多目标跟踪数据关联及其改进算法

本文研究了多目标跟踪数据关联问题,针对联合概率数据关联算法的“组合爆炸”现象,介绍了一种改进算法,以较小的计算量直接计算后验概率。蒙特卡罗仿真表明,该算法在对多个目标进行跟踪时具有很好的性能。     

多目标跟踪数据关联及其改进算法

本文研究了多目标跟踪数据关联问题,针对联合概率数据关联算法的"组合爆炸"现象,介绍了一种改进算法,以较小的计算量直接计算后验概率.蒙特卡罗仿真表明,该算法在对多个目标进行跟踪时具有很好的性能.     

多目标跟踪中联合概率数据关联优化算法

研究多目标实时精确跟踪问题,针对在战场目标密集和电磁环境复杂的情况下,经典多目标跟踪联合概率数据关联算法的计算量剧增,在目前的硬件条件下,算法的实时性和有效性已不能满足要求.为提高算法的计算速度和效率,通过量化可行联合事件中相匹配的量测与目标的统计距离,来定义优化计算的约束条件,从而构建能量函数,把搜索最优可行矩阵问题转化为整数规划问题,对算法进行改进.在分析优化条件完备性的基础上,构建DHN人工神经网络,利用非线性计算能力对整数规划问题进行求解,并采用温控扰动的办法提高收敛速度,降低计算量.仿真结果表明,算法能在复杂条件下实时有效地量测数据,准确分配给目标航迹.     

基于PSO-SA的多目标跟踪数据关联算法研究

为快速实现多目标跟踪的数据关联,将粒子群算法(PSO)和模拟退火算法(SA)相结合,实现快速的多目标跟踪数据关联;以跟踪门确定目标的有效量测,以新息的似然函数描述量测与目标的关联关系,建立多目标数据关联的组合优化模型;利用交叉变异的PSO算法求解出该优化组合模型的次优解,再将该次优解作为模拟退火算法的初始温度和状态,利用SA算法对目标函数的解进行细搜索以求得更优解;仿真表明,该算法与经典的JPDA算法相比,PSO-SA算法的关联准确率都大于90%,提高目标关联准确性和跟踪精度。     

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。     

图像与点云多重信息感知关联的三维多目标跟踪

目的 三维多目标跟踪是一项极具挑战性的任务,图像和点云的多模态融合能够提升多目标跟踪性能,但由于场景的复杂性以及多模态数据类型的不同,融合的充分性和关联的鲁棒性仍是亟待解决的问题。因此,提出图像与点云多重信息感知关联的三维多目标跟踪方法。方法 首先,提出混合软注意力模块,采用通道分离技术对图像语义特征进行增强,更好地实现通道和空间注意力之间的信息交互。然后,提出语义特征引导的多模态融合网络,将点云特征、图像特征以及逐点图像特征进行深度自适应持续融合,抑制不同模态的干扰信息,提高网络对远距离小目标以及被遮挡目标的跟踪效果。最后,构建多重信息感知亲和矩阵,利用交并比、欧氏距离、外观信息和方向相似性等多重信息进行数据关联,增加轨迹和检测的匹配率,提升跟踪性能。结果 在KITTI和NuScenes两个基准数据集上进行评估并与较先进跟踪方法进行对比。KITTI数据集上,HOTA(higher order tracking accuracy)和MOTA(multi-object tracking accuracy)指标分别达到76.94%和88.12%,相比于对比方法中性能最好的模型,分别提升1....     

基于CKF的特征辅助数据关联多目标跟踪

针对密集杂波环境下的多目标近距跟踪问题,提出了一种基于容积卡尔曼滤波(CKF)和特征辅助数据关联的多目标跟踪算法(FADA-CKF).通过特征信息来对传统量测进行扩维,利用扩维后的量测对关联概率进行修正,将特征信息辅助技术融入到联合概率数据关联中,再利用容积卡尔曼滤波(CKF)处理非线性观测量,对目标状态进行估计.将FADA-CKF算法用于近距多目标跟踪场景中,仿真结果表明,改进算法在跟踪精度和误跟率方面要优于传统的JPDA跟踪算法.     

