基于SIS框架和蚁群算法的非线性多目标跟踪

该文提出一种新的非线性多目标跟踪方法用蚁群算法实现数据关联和SIS(Sequential Importance Sampling)实现对单目标的跟踪。首先根据数据关联问题对蚁群算法进行修改,考虑目标运动中的约束条件对关联概率的影响,重新定义蚁群算法中的路径和路径长度,从而利用蚁群算法寻找最短路径的能力实现对数据关联。由于SIS框架是针对非线性系统的一种较好的状态估计方法,该文将其作为对单目标进行跟踪的框架,和蚁群算法共同解决非线性情况下的多目标跟踪问题。实验对一维平面和二维平面中的多个目标进行了仿真,结果表明,将蚁群算法应用于解决数据关联问题是行之有效的。     

一种基于蚁群算法的多目标跟踪数据关联方法

针对多目标跟踪问题,提出基于蚁群算法的数据关联方法.首先将多目标跟踪问题描述为组合优化问题.利用蚁群算法解决组合优化问题的优势,在对其路径和路径长度概念重新定义的基础上,将其应用于选择多目标跟踪中的轨迹-观测关联集合.详细介绍了蚁群算法应用于数据关联问题的具体方法,建立了基于蚁群算法的数据关联模型.实验结果表明,论文提出的基于蚁群算法的数据关联方法是行之有效的.     

基于传感器网络的多目标跟踪和特征管理方法

针对传感器网络下多目标跟踪时目标数量不断变化这一复杂情况,文中对多目标的跟踪和特征管理方法进行了研究。该方法由数据关联、多目标跟踪、特征管理,和信息融合所组成。其中未知数量多目标的跟踪和数据关联通过马尔科夫蒙特卡罗数据关联实现。通过信息融合来整合本地信息,获取所有相邻传感器的本地一致性,最终实现特征管理。试验证明,本方法能够在分布式的传感器网络环境下对多目标进行准确有效地跟踪和特征管理。     

基于多特征融合的红外目标关联算法

利用红外目标同时具有位置、灰度、面积等多特征的特点,提出了一种基于多特征融合的目标关联算法.首先在极坐标系下对目标位置采用概率数据关联算法计算候选目标的关联概率,然后结合目标的灰度、面积特征的预测误差计算关联波门中的候选目标在各种特征条件下的关联概率,进而利用多特征融合方式,计算出综合关联概率,完成目标状态估计的更新.实验仿真结果表明,由于跟踪关联概率由多种特征共同确定,避免了目标位置特征信息不稳定所造成的跟踪精度下降的问题,实现了密集杂波环境下红外目标稳定跟踪,其跟踪精度和稳定性明显高于依靠位置特征信息进行关联的传统概率数据关联算法.     

基于图网络最优匹配的多目标跟踪算法

为解决多目标跟踪任务中复杂场景下因检测器漏检或频繁遮挡导致特征表达信息不足和数据关联不正确的问题.文章提出了一个双线多目标跟踪方法;使用外观与运动的多特征信息解决特征表达信息不足的问题;而数据匹配采用端到端的图网络(GNN)进行图最优匹配,并结合传统匈牙利算法优化数据关联.实验在MOT数据集上与近年来经典跟踪方法进行了...     

基于D-S证据理论的无源航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本照搬多传感器数据融合的理论,仅利用目标的状态信息。文中利用了目标的多特征信息（载频、脉宽、脉冲重复间隔（PRI）等）,应用Dempster-Shafer（D-S）证据理论,提出了一种基于分布式无源多目标跟踪系统的多特征信息融合航迹关联算法。算法具有以下优点：关联速度快,正确率高,而且能够适应密集目标的环境。仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法。     

基于灰关联无源多目标跟踪系统航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本上照搬多传感器数据融合的理论,仅利用目标的状态信息.文中利用了目标的多特征信息(载频、脉宽、脉冲重复间隔等),应用灰关联理论,提出了一种基于灰关联的分布式无源多目标跟踪系统的航迹关联算法.由于利用了目标多特征信息,算法具有关联速度快、正确率高、而且能够适应密集目标环境的优点.仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法.     

基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法

针对在线多目标跟踪中检测器造成的漏检、误检问题和目标遮挡情况,提出一种基于卡尔曼滤波和多种信息融合的在线多目标跟踪算法。通过卡尔曼滤波算法对目标进行建模并预测目标的状态;融合目标的空间位置信息和外观深度特征信息,使同一目标之间相似性距离尽量小,并利用匈牙利算法建立跟踪目标和检测目标间的数据关联;利用策略解决未关联的检测目标或跟踪目标等复杂情况。采用MOT16数据集进行实验,实验结果表明能够有效地解决目标交错和遮挡导致跟踪漂移的问题,并且主要跟踪性能参数有显著提高。     

