性检测使用Bhattacharyya距离代替像素累积误差,更好地适应检测目标发生旋转、形变、缩放等情况。使用OTB-100标准数据集,将该算法和传统粒子滤波跟踪算法、SCM等经典算法比较。实验结果表明,对于含遮挡特性视频序列,本文算法比传统粒子滤波跟踪算法和OTB-100抗遮挡最优算法跟踪成功率分别提高36.6%和3.2%,提升了跟踪过程的稳定性。此外,还将实验结果与最新粒子滤波跟踪研究成果作对比分析。     

基于相机模型投影的多目标三维人体跟踪算法

针对基于二维目标检测和卡尔曼滤波的多目标人体跟踪算法在视频拍摄角度不定的情况下,检测算法生成不同角度人体二维检测框的朝向和尺度混淆以及卡尔曼滤波器随机初始化造成的初始跟踪误差逐步放大问题,提出一种基于相机模型投影的多目标三维人体跟踪算法.在人体检测阶段,提出Multi-task RCNN(MTRC-NN)网络,使用人体...     

基于卡尔曼滤波的动目标运动参数跟踪测量

为实现雷达的精确制导功能,需要精确的跟踪和测量动目标的各项运动参数,为了提高跟踪测量精度,根据目标运动特性采用与系统相匹配的滤波算法。本文探讨了卡尔曼滤波的原理和特点,设计了有效的滤波参数和滤波方程,并通过仿真验证了卡尔曼滤波对跟踪测量精度改善的有效性。     

基于双目视觉的无人飞行器目标跟踪与定位

针对小型无人飞行器跟踪目标的问题,提出了一种基于双目视觉和Camshift算法的无人飞行器目标跟踪以及定位算法。双目相机得到的左右图像通过Camshift算法处理可得到目标中心特征点,对目标中心特征点进行三维重建,得到机体坐标系下无人飞行器与目标间的相对位置和偏航角,应用卡尔曼滤波算法对测量值进行了优化,将所得估计值作为飞行控制系统的反馈输入值,实现了无人飞行器自主跟踪飞行。结果表明所提算法误差较小,具有较高的稳定性与精确性。