三维数据关联情况下外辐射源雷达多目标跟踪研究

不同于传统多目标跟踪,除了量测-目标数据关联模糊问题外,外辐射源雷达跟踪系统新增了量测-发射机数据关联模糊问题。针对此问题,该文通过引入一个新的关联变量来表示量测和发射机之间的数据关联关系,提出了目标-量测-发射机3维数据关联改进概率多假设跟踪(PMHT)算法。该算法利用期望极大化(EM)算法的独立性假设条件得到最大后验概率意义下的最优跟踪。为了增加目标-量测-发射机之间数据关联的准确性,提高多目标与量测后验关联概率的精确度,将量测信息设定为均值相同协方差不同的混合高斯分布。针对距离-多普勒量测的非线性性,利用无味卡尔曼平滑(UKS)算法进行多目标状态估计。仿真结果表明,对于FKIE外辐射源雷达数据集(杂波密度很高),所提算法的目标与航迹关联成功率高,抗杂波性能强,证明了算法的有效性。     

三维数据关联情况下外辐射源雷达多目标跟踪研究

不同于传统多目标跟踪,除了量测-目标数据关联模糊问题外,外辐射源雷达跟踪系统新增了量测-发射机数据关联模糊问题.针对此问题,该文通过引入一个新的关联变量来表示量测和发射机之间的数据关联关系,提出了目标-量测-发射机3维数据关联改进概率多假设跟踪(PMHT)算法.该算法利用期望极大化(EM)算法的独立性假设条件得到最大后验概率意义下的最优跟踪.为了增加目标-量测-发射机之间数据关联的准确性,提高多目标与量测后验关联概率的精确度,将量测信息设定为均值相同协方差不同的混合高斯分布.针对距离-多普勒量测的非线性性,利用无味卡尔曼平滑(UKS)算法进行多目标状态估计.仿真结果表明,对于FKIE外辐射源雷达数据集(杂波密度很高),所提算法的目标与航迹关联成功率高,抗杂波性能强,证明了算法的有效性.     

基于注意力机制的行人多目标跟踪方法

多目标跟踪(Multi-Object Tracking,MOT)是智能交通和智慧城市的关键技术之一。针对真实场景下行人多目标跟踪困难的问题,提出了一种基于注意力机制的行人多目标跟踪(Pedestrian Multi-Object Tracking based on Self-Attention,PMOT)算法。在特征提取网络增加注意力机制模块,利用Transformer的编码器结构对行人特征的空间信息进行编码以增强行人的局部特征,实现目标关联精度的提升。为了改善由于长时间遮挡导致的行人目标丢失问题,PMOT算法在数据关联中扩展一个参考特征分支,并结合行人运动特征与外观特征的相似度来实现目标匹配。实验结果表明,提出的算法在MOT17数据集上取得77.0%的跟踪准确度,有效提高了行人目标的跟踪效果。     

一种高效的分布式多传感器多目标跟踪算法

现有的多传感器多目标跟踪算法大都基于马尔科夫-贝叶斯模型,需要诸如目标运动、杂波、传感器检测概率等先验信息,但是在恶劣的环境中,这些先验信息不准确并导致目标跟踪精度下降.为了解决该情况下的多目标跟踪问题,我们提出了一个高效的分布式多目标跟踪算法,该算法通过泛洪(Flooding)共识算法在分布式网络的传感器之间迭代的传...     

密集杂波环境下多目标跟踪算法

在密集回波环境下对多目标进行航迹起始和跟踪是一个很难解决的问题，对此提出一种基于m-best 2-D分配算法和广义似然比判决的多目标跟踪算法。数值仿真实验表明提出的多目标跟踪算法能够有效解决“量测-目标”数据关联问题，并且能在较短时间内发现假航迹，确认真航迹，大大减轻对系统的存储量、计算量的要求。     

多目标环境中的认知雷达跟踪方法

研究了多目标环境中的认知雷达目标跟踪问题,提出了一种基于波形优化和快速粒子滤波的多目标跟踪方法。在量测模型中,基于采样的接收数据建立量测方程,以克服多目标跟踪中的数据关联问题;在状态模型中,与量测模型相匹配,联合估计目标运动状态（位置、速度）和散射系数。为实现多目标跟踪和提高跟踪性能,从联合收发自适应处理角度出发设计跟踪算法和发射波形:1）接收自适应。由于量测数据的维数以及跟踪模型的非线性程度较高,为实现对多目标的有效跟踪以及降低跟踪算法的运算复杂度,采用改进的粒子滤波方法对目标状态进行实时估计;2）发射自适应。考虑到信噪比与跟踪性能关系以及量测模型的特点,基于最优信噪比准则实现了对发射波形的优化。仿真结果表明文中所提出的跟踪方法能够有效的跟踪上目标,且所设计的自适应波形的跟踪性能优于传统固定波形。      

