基于杂波强度在线估计的多目标跟踪算法

针对多目标跟踪中的未知杂波强度,提出了基于熵分布的杂波强度在线估计算法.利用有限混合模型对未知杂波强度建模,将仅依赖于混合权重的熵分布作为混合参数的先验;利用拉格朗日乘子法推导了混合权重在极大后验意义下的在线估计公式;以随机近似过程为在线估计策略,推导了基于缺失数据的分量均值和方差的在线估计公式.仿真结果表明,基于熵分布的杂波强度在线估计算法改进了概率假设密度滤波器在多目标跟踪中的性能.     

基于拟蒙特卡罗方法的概率假设密度多目标跟踪

为了改善多目标跟踪问题中概率假设密度（PHD）滤波的估计精度,提出基于拟蒙特卡罗的PHD滤波算法.该算法利用低偏差点集在状态空间中分布均匀的特性,使得采样粒子集最大程度地相互远离,充分地描述多目标状态的后验概率密度,从而准确地利用带有相应权值的粒子集来计算多目标数目和各个目标状态的估计值.仿真实验表明了算法的有效性,且估计性能优于粒子PHD滤波算法.     

稀疏光流快速计算的动态目标检测与跟踪

动态目标的检测与跟踪作为图像处理和计算机视觉学科的重要分支,广泛应用于军事和民用等各个领域。文中提出一种基于稀疏光流快速计算的目标检测和跟踪新方法,该方法通过计算能反映图像特征的特定像素点光流矢量来实现目标检测和跟踪,同时结合图像金字塔技术,可以检测和跟踪运动速度更快、运动尺度更大的目标。文中将该方法分别与稠密光流方法和基于颜色特征方法作对比,结果表明该方法有计算量小、能很好应对目标遮挡情况和能检测和跟踪运动速度较快的目标等诸多优点。实验在多种条件下对该方法进行了验证,跟踪准确率都能达到80%以上,且基本能符合实时性的要求,说明该方法具有可行性和实用价值。     

基于粒子滤波和背景减除的多目标检测与跟踪算法

大多数应用于视频监控领域的目标跟踪模式识别方法,都需要先对移动目标进行模式学习。但是,这些方法不适合同时跟踪多个不同的目标,因为每一个移动目标的模式都应该是预先确定好的。因此,提出了一种新的基于粒子滤波和背景减除的无监督多运动目标检测与跟踪方法来解决这个问题。该方法能够自动探测和跟踪许多移动目标,没有任何学习阶段,也没有任何关于大小、性质或初始位置的先验知识。对多个视频测试集进行了实验验证,测试结果表明,该方法可以成功地处理复杂情况下的目标跟踪。与其他方法进行比较,结果显示提出的方法检测以及跟踪目标性能更好。     

基于差分法的均值漂移单目标跟踪

研究了一种基于差分法原理的MS跟踪算法。当MS跟踪目标位置发生较大偏移时,通过使用差分法提取的目标形心位置对其进行修正。实验结果表明,该方法应用于运动目标的跟踪具有良好的跟踪效果。