基于YOLOv3与分层数据关联的多目标跟踪算法

为了缓解多目标跟踪算法中实时性的问题以及在跟踪过程中目标由于外观相似度太高和误检数量过多而造成的跟踪困难问题,提出了一种多目标跟踪算法,该算法基于改进YOLOv3与分层数据关联.由于轻量级网络MobileNet使用了深度可分离卷积对原有网络进行压缩,达到了减少网络参数的目的,因此文中在保留YOLOv3网络多尺度预测部分的情况下,利用MobileNet替换YOLOv3网络的主体结构,实现降低网络的复杂度,使算法达到实时的要求.与其他多目标跟踪算法中使用的检测网络相比,该算法提出的检测网络模型的大小为91 M,而单张检测时间可以达到3.12 s.同时,该算法引入基于目标外观特征和运动特征的分层数据关联方法.与仅使用外观特征进行关联的方法相比,分层数据关联方法使得算法的评价指标MO-TA提升6.5％,MOTP提升1.7％.在MOT16数据集上跟踪精度可以达到77.2％,同时具备良好的抗干扰能力与实时性.     

分层关联的多目标跟踪算法研究

检测跟踪(Tracking by detection)是近年来多目标跟踪领域的一个主要研究方向。遵循检测跟踪框架,提出一种基于分层关联的全局性的数据关联算法。首先利用目标检测器在整个视频上检测目标,得到检测响应;然后利用广义最小团图在视频片段中对检测响应进行数据关联,得到轨迹片段;最后再在整个视频中对轨迹片段进行分层关联,得到最终的轨迹。在公共数据集上的测试结果表明,该算法能够有效地对多个目标进行数据关联,具有较强的处理遮挡能力。     

一种基于检测的实时在线多目标跟踪方法

针对当前多目标跟踪算法模型复杂、实时性较差的情况,提出一种基于检测的实时在线多目标跟踪方法。该方法首先利用检测器检测视频中的目标,得到检测框,后经卡尔曼滤波器利用检测框进行估计,去掉噪声影响,得到预测目标位置坐标及运动等信息。使用GIoU作为距离度量,计算预测框和检测框之间重叠问题,继而生成相似度矩阵。最后采用匈牙利算法解决线性指派问题,实现多目标之间的数据关联。实验结果表明,该方法能够良好地实现实时在线的多目标跟踪。     

改进的Viterbi多目标跟踪算法

使用改进的Viterbi算法用于多目标跟踪,引入测量“门限”,使所跟踪的目标仅与“门限”内的测量值关联。该方法能够减少假设的个数、降低算法的计算负担,有利于对MHT算法进行剪枝和合并。用Kalman 滤波和先验概率计算各目标的最大后验概率。该算法是连续的,能够处理丢失的探测、虚警以及跟踪目标的数量,提供一系列最好的跟踪目标集。     

基于广义关联聚类图的分层关联多目标跟踪

检测跟踪是近期多目标跟踪研究的热点方向之一.目前大部分方法都是基于相邻帧之间的双向匹配,对检测点进行数据融合.本文提出的方法是,给定一个滑动时间窗口,在窗口内对某个目标每帧出现的检测点进行一次性数据融合.我们把多目标跟踪看作图的分割问题,利用广义关联聚类（Generalized correlation clustering problem,GCCP）图优化文中提出的数据融合.吸取分层数据关联的思想,把多目标跟踪分成两个阶段.首先,在时间窗口内遵循检测点,利用广义关联聚类,得到自适应长度的轨迹片段,轨迹片段长度不受窗口宽度的限制.然后,基于轨迹片段进一步数据关联,得到目标的长轨迹.在公共数据集上的实验测试表明,本文方法能够有效地实现多目标跟踪,对于遮挡处理、身份转换处理以及轨迹的生成具有很好的鲁棒性,多目标跟踪准确率（Multiple object tracking accuracy,MOTA）超过当前水平.     

