基于多传感器数据融合的多目标跟踪算法研究

针对复杂环境下多传感器多目标跟踪问题,提出一种基于改进动态加权数据融合的UKF滤波多目标跟踪算法。该算法基于分布式融合结构,对于每个传感器得到的多个目标的观测信息,首先通过最近邻(Nearest Neighbor,NN)数据关联算法进行航迹关联;然后用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)完成对多目标状态的估计,得到目标最新的运动轨迹;与此同时,综合多个传感器估计的目标轨迹,应用改进的动态加权数据融合算法,得到最终的目标轨迹。仿真结果表明,该算法能有效地发挥多传感器数据融合优势,准确地跟踪多个运动目标。与单传感器目标跟踪相比,多传感器数据融合后的目标跟踪精度提高20%以上。     

Kinect在体感交互过程中精确跟踪多目标的方法研究

在体感交互场景中,多目标之间的遮挡与重叠会导致目标数量和交互动作识别不够准确。针对这一问题,提出了Kinect设备在多目标跟踪过程中目标动作精确识别的新方法:首先对Kinect所捕捉到的二维图像进行遮挡判定,并对目标图像形状特征进行提取;然后,通过对目标进行空间区域划分来对每个目标的运动轨迹进行捕捉;最后把多目标跟踪问题转化为在某段时间内每个目标信息点的线性连续问题,进而建立了多目标跟踪的运动轨迹方程,并有效地应用于体感游戏的设计开发。     

基于无线声阵列传感器网络的实时多目标跟踪平台设计及实验

介绍了一套自主开发和实现的无线声阵列传感器网络多目标跟踪平台.在相关的多目标跟踪技术的基础上,结合无线声阵列传感器网络的特点,对系统平台的工作流程进行了整体设计并实现了相关算法模块,并在该平台下进行了多目标跟踪实验.实验中利用随机部署在实验区域中的多个声阵列传感器实现了对多个目标实时跟踪,同时还根据实验数据的分析建立了多目标下声阵列传感器的量测模型,并展示了平台下多目标跟踪实验的总体效果及各支撑模块的性能分析.实验表明该平台的设计达到预期要求,是无线声阵列传感器网络在多目标跟踪领域的前沿研究和实践.     

EKF交互多模型算法在目标跟踪的应用

针对移动目标跟踪过程中,传感器感知信息存在噪声以及运动轨迹突变导致目标观测失真甚至丢失的问题,提出了一种扩展卡尔曼滤波交互多模型算法(EKF-IMM)。该算法以交互多模型算法为主体,同时融入EKF算法做滤波处理,使得在目标跟踪过程中,不仅对目标的不同运动状态具有自适应能力,同时还能对运动状态中可能的非线性问题做更好的处理,提高算法的鲁棒性。仿真实验表明,EKF-IMM算法能很好得适应多变的目标运动,与标准KF-IMM算法相比,该算法降低了噪声对传感器的干扰,提高了定位精度。     

采用改进辅助粒子滤波的红外多目标跟踪

结合改进的辅助粒子滤波与马尔科夫随机场,提出一种多目标跟踪算法来跟踪红外场景中的多个目标.依据目标区域的灰度直方图描述目标,使用标准辅助粒子滤波对各目标的采样粒子集进行粗略优化,同时在辅助粒子采样过程中引入Mean-shift算法来提高粒子采样效率,解决多目标跟踪时粒子数量呈指数级增长的问题,并进一步提高算法的实时性.针对多目标跟踪常出现的目标遮挡导致跟踪失败的问题,引入图模型理论,利用马尔科夫随机场来表示多目标跟踪模型,将多目标的跟踪问题转换为图模型的推理问题.实验结果表明,该跟踪算法使用较少粒子便能实现跟踪,跟踪正确率达84％,且能有效解决多目标跟踪时的相互遮挡问题.     

