基于贝叶斯理论的分布式多视角目标跟踪算法

 为了有效解决传统单视角跟踪难于处理的目标遮挡问题,本文提出了一种分布式多视角目标跟踪算法. 该算法首先基于贝叶斯理论,为多视角目标跟踪问题建立了分布式数据融合的概率框架;并利用粒子滤波器对所需后验概率进行近似,提出了自适应的观测模型和状态转移模型. 各摄像机能够并行化地进行数据采集、处理、融合,而无需集中式处理单元;能够有效避免遮挡造成的误差传递,提高跟踪算法的鲁棒性. 实验证明了本文算法的有效性.     

分布式多视角目标跟踪算法在OMAP3平台上的实现与优化

本设计在最新的TIOMAP3平台上实现分布式多视角目标跟踪算法。系统由多个摄像头及相应的处理部分组成,各个摄像头分别独立地采集图像数据并进行跟踪。本设计构造了分布式目标跟踪软件框架和网络传输协议,在各摄像头的跟踪算法中采用了最大似然估计、序列蒙特卡洛方法以及基于卡尔曼外观滤波的模版更新匹配等最新算法,同时对各摄像头算法进行优化以保证实时性。     

基于动态能量管理的无线传感网络动目标定位跟踪方法

针对无线传感网络目标跟踪的能效性问题,结合网络能耗模型与唤醒机制,提出一种新的基于动态能量管理的分布式动目标定位跟踪方法.根据目标运动的先验信息,通过小波消噪和自回归预测,实现无线传感节点的动态唤醒,延长休眠时间,降低能量消耗.簇内相关节点构成分布式动态定位跟踪单元,簇头负责收集跟踪单元的测量信息,采用一种基于两圆位置关系的定位修正算法,简化了目标跟踪定位过程.仿真结果表明,基于动态能量管理的分布式定位跟踪方法能降低节点能耗,满足定位跟踪精度,适用于地面动目标的定位跟踪.     

基于特征融合的RGBT双模态孪生跟踪网络

热红外成像技术被广泛地应用于军事、遥感和安防等领域中的目标跟踪,但热红外图像对对比度较低、目标模糊等跟踪场景效果一般。因此,将热红外图像与可见光图像进行融合提高跟踪性能具有重要意义。与基于可见光或热红外图像的单模态跟踪算法相比,基于可见光/热红外(RGB/Thermal, RGBT)图像的双模态跟踪算法对光照变化、云雾遮挡具有更强的鲁棒性。提出了一种基于特征融合的RGBT双模态孪生跟踪网络架构。该网络将双模态图像中提取的深度特征进行融合,提高目标外观特征的判别力。该网络可以利用训练数据进行端到端的离线训练。公开数据集RGBT234上的实验结果表明,所提出的RGBT双模态孪生特征融合跟踪网络能够实现复杂场景下鲁棒持续的目标跟踪。     

无线传感器网络的目标跟踪算法

为了解决无线传感器网络跟踪非线性运动目标的分布式数据融合问题,使用了基于扩展信息滤波器(EIF)的分布式估计算法.对于活跃传感器的选择方法,采用了基于与目标位置接近程度的近邻选择算法和基于信息贡献的信息选择算法.仿真结果表明,与分布式扩展信息滤波器(DEIF)算法相比,近邻选择算法和信息选择算法得到了相似的响应曲线,且具有减少能量消耗和简化计算的优点.     

一种基于多传感器数据融合的目标跟踪算法

在制导与跟踪系统中．雷达和红外成像传感器所固有的优缺点,决定了其自身的局限性。为综合利用上述传感器信息,提高目标跟踪精度,提出了一种基于雷达和红外成像传感器数据融合的交互多模目标跟踪算法,算法首先对红外图像进行处理,然后基于上述处理结果．利用交互多模算法对雷达观测信息进行目标跟踪,最后采用分布式数据融合算法得到最终目标的跟踪结果。在有效提高跟踪精度的同时,减少了运算量。     

基于粒子群优化和M-H采样粒子滤波的传感器网络目标跟踪方法

针对实际应用条件下传感器节点的观测数据与目标动态参数间呈现为非线性关系的特性,提出了一种基于粒子群优化和M-H抽样粒子滤波的传感器网络目标跟踪方法。该方法采用分布式结构,在动态网络拓扑结构下,由粒子群优化和M-H抽样技术实现滤波中的重抽样过程,抑制粒子退化现象,并通过粒子间共享历史信息,降低单个粒子历史状态间的相关性使各粒子能快速收敛至最优分布,从而实现高精度的目标跟踪效果。仿真结果表明,相比现有的基于信息粒子滤波和并行粒子滤波技术的传感器网络目标跟踪方法,所提出的方法能降低网络总能耗,同时保证目标跟踪的精度。     