一种基于模糊推理的JPDAF新方法

多目标跟踪中的数据关联一直是信息融合领域的难点和热点问题,针对杂波环境下多目标跟踪中的数据关联问题,提出了一种基于模糊推理的JPDAF新方法。该方法中,首先详细分析了杂波环境多目标观测数据的特点,定义了多目标环境下的标准化新息变量及新息的一阶微分变量;然后将其作为模糊推理的两个输入变量,通过设计合适的模糊隶属度函数和模糊推理规则,自适应计算目标观测的关联概率来代替传统联合概率数据关联滤波器（JPDAF）中的关联概率,实现对多个目标的有效跟踪。实验结果表明,提出方法的目标跟踪性能要好于传统的JPDAF和Fitzgerald’s方法,在实时性方面,提出方法也要远好于传统的JPDAF方法,接近Fitzgerald’s方法,能够有效对多目标进行关联跟踪。      

基于粒子滤波与Gibbs抽样的多目标被动跟踪研究

多目标跟踪问题是目前目标跟踪领域的一个重要研究方向,其中被动跟踪更加复杂也更具有实战意义。为了提高多目标跟踪算法的精度及稳定性,减少算法的计算开销,采用了粒子滤波与Gibbs抽样相结合的方法。粒子滤波能很好地解决目标跟踪中状态估计的非线性问题,将其应用扩展到多目标的跟踪维持;运用Gibbs抽样解决多目标跟踪中的数据关联问题,提高了关联的准确度,减小了计算开销。仿真试验证明:上述算法能较好地解决多目标跟踪问题,具有较好的估计精度。     

基于蚁群算法的Ad Hoc网络QoS组播路由研究

在解决Ad Hoc网络QoS组播路由问题上,针对蚁群算法缺点,提出了一种融合粒子群优化思想的改进蚁群算法.该算法融合PSO思想以加速蚁群算法在路由发现及维护时的收敛速度.仿真结果表明,该算法具有较好的性能,是解决Ad Hoc网络QoS组播路由问题的有效方法.     

逆转变异蚁群算法在CGF多目标分配中的应用

在预警机指挥引导多机协同空战对抗仿真过程中,为了提高CGF实体的智能性和实时性,对多CGF实体协同作战时目标选择因素进行分析,构建了一种基于变异蚁群算法的多CGF实体协同作战目标选择模型。该模型对蚁群算法中的选择策略进行了改进,引入一种遗传算法的变异算子以减少最优解的搜索时间,改进了搜索空间中信息素的更新方式,提高了模型最优解的搜索能力。运用该模型对多CGF实体协同作战过程进行仿真,仿真结果表明,所提出的变异蚁群算法对多CGF实体目标选择最优解的搜索效率明显优于基本蚁群算法,能够更好地模拟真实作战兵力的目标选择过程。     

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.     

多目标跟踪中基于特征辅助的概率数据关联算法

在传统的多目标跟踪系统中,数据关联仅利用了那些与目标状态向量直接相关的信息。在此提出了一种基于广义概率数据关联(GPDA)的新的关联算法即特征辅助跟踪(FAT)算法。该算法同时利用了目标的特征信息和状态信息进行数据关联,较好地解决了在密集杂波环境下对近目标的跟踪问题。最后以目标的一维距离像信息为例进行仿真,仿真结果表明,所提出的算法使跟踪性能优于传统的概率数据关联。     

一种基于幅度特征的对海雷达线性跟踪方法

针对海面复杂目标背景下,多目标跟踪过程中特征辅助优化跟踪精确度低和计算量大等问题,提出一种基于目标幅度特征的对海雷达线性跟踪方法。建立信号幅度的数学模型,将其与计算量线性增长的线性联合综合数据关联(LJIPDA)算法相结合,给出新的基于幅度的线性联合综合数据关联的(LJIPDA-AI)对海雷达线性跟踪方法。仿真验证结果表明,LJIPDA-AI方法较LJIPDA方法有效提高了跟踪精确度,较JIPDA算法有效降低了计算量并提高了跟踪精确度。因此,LJIPDA-AI算法能够显著改善海面复杂目标背景下的多目标跟踪性能。     

利用Doppler量测的IJPDA多目标跟踪改进算法

为了提高多频连续波雷达多目标跟踪精度,在基于传统的综合联合概率数据互联(IJPDA)算法基础上,提出一种带Doppler量测的IJPDA滤波跟踪新算法。首先从理论上分析了传统的IJPDA算法,然后详细阐述了引入径向速度量测后的改进算法,最后通过Monte Carlo仿真验证了该算法的有效性。仿真结果表明,径向速度量测的运用使得改进的IJPDA算法在跟踪性能上有了显著提高。     

IMM/MHT fusing feature information in visual tracking

In multi-target tracking, Multiple Hypothesis Tracking (MHT) can effectively solve the data association problem. However, traditional MHT can not make full use of motion information. In this work, we combine MHT with Interactive Multiple Model (IMM) estimator and feature fusion. New algorithm greatly improves the tracking performance due to the fact that IMM estimator provides better estimation and feature information enhances the accuracy of data association. The new algorithm is tested by tracking tropical fish in fish container. Experimental result shows that this algorithm can significantly reduce tracking lost rate and restrain the noises with higher computational effectiveness when compares with traditional MHT.