多传感器多目标联合概率数据关联研究

提出改进联合概率数据关联算法对多传感器、多目标量测进行同源划分及单一传感器测量数据转换,并采用联合概率数据关联算法求解空间目标轨迹交叉时的数据关联.仿真结果表明,改进联合概率数据关联算法提高了成功关联概率,降低了求解数据关联概率的难度,可以解决密集目标的正确跟踪问题.     

基于神经网络的机动多目标数据关联问题研究

本文通过对联合概率数据关联的性能特征的分析,将其归结为一类约束组合优化问题,在此基础上,利用Hopfield神经网络求解典型的约束组合优化问题(旅行推销员问题)的方法,解决了传统的联合概率数据关联中出现的计算量组合爆炸现象,仿真结果表明,该方法效果良好,在密集多回波环境下,其优越性能更为突出。     

红外搜索跟踪系统的数据关联算法研究

针对红外搜索跟踪系统(IRST)在单站情况下,对目标进行纯方位跟踪时存在的问题,提出一种数据关联算法.首先根据红外探测器的量测信息特点,从不同角度构造多组证据;然后采用证据组合规则对这些信息进行综合;最后通过极大化基本可信度赋值函数(BPAF)得到关联结果.这种基于D-S证据理论的数据关联算法,由于合理利用多源量测信息,有效地克服了传统方法处理数据不确定性时存在的问题.蒙特卡罗仿真结果表明,该算法具有较好的关联效果.     

基于协同关联粒子滤波算法的交互多视频目标跟踪

首先介绍了带马尔科夫跳变非线性系统(JMNSs)的状态估计问题,然后总结了JMNSs最优状态估计的难点和具有交互作用的多目标跟踪问题.在总结分析各类不同算法的基础上,提出了一种协同关联粒子滤波算法来解决目标数目在变化的交互多目标跟踪问题,改进后的算法不需要观测与目标状态关联和目标数量已知的假设.最后,通过仿真实验验证了改进后的算法在跟踪效果上优于现有算法,并能成功估计目标的数量.     

改进联合概率数据关联的视频多目标快速跟踪

针对监控范围较大、目标外观特征少的视频多目标数据关联及跟踪问题,本文仅利用目标运动特征,提出了一种基于联合概率数据关联（joint probabilistic data association,JPDA）的复杂情况下视频多目标快速跟踪方法．首先采用murty算法求JPDA的最优K个联合事件,大大降低了计算复杂度;然后根据JPDA的关联概率讨论目标的运动情况,分析在多目标新出现、遮挡、消失、分离（前景检测存在目标碎片）等复杂情况下当前帧量测与跟踪目标的数据关联问题,获取复杂运动的多目标跟踪轨迹．在多个监控视频上的实验结果表明,该方法能大大提高跟踪性能,实现复杂情况下的视频多目标快速跟踪．     

基于改进的确定性目标关联的车辆跟踪方法

现有的确定性目标关联方法采用全局优化确定目标和跟踪器间的关联,只能对确定数目的目标进行跟踪,不能直接应用于辅助驾驶系统的车辆检测.为将确定性目标关联方法引入到车辆检测系统中,文中提出局部优化的确定性目标关联方法,辅以合适的跟踪器管理策略,根据实际道路情况动态地增加和删除跟踪器,并实现对暂时遮挡或漏检的目标保持跟踪的连贯性.为提高关联的准确性,融合目标的多个特征定义代价方程,将运动特征作为代价方程的主要约束条件,同时考虑目标的外形特征.通过实验验证本文跟踪方法在车辆检测系统中的有效性.     

多传感器多目标数据关联模糊聚类算法的改进

多传感器多目标跟踪广泛应用于军事和民用监视系统。数据关联和滤波技术是多目标多传感器跟踪监视系统的主要组成部分。近年来,人们开始研究模糊数据关联方法,取得了较好的效果。本文针对基于模糊聚类均值算法的数据关联方法中的一些问题,提出了一些改进的想法,仿真结果说明了其有效性。     

基于联合概率数据关联算法的红外弱小目标跟踪

针对在云天背景下运动的红外弱小目标,从数据关联的角度,利用联合概率数据关联算法实现多个红外弱小目标的跟踪.实验结果表明,在杂波环境下,联合概率数据关联算法可以稳健地跟踪多个红外弱小目标的目标状态,跟踪效果好.     

