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.     

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。     

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。     

融合YOLO检测的多目标跟踪算法

针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。     

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.     

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。     

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.     

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.     

基于不同运动模型的IMMPDA算法仿真

在现有的机动目标跟踪算法中,其中的概率数据关联（PDA）算法和交互式多模型（IMM）算法最具代表性。而在此基础上发展而来的IMMPDA算法是解决杂波环境下单机动目标跟踪问题比较有效的方法。通过对分别基于CA模型、Singer模型和“当前”统计模型的交互式多模型概率数据关联（IMMPDA）算法进行仿真,对其优缺点进行对比分析。仿真结果显示IMMPDA算法在高机动目标跟踪中具有巨大优势,不同的：运动模型基于IMMPDA都较好地实现了对高速高机动目标的滤波跟踪。     

跟踪密集多回波环境下多机动目标的IMM-PC算法

跟踪密集多回波环境下的多机动目标不论是对数据关联方法,还是对滤波算法来说都是一个具有挑战性的问题,根据已有研究成果,采用交互多模型结合全局最优关联体制的方法是目前解决该问题的推荐方法。本文提出的交互多模型一投影收缩(IMM-PC)算法符合上述想法,采用当前优化算法前沿中简单有效的投影收缩算法,来解决全局最优关联问题,因此对跟踪密集多回波环境下的多机动目标是实用有效的,大量的仿真试验也验证了这一点。     

基于声图像序列的快速目标跟踪算法

针对声图像具有对比度低、不同时刻目标回波变化大等特点,提出了一种基于卡尔曼滤波和数据关联算法的快速目标跟踪算法.该算法首先对声图像序列进行高斯平滑和自适应阈值分割处理,在此基础上建立卡尔曼滤波目标跟踪模型和数据关联目标匹配算法,分析计算了可跟踪的目标速度上限值.仿真结果表明,该算法可较准确地实现目标跟踪,允许的目标速度可满足实际应用的需要.同传统文献算法相比,该算法具有实时性好、鲁棒性强,能更好地适应目标分裂或合并等情形.     

一种机动目标的PMHT跟踪算法

在多目标跟踪中一些传统关联算法的计算负荷是和目标数目及量测个数呈指数型关系增长,概率多假设跟踪算法（PMHT）很好地解决了这一问题;通过将机动输入项建模为马尔可夫过程,提出了一种推广的PMHT算法（EPMHT）以解决机动多目标跟踪问题;仿真结果表明该算法是有效的.     

多目标快速跟踪系统

本文提出了从系统观点设计多目标快速跟踪系统的方法.它主要包括系统最优结构设计、基于知识工程技术的真假目标分类以及变结构自校正跟踪滤波器.系统实验结果表明,这种方法可提高系统精度和快速性.     

一种基于区域生长的多个形变目标跟踪方法

自动获取公交车在停靠车站的上下车乘客数目对于合理、有效地调度车辆运行具有重要意义.利用图像处理技术对运动乘客进行跟踪统计时,由于目标的形状是随机变化的,甚至总是部分出现在视野范围之内,所以不能采用基于形状和特征点的跟踪方法.本文提出了一种基于差分图像和区域生长的,对多个形变目标运动区域特征进行跟踪的方法.实验表明此方法能够实时地、较准确地统计出上下车的乘客数目.     

基于递推加权最小二乘法的多目标跟踪算法

为了对多个机动目标进行跟踪,一些文献提出了交互多模型一概率数据关联算法,但这种方法必须建立大量的目标状态模型,如果目标的模型无法确定或建立的模型不准确,将影响这种方法的使用效果。为此,提出用最小二乘法拟合出目标的运动轨迹,避免建立大量的目标状态模型,导出了基于递推加权最小二乘法的JPDA算法的计算公式并进行了仿真验证,理论分析、Monto Carlo仿真以及在实际系统中应用表明了该算法的有效性。     

杂波环境下机动目标跟踪算法研究

本文给出了一种基于平方根中心差分卡尔曼滤波（sRcDKF）的交互式多模型-概率数据关联（IMMPDA）算祛。在杂波环境下,该算法较好的解决了非线性条件下机动目标跟踪的问题,可获得比基于扩展卡尔曼滤波（EKF）的IMMPDA算法更好的数值稳定性、计算精度和收敛速度,还避免了复杂的Jacobi矩阵运算;本文大量Monte Carlo仿真进一步验证了该算法的可行性和有效性。