母体均值区间估计用于多传感器数据关联算法研究

为了提高多传感器数据融合的精度,数据或航迹关联成为对目标跟踪滤波的关键。分析了用于多传感器数据融合的集中式与分布式卡尔曼滤波器,提出了一种新的基于数理统计理论的数据关联算法——正态母体均值区间估计算法,当传感器性能及干扰噪声的统计特性发生突变时,能大大提高数据融合的精度和准确性。     

简评基于图像融合的目标识别和跟踪算法

传统的目标识别和跟踪算法都是基于单传感器图像的.随着多传感器图像融合技术的深入发展,其在目标识别和跟踪领域的应用也越来越广泛.评述了基于图像融合的目标识别与跟踪算法,包括融合预处理、融合识别和融合跟踪,说明了图像融合思想在目标识别与跟踪领域的优越性.     

可见光与红外CPCT彩色图像融合研究与实现

研究了红外和可见光图像融合、融合质量客观评价以及融合目标跟踪三个方面。针对当前基于颜色传递的彩色图像融合中融合图像缺乏颜色恒常性的问题,着重分析研究颜色传递过程中参考图像如何影响融合效果,并提出基于恒参数颜色传递(CPCT)彩色图像融合的改进算法。然后,分析了彩色融合图像的客观评价方法,对各种客观评价指标与主观评价的一致性进行对比总结。最后,以目标跟踪作为红外和可见光图像融合应用,针对红外小目标跟踪出现的相似背景干扰问题,结合基于CPCT的图像融合算法,研究了基于CPCT彩色融合图像的粒子滤波目标跟踪算法。     

一种多视角跟踪系统中的自行标定方法

多视角的标定和自标定是多视角系统部署和应用中的重要限制环节.文章针对基于单应关系的多视角跟踪应用场景,提出了一种使用跟踪结果本身进行视角几何关系标定的方法,避免了预先标定环节,可以配合现有的各种跟踪算法.理论分析和仿真实验表明,此方法具有高效率、高可靠性、易于实施的特点.     

具备视角协同学习能力的多视角TSK型模糊系统

传统模糊系统建模方法本质上是一种单视角学习模式,面向适合多视角处理的场景时,它们通常只能将每一视角割裂开来进行独立建模,这导致其所得系统泛化性能往往不令人满意。针对此缺陷,该文探讨具备多视角学习能力的模糊系统建模方法。为此,基于经典的L2型TSK模糊系统,通过引入具备多视角学习能力的协同学习项,该文提出了核心的多视角TSK型模糊系统(MV-TSK-FS)建模方法。MV-TSK-FS不仅能有效地利用各视角不同特征构成的独立样本信息,还能充分地利用各视角间由于相互关联而存在内在信息,以最终达到提高系统泛化性能的效果。在模拟数据集与真实数据集上的实验结果验证了较之于传统单视角模糊建模方法该多视角模糊系统有着更好的泛化性和适用性。     

A Low Duty Cycle MAC Protocol for Directional Wireless Sensor Networks

Directional communication in wireless sensor networks minimizes interference and thereby increases reliability and throughput of the network. Hence, directional wireless sensor networks (DWSNs) are fastly attracting the interests of researchers and industry experts around the globe. However, in DWSNs the conventional medium access control protocols face some new challenges including the synchronization among the nodes, directional hidden terminal and deafness problems, etc. For taking the advantages of spatial reusability and increased coverage from directional communications, a low duty cycle directional Medium Access control protocol for mobility based DWSNs, termed as DCD-MAC, is developed in this paper. To reduce energy consumption due to idle listening, duty cycling is extensively used in WSNs. In DCD-MAC, each pair of parent and child sensor nodes performs synchronization with each other before data communication. The nodes in the network schedule their time of data transmissions in such a way that the number of collisions occurred during transmissions from multiple nodes is minimized. The sensor nodes are kept active only when the nodes need to communicate with each other. The DCD-MAC exploits localized information of mobile nodes in a distributed manner and thus it gives weighted fair access of transmission slots to the nodes. As a final point, we have studied the performance of our proposed protocol through extensive simulations in NS-3 and the results show that the DCD-MAC gives better reliability, throughput, end-to-end delay, network lifetime and overhead comparing to the related directional MAC protocols.     