角度传感器网络多目标定位的数据关联算法

在基于方向角等被动式的多目标监测中,由于面临量测-目标匹配关系未知,现有定位算法很难实时给出目标的精确位置,尤其是在方向角量测误差存在的情况下.针对不可靠角度量测传感器网络下的多目标定位问题,分析和设计了无目标先验信息下的量测关联算法.通过分析量测误差对关联算法的影响,给出所得多目标定位来源于真实目标概率的理论推导以及相关门限选取方法,并应用在此基础上设计算法,给出最优的多目标位置组合.该关联算法在引入各传感器量测信息的同时更新门限,以此保证多重定位是真实目标定位的可靠性.仿真结果表明,所提出的数据关联算法于所示情形下均具有较好的性能,在多目标定位中能捕获大部分目标,且计算量较低.     

两种多目标数据关联算法的性能研究

数据关联是多目标跟踪的一项关键技术。JPDA是大家公认的多目标跟踪中性能较好的数据关联算法，它认为量测和目标是一一对应的关联关系，但在许多实际情况中，量测和目标是多-多对应的关系。针对上述情况，该文提出了广义概率数据关联算法（Generalized Probability Data Association，GPDA）。文中从理论上对这两种算法的性能进行了详细分析，并利用Monte Carlo技术对其性能进行了仿真比较。     

多传感器多目标联合概率数据关联研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器密集多目标跟踪,则计算量剧增,数据关联成功率下降。因此,改进联合概率数据关联(AJPDA)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,然后采用JPDA算法求解空间目标轨迹交叉时的数据关联。仿真结果表明,AJPDA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。     

基于概率假设密度滤波和数据关联的脉冲多普勒雷达多目标跟踪算法

为了解决杂波环境下脉冲多普勒(PD)雷达的多目标跟踪问题,提出一种距离模糊情况下基于概率假设密度滤波(PHDF)和数据关联(DA)的联合解距离模糊和多目标跟踪方法。该方法使雷达采用一组脉冲重复频率(PRF)交替变换的工作模式,并对雷达生成的模糊量测进行多假设,得到扩展量测集;然后,利用PHDF可以有效滤除杂波和避免目标-量测数据关联的突出优点,对扩展量测集进行滤波,得到粗略的目标状态估计;最后,对PHDF的滤波结果进行航迹-估计值关联,给出多目标航迹信息。仿真结果表明,该算法可以同时给出目标个数和各目标状态估计,实现杂波环境和距离模糊条件下对多目标的有效跟踪。     

基于多目标多特征信息融合数据关联的无源跟踪方法

在多目标无源跟踪中,传统的数据关联方法只利用那些与目标状态向量计算直接相关的信息(如DOA、TOA信息等).本文提出了一种新的数据关联算法——基于多目标多特征信息融合的数据关联算法,该算法同时利用了更多的目标特征信息(如频率、PRI等),应用D-S证据理论进行单目标多特征信息融合,在此基础上,再进行多目标综合数据关联.它是一种基于多特征信息的全局最优的算法.计算机仿真表明,基于该算法的无源跟踪性能要优于传统的NN方法和扩展的NN方法.     

Evolutionary algorithm for data association and IMM-based target tracking in IR image sequences

Simultaneous tracking of multiple maneuvering and non-maneuvering targets in the presence of dense clutter and in the absence of any a priori information about target dynamics is a challenging problem. A successful solution to this problem is to assign an observation to track for state update known as data association. In this paper, we have investigated tracking algorithms based on interacting multiple model to track an arbitrary trajectory in the presence of dense clutter. The novelty of the proposed tracking algorithms is the use of genetic algorithm for data association, i.e., observation to track fusion. For data association, we examined two novel approaches: (i) first approach was based on nearest neighbor approach and (ii) second approach used all observations to update target state by calculating the assignment weights for each validated observation and for a given target. Munkres’ optimal data association, most widely used algorithm, is based on nearest neighbor approach. First approach provides an alternative to Munkres’ optimal data association method with much reduced computational complexity while second one overcomes the uncertainty about an observation’s source. Extensive simulation results demonstrate the effectiveness of the proposed approaches for real-time tracking in infrared image sequences.     

