基于改进“自适应转弯”模型的机动目标跟踪算法

提出了多模型(交互多模型)跟踪机动目标的一种有效算法。对机动目标跟踪的自适应转弯模型建模方法进行了深入研究,对通过计算转弯率而建立跟踪模型方法进行了总结,指出了相关文献中的自适应转弯模型在实际应用中存在的不足,由此提出了两种采用平均转弯率的建模的方法,即在算法中引入α和β参数调整转弯率的粗糙度,使用平均值的方法估计转弯率。通过仿真试验说明了改进算法的必要性和新建模型的有效性。     

基于机动转弯目标的自适应交互式多模型算法

在车辆转弯性能优化控制问题的研究中,针对转弯机动目标跟踪,由于控制模型为单模型,造成跟踪性能差.为解决上述问题,设计了一种利用自适应网格方法对模型集合进行自适应计算的方法.利用自适应网格,通过设定初始粗略网格,将转弯模型的转弯速率作为网格值进行自适应的调整,以期能够符合目标当前时刻的运动状态.然后与交互式多模型算法相结合,对模型进行滤波计算,以达到跟踪目标的目的.最后,通过仿真比较自适应网格交互式多模型算法与三种常规交互式多模型算法的跟踪效果,验证了算法的优越性,证明改进算法跟踪精度高、速度快,能够接近理想的模型设计.     

基于改进“当前”统计模型的转弯机动跟踪算法

针对转弯机动目标跟踪,提出一种改进的“当前”统计模型对角速度进行估计．该模型在当前统计（CS）模型的基础上,通过加权一个以新息方差之迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,经滤波获得目标速度方向角．然后,将角度滤波获得的方向角度、角速度、角加速度作为曲线模型的输入,实时跟踪机动状态．新模型可准确估计目标的角速度,算法可显著提高转弯机动目标的跟踪精度,仿真实验验证了算法的有效性．     

被动多传感器自适应曲线模型跟踪新算法

针对被动多传感器机动目标跟踪系统中,由于目标机动性能的不确定以及存在的非线性而导致系统模型与目标实际运动模式难以匹配的问题,提出一种新的自适应曲线模型跟踪算法．该算法通过建立新的方向角模型,设计一种自适应的转弯角速度估计方法,实时计算每个采样时刻目标的切向加速度,以获得与目标实际运动模式相匹配的运动模型,并与扩展卡尔曼滤波相结合,有效提高了被动多传感器下机动目标的跟踪精度．     

强机动目标跟踪自适应交互式多模型算法

针对机动目标跟踪过程中建立的目标模型和目标的实际运动模式出现失配的问题,提出了从一组离散模型集中选出最优模型,并自适应调整模型参数,使模型逼近目标实际运动模式的交互式多模型算法.蒙特卡罗仿真表明,该算法与传统的常速模型与自适应协同转弯模璎交互算法(IMM-CV/ACT)相比,在目标发生强机动时,能及时有效的把跟踪误差峰值控制在测最标准差之下,适合于强机动目标跟踪.     

转弯机动目标的两层交互多模型跟踪算法

针对转弯机动目标跟踪, 提出了一种两层交互多模型(IMM)跟踪算法. 算法的内层多模型由当前统计模型和恒速模型构成, 针对目标的速度方向角进行滤波, 将获得的角速度估计值作为外层的中心角速度; 外层多模型由转弯模型构成, 其角速度集合由中心角速度和对称角速度(交互输出的加速度与速度的比值)组成. 由于既准确估计了目标的角速度, 又设计了合理的角速度集合, 算法显著提高了转弯机动目标的跟踪精度. 仿真实验验证了算法的有效性.     