遗传算法在多传感器多目标静态数据关联中的应用

利用多传感器跟踪多目标技术中最重要的问题是目标关联问题。而常见的关联算法要么计算量大,要么实际运用中效果不理想。本文提出了利用遗传算法来解决无杂波和漏检情况下三种不同类型、不同位置的传感器对数目未知的目标进行检测时的静态数据关联问题。实验结果表明这种算法具有很高的关联成功率。     

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。     

基于模糊推理多传感信息融合的多目标跟踪

将模糊推理系统与多传感器顺序结构算法相结合，实现密集杂波环境中多目标的精确跟踪，采用模糊推理求解关联概率，并与雷达／红外跟踪系统相结合，在密集杂波环境中实现了对多目标的精确跟踪，仿真实验结果表明了所提出方法的有效性。     

Lie群下利用改进JPDA滤波器的智能车立体视觉多目标跟踪方法

提出基于改进联合概率数据关联滤波器的智能车立体视觉多目标跟踪方法。利用立体视觉摄像头采集车辆及行人图像、视频;在Lie群下对传感器的不确定性进行建模,并采用欧几里德群算法对预处理的图像进行状态滤波;在可能存在车辆的区域内利用双目视觉去除误检,并获得车辆的位置信息;通过卡尔曼滤波器对测量的不确定度和预测目标运动的轨迹进行确认;运用改进的联合概率数据关联滤波器对车辆及行人的跟踪结果进行优化修正。实验结果表明,提出的方法可以有效解决智能车多目标跟踪问题,大幅度提升驾驶系统的自动化和智能化水平。相比其他较新的目标跟踪方法,提出的方法在跟踪精度和速度上具有明显的优势,且在跟踪车辆时不会产生明显的偏移、不会遗漏对行人的跟踪。     

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。     

跟踪尾流目标的概率数据关联方法

提出了一种针对尾流目标的跟踪方法。传统的跟踪方法对具有尾流的目标通常会被尾流干扰,无法将源于尾流的量测值与真实的目标进行正确关联,容易产生目标丢失或者失跟的情况。该方法将目标尾流作为一种特殊杂波,推导出带有尾流目标的概率关联系数,对目标量测值进行数据关联。仿真结果表明,与标准概率数据关联跟踪方法相比,提出的新的数据关联方法可以有效地减少目标失跟的情况,逐渐增大量测噪声,该方法依然保持低失跟率。     

Multiple hypothesis tracking for data association in vehicular networks

The introduction of Vehicle to Vehicle (V2V) and Vehicle to Infrastructure (V2I) communications in Intelligent Transportation Systems of the future brings new opportunities and new challenges into the automotive scene. Vehicular communications broaden the information spectrum that is available to each vehicle, allowing the enhancement of existing applications and the introduction of new ones. Undoubtedly, the impact of this new technology in transportation safety, efficiency and infotainment is expected to be very important.A significant part of research in vehicular networks (VANETs) is dedicated to networking issues like routing and safety. However, perception systems which until now were based on onboard sensors only, need to incorporate the wirelessly received information in order to extend the situation awareness of the vehicle and the driver. This paper presents an algorithm for associating targets tracked from an onboard radar sensor with the position and motion data received from the VANET. The core of the algorithm is a track oriented multiple hypothesis tracker that is modified for incorporating information included in VANET messages. The algorithm is tested in real scenarios using two experimental vehicles and then compared with two other algorithmic approaches. One is using a simpler single hypothesis algorithm for association of VANET messages and the second is using only the onboard sensors for environment perception. As a result, the advantages of the Multiple Hypothesis Algorithm regarding association performance and the added value of wireless information in the perception system are highlighted.     

基于改进霍夫森林框架的多目标跟踪算法

针对单目视觉对多个相似的目标跟踪因遮挡等因素影响而失效的问题,提出一种基于改进霍夫森林框架的多目标跟踪算法。在将多目标跟踪问题归结为基于目标检测的轨迹关联过程基础上,通过引入在线学习霍夫森林框架将轨迹关联计算转化为最大后验概率（MAP）问题。通过在线采集多目标样本、提取目标外观和运动特征构建霍夫森林,进行森林训练得到轨迹关联概率,从而关联多目标轨迹;而引入低秩逼近Hankel矩阵进行轨迹校验,修复了误匹配的轨迹,改进了在线更新训练样本算法的效能。实验表明,轨迹误匹配率显著改善,能有效提高单目摄像机对多个相似目标有遮挡情况下跟踪的准确性和鲁棒性。     

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联（DIMM-MSGPDA-IDS）算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维（3-D）证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联（DIMM-MSJPDA-DS）算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。     

测向交叉定位及数据关联技术研究

针对测向交叉定位系统研究了目标定位方法及多目标测量数据关联问题.给出了不同的目标位置求解方法,计算了不同方法目标定位精度,并对定位方案的选择提出了建议.提出了基于不变量的目标同一性识别方法,同时也分析了基于残差的数据关联方法,通过数字仿真对比了这两种方法的数据正确关联概率.仿真结果表明:基于不变量的新方法正确关联概率与基于残差的数据关联方法相当,但计算量远小于后者.     

基于量测划分的单传感器多目标数据关联算法

在PDA算法的基础上,提出了一种基于量测划分的单传感器多目标数据关联(MSDA)算法;与JPDA算法相比,MSDA算法采用二维分配算法来消除共有量测对相邻目标的影响;与PDA算法相比,MSDA算法仅采用扩充后的私有量测集合来完成目标航迹的更新过程。对MSDA算法、JPDA算法、PDA算法在不同条件下的关联效果进行了仿真计算。仿真结果表明:在关联精度上,MSDA算法要优于PDA算法,但略低于JPDA算法;在实时性上,MSDA算法与PDA算法基本相当,而要明显优于JPDA算法。