集中式多传感器概率最近邻域算法

本文以对算法实时性要求较高的实际场合为背景研究了集中式多传感器多目标跟踪问题,理论分析了该环境下现有经典算法的优缺点;在此基础上,研究了基于概率最近邻域算法的集中式多传感器多目标跟踪算法:提出了并行处理结构的集中式多传感器概率最近邻域算法,该算法首先利用概率最近邻域算法中最近邻量测源自目标的概率完成多目标数据互联,在各传感器送来的观测数据中获取一个与各目标航迹统计距离最小的量测,然后利用各个量测的统计距离以及其源于目标的概率将这些量测整合为一个等效量测,最后获得融合中心的状态估计;提出了顺序处理结构的集中式多传感器概率最近邻域算法,该算法利用离目标最近的量测源于目标的概率判断各传感器是否应参与融合中心的状态估计过程,降低了计算量。蒙特卡罗仿真结果表明:与经典的顺序多传感器联合概率数据互联算法相比,上述两种算法的耗时降低了50%以上,且在跟踪背景杂波适中的情况下能够有效跟踪目标。为了进一步验证上述两种算法的有效性和实用性,本文采用实测数据对算法进行验证,实测数据的处理结果表明在对算法实时性要求较高的实际场合下并行和顺序两种处理结构的集中式多传感器概率最近邻域算法的性能均优于顺序多传感器联合概率数据互联算法。     

旋翼飞行机器人多机视觉跟踪定位系统及方法

针对旋翼飞行机器人在多机跟踪定位时受遮挡、光照变化等因素的影响,易出现跟踪目标丢失的问题,提出一种改进的分段多目标跟踪定位方法,首先,为克服单一颜色特征不能准确描述目标的不足,设计了按一定的权值系数融合目标的颜色特征和边缘特征来建立似然函数作为目标模板;考虑到粒子滤波算法能解决目标发生遮挡的跟踪问题,然后,利用目标模板与候选目标模板的相似度来实现连续自适应Mean-Shift算法和粒子滤波算法的切换,保障了算法的鲁棒性及实时性。可应用于旋翼飞行机器人完成自主的直线飞行与绕圆飞行任务。     

无迹信息滤波耦合交互式多模型的多传感器机器人轨迹控制

为了实现对包装运输过程中机器人的轨迹跟踪,基于无迹信息滤波技术(UIF)和交互式多模型技术(IMM),提出了一种新的多传感器数据融合算法(UIF-IMM),融合了单个IMM滤波器、每个UIF的信息状态贡献和信息矩阵等信息.通过对机器人轨迹跟踪可知:在4种轨迹跟踪算法中,提出的算法跟踪效果最好,均方根位置误差和角度误差均最小,分别为0.047和0.9.在分布式传感器节点(UIF-IMM 2)中,采用模型似然函数组合的多传感器融合算法,其位置精度和角度精度均优于不进行组合的多传感器融合算法(UIF-IMM 1).提出的滤波方法可以很好地解决分布式多传感器环境下机器人的跟踪问题,在机动目标定位领域具有一定的参考价值.     

两种异步多传感器数据融合算法的比较

多传感器数据融合目前已经广泛应用于多个领域,其能够使测量更加准确,提高系统的可信度和可靠性.Kalman滤波和最小二乘滤波是数据融合的两种算法,本文通过对同一目标采用同样测量系统先进行最小二乘构造伪量测,再进行Kalman滤波计算出状态估计值,然后进行融合仿真实验,比较数据融合前后的状态估计值,结果显示融合后的状态估计值与融合前相比更加接近真实值.因此,多传感器数据融合能增加测量系统的准确性与可信度.     

基于属性关系图优化匹配的多运动目标跟踪

针对复杂监控场景中往往无法准确检测前景目标,导致难以有效跟踪目标的问题,提出了一种基于属性关系图优化匹配的多运动目标跟踪方法,将目标跟踪问题转化为前景目标跟踪标记的优化问题,实现多运动目标跟踪.将前景区域按颜色、空间特征一致性划分为多个碎片;采用属性关系图描述目标模型,分析计算出属性关系图外观模型的属性相似度;提出通过概率松弛法计算目标函数并采用遗传算法进行优化匹配,得到前景碎片最优的跟踪标记,从而完成多目标跟踪.在多个监控视频上的实验结果表明,本方法能大大提高跟踪性能,实现复杂监控场景中的多目标跟踪.     