FB-CS模型的两层嵌套机动目标跟踪算法

针对转弯机动目标,提出了一种两层模型嵌套的跟踪算法.算法的内层模型由基于函数的“当前”统计(Function based current statistic,FB-CS)模型构成,该模型在“当前”统计(Current statistic,CS)模型的基础上,通过加权一个以新息方差之迹为参数的活化函数,对加速度方差和机动频率进行自适应处理,再针对目标的速度方向角进行滤波,将获得的角速度估计值作为外层的输入;外层模型由曲线模型构成,其方向角度、角速度和角加速度由内层模型提供.由于既准确估计目标的角速度,又设计了合理的运动模型,算法显著提高了转弯机动目标的跟踪精度.仿真实验验证了算法的有效性.     

三维高速机动目标跟踪交互式多模型算法

对三维机动目标,尤其是高速机动目标的跟踪一直是目标跟踪领域的重点和难点,通过二维或解耦模型扩展并不一定能满足精度要求.提出了一种基于常速模型、"当前"统计模型、带约束的三维常速率协同转弯模型的交互式多模型算法.通过对包括匀加速模型、Singer模型、"当前"统计模型在内的不同模型组合进行Monte-Carlo仿真比较表明本算法对三维高速机动目标跟踪是有效性,并具有很好的实用性.     

基于改进UKF的转弯机动目标跟踪算法研究

针对转弯率未知或变化条件下的精确跟踪问题开展研究,给出了基于UKF的自适应协同转弯跟踪算法,该算法充分利用了扩维技术和自适应渐消因子技术,不断实时估计转弯率,同时基于渐消因子调节过程噪声及其对应的增益,并对不敏卡尔曼滤波算法的采样范围进行自适应调节,使采样点更接近目标真实状态。仿真表明该算法在转弯率变化时获得了较好的跟踪性能,有效提升了对于转弯机动目标跟踪的准确性和稳定性。     

新的自适应转弯模型的IMM算法研究

针对采用协同转弯模型作为模型之一的交互式多模型（IMM）目标跟踪算法中，转弯率难以实时估计且精度不高造成跟踪精度降低的问题，创新性地提出了一种新的自适应转弯模型的IMM算法。利用三种映射转弯率的方法构造轨迹特征向量，通过训练好的BP神经网络实时估计时间窗内轨迹段的平均转弯率，提高转弯率的估计精度，从而提高跟踪精度。仿真实验表明，提出的自适应转弯模型的IMM算法较之传统的自适应转弯模型的IMM算法在转弯率较大时具有更加高的跟踪精度，并且具有较高扩展性和发展前景。     

“当前”半马尔科夫模型及自适应跟踪算法

通过分析基于"当前"统计模型的自适应卡尔曼滤波算法的不足之处,在"当前"统计模型的基础上引入空气阻力系数和非零加速度,提出了"当前"半马尔可夫统机动模型,从而更符合机动目标运动的实际情况;基于此模型提出了改进的自适应卡尔曼滤波算法。仿真结果表明,改进的"当前"半马尔可夫卡尔曼滤波算法收敛速度更快,跟踪误差更小。     

基于"当前"统计模型的模糊自适应机动目标跟踪算法

结合"当前"统计模型在目标跟踪方面的优越性,提出了基于"当前"统计模型的模糊自适应机动目标跟踪算法,将模糊控制理论应用到"当前"统计模型跟踪算法中,避免了原方法加速度极限值需提前设定和方差调整有限的问题,改为加速度的估计值由其在三角隶属函数中的权重来确定.仿真结果表明该算法提高了对非机动和弱机动目标的跟踪精度,因而具有良好的跟踪性能.     