带反馈信息的分布多传感器航迹融合算法

为了改善传感器级的跟踪性能,本文研究带反馈信息的多传感器状态估计技术。在给出有、无反馈信息情况下的局部节点状态估计解的基础上,该文提出多坐标系中有、无反馈信息情况下的航迹融合方程。并指出有、无反馈信息情况下的两种融合解是等价的、最优的。仿真结果表明,在分布式多传感器信息融合系统中引入反馈机制可以明显改善局部节点估计精度,其性能已接近融合中心。在集中和雷达反隐身系统中,就空间重叠、覆盖而论,融合系统局部节点一般选2至4个为宜。     

多目标多传感器的跟踪

多目标多传感器的跟踪是一个非常复杂的问题，其关键是数据的融合。单个传感器的多目标跟踪主要是解决数据的关联问题，多个传感器的多目标跟踪虽然有时也是解决数据关联问题，但是多传感器的数据关联就要复杂得多，它是一个多维的问题。文中主要介绍多目标多传感器跟踪网络构成策略及分级分布传感器跟踪的数据和轨迹融合方式。     

基于航迹隶属度的分布式系统数据融合算法

航迹关联与航迹融合是分布式目标跟踪系统数据融合的关键.本文研究了基于航迹隶属度的数据融合算法.综合各传感器航迹估计形成的目标运动状态特征向量与传感器分辨率,根据模糊聚类算法建立各观测时刻航迹隶属度矩阵与系统航迹关联决策矩阵,解决融合中心航迹关联问题.根据加权融合算法思想,结合各观测时刻航迹隶属度矩阵,实时、动态分配航迹号集合中各局部航迹权值,解决目标航迹融合问题.蒙特卡罗仿真表明,算法航迹关联效果明显优于加权航迹关联算法,并得到与简单航迹融合算法一致的目标融合航迹.     

Architecture and algorithms for tracking football players with multiple cameras

A system architecture and method for tracking people is presented for a sports application. The system input is video data from static cameras with overlapping fields-of-view at a football stadium. The output is the real-world, real-time positions of football players during a match. The system comprises two processing stages, operating on data from first a single camera and then multiple cameras. The organisation of processing is designed to achieve sufficient synchronisation between cameras, using a request-response pattern, invoked by the second stage multi-camera tracker. The single-view processing includes change detection against an adaptive background and image-plane tracking to improve the reliability of measurements of occluded players. The multiview process uses Kalman trackers to model the player position and velocity, to which the multiple measurements input from the single-view stage are associated. Results are demonstrated on real data.     

分布式多传感器多目标跟踪方法综述

多传感器多目标跟踪是信息融合领域的热点问题,其通过融合多个局部传感器数据,提高目标跟踪精度和稳定性。多传感器多目标跟踪按融合体系可分为分布式、集中式、混合式3类,其中分布式融合结构对网络通信带宽要求低、可靠性和稳定性强,广泛应用于军事、民用领域。该文聚焦分布式多传感器多目标跟踪涉及的目标跟踪、传感器配准、航迹关联、数据融合4项关键技术,主要分析了各关键技术的理论原理与适用条件,重点介绍了不完整测量条件下的空间配准与航迹关联,并给出仿真结果。最后,该文总结了现有分布式多传感器多目标跟踪关键技术存在的问题,并指出了其未来发展趋势。      

Energy Scaling Laws for Distributed Inference in Random Fusion Networks

The energy scaling laws of multihop data fusion networks for distributed inference are considered. The fusion network consists of randomly located sensors distributed i.i.d. according to a general spatial distribution in an expanding region. Under Markov random field (MRF) hypotheses, among the class of data-fusion policies which enable optimal statistical inference at the fusion center using all the sensor measurements, the policy with the minimum average energy consumption is bounded below by the average energy of fusion along the minimum spanning tree, and above by a suboptimal policy, referred to as Data Fusion for Markov Random Fields (DFMRF). Scaling laws are derived for the energy consumption of the optimal and suboptimal fusion policies. It is shown that the average asymptotic energy of the DFMRF scheme is strictly finite for a class of MRF models with Euclidean stabilizing dependency graphs.