基于动态规划的多目标GMTI TBD技术研究*

针对多目标跟踪出现的邻近目标难分辨及计算量大的问题,目前大多数检测跟踪算法在算法性能和计算复杂度之间权衡,不能同时兼顾这两项指标。本文提出了一种基于动态规划的多目标(GMTI-TBD)方法,该算法根据雷达实际检测目标时出现的距离向和方位向展宽,限定目标能量扩展区域,得到新的值函数;在此基础上,通过对目标状态的预测去除多目标的相互干扰。另一方面,利用单次动态规划估计目标所在区域,使轨迹搜索范围大大减小,有效解决了多目标带来的高维计算量问题。仿真结果表明本文算法在检测跟踪性能上优于经典的多目标DP-TBD算法,同时所需计算时间较少。     

基于机器视觉和OPC的多轴运动控制实验平台设计

根据虚拟实验室建设和实际应用需要,实验平台对目标视觉测量、目标定位与识别、目标跟踪等功能进行开发实现。实验平台基于VC＋＋开发机器视觉图像处理软件,并集成OPC功能,最后基于目标和功能设计控制工艺流程和开发控制程序;在运动控制方面针对传统PLC控制的封闭式结构的缺点,采用Ideabox工业级控制器实现多轴运动规划,改善了系统在运动控制中的实用扩展性以及兼容性。通过实验和调试验证,基于机器视觉的多轴运动控制实验平台,在虚拟实验室建设与教学和工业实际应用方面都具有实际意义。     

基于多传感器融合的砂化状态监测方法研究

就目前在砂轮状态监测过程中使用的方法进行了分析，指出了多传感器融合的优点以及其必要性，并与单传感器的监测进行了比较，在信号处理时，分析了模糊神经网络的特点，以及它的实用价值。     

基于分层神经网络的微装配全局—局部视觉伺服研究

采用多视觉系统进行全局—局部3D点的跟踪,控制全局跟踪的视觉系统具有低的放大倍数和大的视场,而控制局部跟踪的视觉系统具有高的放大倍数和小的视场。在视觉伺服控制中,利用推导出的视觉雅可比映射矩阵建立任务空间到视觉空间的伺服控制方程,并利用这一方程建立预测器,对物体图像的未来位置进行预测,这样就减小了图像处理的区域,提高了图像处理的速度;同时,利用分层神经网络代替视觉空间到任务空间的映射,避免了复杂的逆矩阵计算。从仿真结果来看,这些方法的使用提高了图像处理的速度和跟踪精度。     

基于斜率约束和回溯搜索的水下多目标跟踪方法

针对复杂水域环境下的多目标跟踪问题,本文提出了一种基于斜率约束和回溯搜索的多目标跟踪方法。首先,基于方位测量数据和水下目标运动学分析,利用门限阈值的方法检测目标。然后,基于传统多假设跟踪算法框架设计一种新的斜率约束和共用量测的假设生成规则。在航迹中断时,通过回溯搜索的方法确定中断起始航迹点,利用容积卡尔曼滤波对中断航迹预测和补偿,同时对假设生成结果减枝,以达到降低算法空间复杂度的目的。试验结果表明:该方案能够实现多目标自动关联跟踪、中断航迹自动预测、自动航迹终止等任务,目标跟踪平均均方根误差0.594 4°,算法平均运行时间0.826 5 s。     