最大加速度未知的“当前”统计模型机动目标跟踪

分析了“当前”统计模型机动目标跟踪算法的性能对目标机动加速度最大值的依赖性,但是由于在实际中目标机动加速度的最大值往往是未知或不能准确已知的,所以为了克服“当前”统计模型的这一不足之处,采用协方差匹配和多级白噪声自适应滤波算法的思想,提出了一种“当前”统计模型在最大加速度未知情况下的机动目标跟踪新算法。对三种典型的机动目标运动形式进行了Monte-Carlo仿真研究,结果表明新算法对于解决机动目标跟踪问题非常有效。     

目标跟踪算法的并行优化

目标跟踪是计算机视觉领域一个重要的研究方向,近年来学者提出了众多优秀的目标跟踪算法,但许多算法的低实时性制约了其在应用场景中的有效性。针对这些算法,提出了一个通用的跟踪模型,并针对此模型提出了一个可行的并行优化方案。之后使用SCM算法验证了所提出的并行优化方案。在四核CPU的环境下,并行后的SCM算法相比于未并行的算法取得了3.48倍的并行加速比,并且比原算法Matlab+C程序的运行速度快了约30倍,这说明了所提出的并行优化方案的有效性。     

一类不确定对象的扩张状态观测器

利用观测器形式的跟踪一微分器,对形如ｘ＾（ｎ）＝ｆ（ｘ,ｘ,．．．Ｘ＾（ｎ－１）,ｔ）＋Ｗ（ｔ）的不确定系统给出了“扩张状态观测器”。只要适当选取观测器中的非线性函数和相应参数,它能很好地跟踪一批不确定对象的扩张状态。     

关于"可移动Agent系统位置透明通信的一种实现"的一点注记

王红等人的文章“可移动Agent系统位置透明通信的一种实现”的结论是值得商榷的。文中指出该文的不足及欠明晰之处,对其结论进行了澄清。     

基于分类模型的目标跟踪算法研究

基于分类模型的目标跟踪算法采用分类模型实现对多目标的跟踪。在传统算法中目标跟踪的对象是每个传感器的实时采样,而在分类模型中将传感器采样根据分类规则进行分类。然后将类的特征作为一个新的采样为下一层的模型提供输入,可以减少计算的复杂度。该模型是一个可扩展模型,可以为分类器设计不同的算法对模型进行扩展。模型自身采用低耦合的层次化设计,每一层均可以采用不同的分类器,这样可以充分利用各种分类算法的优点。     

一种基于压缩域的实时跟踪改进算法

在基于压缩域的实时跟踪算法中,判别函数对目标外观考虑不足易造成跟踪精度较低。为此,提出一种改进的基于压缩域的实时跟踪算法。利用稀疏测量矩阵提取候选目标的低维多尺度特征,并根据在线更新的特征概率分布,采用朴素贝叶斯分类器判别目标与背景,实现粗跟踪。通过视频帧间候选目标内部区域所具有的相似性,在粗跟踪的基础上实施基于动态目标外观模型的二次跟踪,在线寻找目标的最佳跟踪位置。对多种跟踪视频库的测试结果表明,该算法在不过量增加计算负荷的情况下能有效提高跟踪精度。     

A robust incremental clustering-based facial feature tracking

Emerging significance of person-independent, emotion specific facial feature tracking has been actively tracked in the machine vision society for decades. Among distinct methods, the Constrained Local Model (CLM) has shown significant results in person-independent feature tracking. In this paper, we propose an automatic, efficient, and robust method for emotion specific facial feature detection and tracking from image sequences. A novel tracking system along with 17-point feature model on the frontal face region has also been proposed to facilitate the tracking of human basic facial expressions. The proposed feature tracking system keeps patch images and face shapes till certain number of key frames incorporating CLM-based tracker. After that, incremental patch and shape clustering algorithms is applied to build appearance model and structure model of similar patches and similar shapes respectively. The clusters in each model are built and updated incrementally and online, controlled by amount of facial muscle movement. The overall performance of the proposed Robust Incremental Clustering-based Facial Feature Tracking (RICFFT) is evaluated on the FGnet database and the Extended Cohn-Kanade (CK+) database. RICFFT demonstrates mean tracking accuracy of 97.45% and 96.64% for FGnet and CK+ database respectively. Also, RICFFT is more robust by minimizing average shape distortion error of 0.20% and 1.86% for FGnet and CK+ (apex frame) database, as compared with classic method CLM.