一种红外多目标跟踪的快速算法

含有新目标跟踪起始的数据关联问题是多目标跟踪算法研究中的一个难点,同时红外目标又有其自身的独特之处。首先描述了红外搜索跟踪(IRST)系统进行多目标跟踪中的跟踪起始和跟踪终结问题;然后提出了采用可变跟踪门的方法,并将IRST系统接收到的目标红外辐射作为一个参考量。给出了多目标跟踪起始和数据关联的快速算法。最后给出了数值仿真试验结果,仿真表明了这种算法的快速性和有效性。     

基于深度学习的多目标跟踪算法研究

多目标跟踪（MOT）是当前计算机视觉领域的重要研究方向,其应用已渗透到各领域,包括交通监控、智能机器人、无人驾驶以及军事等研究领域。本文首先回顾了多目标跟踪算法的基本框架,列出了目前多目标跟踪面临的主要难点,最后结合研究现状分析了各种基于深度学习的多目标跟踪算法的优点和局限性。     

一种基于改进蚁群算法的多目标跟踪数据关联方法

针对目标跟踪数据关联问题给出一种基于改进蚁群算法的数据关联方法。首先,根据多目标数据关联问题的特点,将该问题转化为组合优化问题;其次,将精英策略和排序策略引入传统蚁群算法,得到改进的蚁群算法,利用蚁群算法解决组合优化问题的优势,将改进的蚁群算法应用于多目标跟踪数据关联中,建立数据关联模型并给出基于改进蚁群算法的数据关联方法;最后,通过仿真实验验证了所获的基于改进蚁群算法的多目标数据关联方法的有效性和优势。     

基于深度学习的视觉多目标跟踪算法综述

视觉多目标跟踪是计算机视觉领域的热点问题,然而,场景中目标数量的不确定、目标之间的相互遮挡、目标特征区分度不高等多种难题导致了视觉多目标跟踪现实应用进展缓慢.近年来,随着视觉智能处理研究的不断深入,涌现出多种多样的深度学习类视觉多目标跟踪算法.在分析了视觉多目标跟踪面临的挑战和难点基础上,将算法分为基于检测跟踪(Det...     

多目标跟踪算法的研究与应用

将多目标跟踪算法用于水中絮体颗粒的跟踪,提出了一种代价函数结合改进MHT的算法,对出现异常的絮体颗粒用改进MHT算法跟踪,并通过分析絮体颗粒运动特性修正了改进MHT算法,有效解决了跟踪过程中出现的轨迹交叉、轨迹合并等情况,这样在保证跟踪精度的基础上又提高了跟踪速度;同时,采用跟踪絮体颗粒得到颗粒的沉淀速度信息来评价水处理混凝的效果,自动控制混凝剂的加注,从而达到自来水水质检测和净化的目的。     

基于改进蚁群算法的多目标跟踪数据关联方法

针对多目标跟踪数据关联问题,提出一种快速实现多目标数据关联算法CACDA（Chaos Ant Colony Data Association）,利用蚁群算法的正反馈和并行搜索能力构建初始解并进行优化,引入自适应混沌机制,对信息素进行全局更新和混沌扰动,改善了蚁群算法在搜索后期出现停滞以及收敛于局部最优解的缺陷。实验结果表明,该算法不仅可以获得较高的关联准确率,也可以有效提高关联速度。     

一种基于改进粒子滤波的多目标跟踪算法

针对复杂背景环境下的多目标跟踪问题,论述了主要的数据关联技术,将目标检测算法与粒子滤波相结合,利用颜色直方图作为观测模型,并利用全领域(GNN)算法进行数据关联.提出一种改进的基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪.该算法对于目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等均有较好的处理效果.     

支持无线传感器网络多目标跟踪的聚类数据关联算法研究

多源数据关联问题是无线传感器网络中多传感器数据融合的关键技术之一。联合概率数据关联算法是一种 跟踪多目标的数据关联算法,它不需要任何关于目标和杂波的先验信息,但与其他有关数据关联算法相比,计算机开 销大。基于聚类算法的联合概率数据关联算法在联合概率数据关联算法的基础上,运用模式识别中的聚类思想对传 感器所接收到的量测数据进行聚类,减少有效量测的数目,从而简化了有效矩阵,减少了原有算法的计算量。