采用PSR和客观相似性的高置信度跟踪

针对相关滤波类跟踪算法难以解决的过度形变和目标被遮挡问题,提出了一种融合改进均方峰值旁瓣和客观相似性度量的高置信度跟踪算法-HCF。基于核相关滤波跟踪算法,结合传统相关运算的峰值旁瓣比与感知哈希算法客观度量所跟目标,对遮挡和形变等复杂情况进行高置信度判断,进而自适应的选择模型更新率,克服模型漂移问题;另外,利用尺度池算法解决跟踪中的尺度估计问题,进一步提高了算法的稳健性。通过OTB-2015数据集测试表明:提出的HCF算法能精准判别出由于遮挡形变等情况导致的无效跟踪,相比于当前主流的鲁棒性跟踪算法,具有更优秀的性能和表现。本文的创新工作为跟踪领域中的目标准确度判别问题提供了新的思路。     

基于多模感知的上肢康复训练轨迹跟踪研究

面向上肢康复训练过程中的人机交互应用场景,针对单一传感器难以准确、稳定跟踪上肢运动轨迹的问题,提出了基于惯性传感器与Kinect传感器的多模感知融合方案;为解决惯性传感器在轨迹跟踪过程中的累积误差问题,提出了多项式补偿与零值约束相结合的误差修正算法;针对Kinect传感器深度图像成像质量影响骨骼跟踪效果的问题,提出了变参数像素滤波器对深度图像进行修复。通过惯性传感器运动实验,验证了累积误差修正算法的有效性,X轴位移误差为7.8 mm;深度图像修复结果表明,深度像素损失点数减少约50%,图像更为清晰,并通过实验验证了基于深度图像能够有效跟踪骨骼运动轨迹;最后,通过轨迹数据融合实验验证了基于多模感知的上肢运动轨迹跟踪方案的可行性与有效性,计算时延仅1.2 s。     

基于概率方法的多微型机器人分布式定位

针对常见的微小型机器人群体定位中单纯依赖外部彩色视觉图像信息以及定位精度较差的问题,提出了一种基于概率方法的多微型机器人分布式定位方法。该方法利用部分可观Markov过程,将外部视觉信息和机器人个体的驱动信息融合,从而提高了定位精度。方法基于分布式形式出现,并且仅需要外部视觉传感器提供灰度图像,从而提高了多机器人系统的可扩展性。     

基于双相关滤波器的多通道尺度自适应目标跟踪

针对目标跟踪中尺度变化和表观剧烈变化导致的目标跟踪不稳定问题,设计了多通道特征融合的尺度估计策略,提出了基于双相关滤波器的多通道尺度自适应目标跟踪算法。考虑到CN特征对姿态及尺度不敏感,以及HOG特征对光照变化和目标移动都有着较好稳定性,将CN、HOG以及灰度特征进行了特征融合,提升了对于目标表观变化的跟踪鲁棒性。在保证误差风险最小的前提下使用岭回归进行滤波器求解,同时建立了尺度滤波器实现了目标的多尺度判断,使得目标发生尺度变化时能保持稳定的跟踪。使用TB-100数据集在多场景下对算法进行性能测试,证明该算法在目标表观变化、尺度变换、背景干扰等情况下有良好的跟踪效果。     

毫米波雷达微弱行人轨迹跟踪-预测一体化方法

针对城市道路场景微弱行人目标雷达回波信号极易被强背景杂波淹没,导致目标轨迹跟踪及预测失效难题,提出了一 种基于调频连续波-多输入多输出毫米波雷达的微弱行人轨迹跟踪-预测一体化方法。 首先,利用递归贝叶斯检测前跟踪算 法,直接从未经阈值处理的雷达三维原始频谱数据中提取目标运动轨迹,解决了传统阈值决策信息丢失带来的跟踪性能下降问 题,并在此基础上提出了一种基于 Transformer 的端到端轨迹预测模型,进一步挖掘隐藏在跟踪轨迹中的时空相关性,完成了微 弱行人目标轨迹的精准预测。 实验结果表明,方法在信噪比大于-20 dB 时,预测轨迹的平均位移误差和最终位移误差分别小 于 0. 706、1. 215 m,均优于高斯过程、长短期记忆网络等传统方法。