基于深度学习的无人机载平台多目标检测和跟踪算法研究

无人机技术和计算机视觉技术相结合,在民用和军用领域都有着广泛的需求,然而当前算法不能很好的适应无人机视角旋转、障碍物遮挡、目标尺度变化等特殊情况.根据实际的难点和挑战,提出了基于深度学习的无人机载平台多目标检测和跟踪算法.主要工作有:在检测方面,通过公开数据集和实际采集的大量数据,训练了基于Darknet53的检测网络...     

目标数未知时基于粒子滤波的多目标TBD方法

针对现有粒子滤波微弱多目标检测前跟踪（TBD）算法要求目标数目或者目标最大数目已知,且无法对邻近微弱目标有效检测的不足,提出了一种基于粒子滤波和目标相继消除（PF-STC）的多目标TBD算法。该算法通过将多目标状态的联合搜索过程简化为多个独立的单目标检测过程,实现数目未知的多目标跟踪和检测。与现有粒子滤波多目标TBD算法相比,新算法克服了现有方法在较弱目标接近较强目标时出现的检测困难,并降低了算法复杂度,能对数目未知的微弱多目标进行有效检测。      

引入抗遮挡机制的SiamVGG网络目标跟踪算法

抗遮挡在视频目标跟踪中是一个极具挑战的研究问题。在目标跟踪过程中,目标在被部分遮挡或者完全遮挡的情况下,使得跟踪模型的漂移导致目标跟丢。为了解决这一问题,本文提出了引入抗遮挡机制的SiamVGG网络目标跟踪算法,通过对网络输出置信图的峰值和连通域的变化规律分析,设置不同的跟踪模式,分别是正常跟踪、部分遮挡、完全遮挡和遮挡丢失,然后根据不同的模式选择不同的跟踪策略。相比于其它的跟踪算法,本文算法采用了SiamVGG网络作为目标跟踪的框架并对遮挡问题进行了分析和校正,有效避免了在遮挡情况下目标跟丢。通过在OTB-50、OTB-100和OTB-2013三个基准数据集上进行了实验,验证了本文算法在抗遮挡问题的有效性和鲁棒性。      

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。     

一种基于二阶Markov目标状态模型的多帧关联动态规划检测前跟踪算法

传统的动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法在每一阶段的数据关联中,仅用当前帧的观测数据与前一帧的指标函数进行关联积累,对目标状态在连续相邻帧间的相关性以及目标运动特征的考虑不充分,这样在低信噪比时,容易发生目标关联错误,严重影响了DP-TBD算法的检测和跟踪性能。针对此问题,该文提出了一种基于二阶Markov目标状态模型的DP-TBD算法,该算法以目标状态的条件概率比最大为准则,采用二阶Markov模型描述目标状态的相关性,并根据目标运动特征给出了一种与目标转弯角度相关的状态转移概率模型。在此基础上,实现了多帧数据关联的DP-TBD算法。通过仿真实验与传统的DP-TBD算法进行了比较,验证了该算法的检测及跟踪性能。     

应用GhostNet卷积特征的ECO目标跟踪算法改进

为了减少有效卷积算子(ECO)跟踪算法的特征提取网络参数量和计算量,采用了一种基于端侧神经网络(GhostNet)改进的ECO目标跟踪算法.首先,采用GhostNet网络作为主干特征提取网络提取图像浅层与深层的卷积特征,运用全局平均池化对卷积特征下采样增加特征对图像的表征能力;其次,将卷积特征与手工特征插值后,与当前滤...     

融合通道互联空间注意力的Siamese网络跟踪算法

基于Siamese网络的跟踪算法在跟踪精度和速度方面展现出巨大的潜力,然而要使离线训练的模型适应在线跟踪仍然面临着挑战。为了提升复杂场景下算法的特征提取以及判别能力,提出了一种融合通道-互联-空间注意力的Siamese网络实时跟踪算法。首先构建以深度卷积网络VGG-Net-16作为主干网络的Siamese跟踪框架,增加特征提取能力;接着设计通道-互联-空间注意力模块,增强模型的适应能力与判别能力;然后加权融合多层响应图,获取更精准的跟踪结果;最后使用大规模数据集对网络进行端到端的训练,在通用数据集OTB-2015上进行跟踪测试。实验结果表明:与当前主流算法相比,所提算法具有较强的稳健性,能更好地适应目标外观变化、相似物干扰、目标遮挡等复杂场景,在NVIDIA RTX 2060 GPU上,跟踪速度平均达到37FPS,满足实时性要求。