多目标跟踪系统性能评估及软件包

提出了多目标跟踪性能分类测试体系，完成了多目标跟踪性能测试评估的各种功能软件及相应的软件包。     

用TMS320C25数字信号处理器实现多目标跟踪

多目标跟踪的主要问题是有效区域,即窗口的定义,数据联想和状态预测.窗口定义了一个测量向量的有效区域,它是用高斯、矩形和椭圆函数来定义的.数据联想是一个复杂的任务.许多有关快速和复杂的技术已经报道过.Barshalon等人提出了一个概念,对单目标用概率数据联想,而对多目标,用联合概率数据联想.这些算法在计算上是复杂的,并且在仿真几个目标的时候,实时完成要求庞大的数据吞吐量.     

自适应门限GM-CPHD多目标跟踪算法

带有势估计的高斯混合概率假设密度滤波（GM-CPHD）作为一种杂 波环境下目标数可变的检测前跟踪方法,将复杂的多目标状态空间的运算转换为单目标状态 空间内的运算,有效避免了多目标跟踪中复杂的数据关联问题,但该方法的计算复杂度与观 测数的3次方成正比,在密集杂波情况下计算量十分巨大。针对该方法计算复杂度高的问题 ,提出利用一种最大似然自适应门限的快速算法,该算法首先利用自适应门限对观测进 行处理,然后仅利用处于门限内的有效观测进行GM-CPHD算法的更新步计算,大大降低了算 法的计算复杂度。实验结果证明,本文方法在有效降低计算复杂度的同时,在多目标跟踪效 果 方面与GM CPHD相当,优于GM-PHD滤波算法。     

基于类云模型聚类的多目标数据关联算法

针对多目标跟踪中的数据关联问题,提出一种基于类云模型c-均值聚类的数据关联算法.该算法采用类云模型c-均值聚类算法对目标有效回波进行聚类,将聚类中心作为目标最终观测值,运用最近邻法对聚类中心与航迹进行关联,用Kalman滤波器进行状态估计.实验结果表明,本算法与联合概率数据互联算法相比,跟踪精度高,计算量小,更适应于工程应用.     

基于注意力机制和卡尔曼滤波的多目标跟踪

为了解决目前多目标跟踪算法在行人遮挡后无法再次准确跟踪的问题,提出了一种融入注意力机制和改进卡尔曼滤波的多目标跟踪算法,选用联合检测和重识别框架提取特征,同时完成目标检测和重识别任务.设计了并行支路注意力机制,包括空间注意力和通道注意力两个部分,每个部分都采用并行支路的方式完成池化和卷积操作.在跟踪阶段,本文提出了速度先验卡尔曼滤波,实现对行人运动状态更精确的预测.采用CUHK-SYSU数据集对算法进行训练,并在MOT16数据集上做算法的验证和测试.本算法的多目标跟踪准确度(MOTA)达到了65.1％,多目标跟踪精确度(MOTP)达到了78.8％,识别F1值(IDF1)达到62.3％.实验表明,提出的跟踪算法可以有效地提高跟踪的整体性能,实现对目标的持续跟踪.     

交通监控场景中的车辆检测与跟踪算法研究

考虑多目标跟踪过程中存在的实时性和身份跳变问题,提出一种基于检测的多车辆跟踪算法。首先利用Mobilenetv2替换YOLOv3检测算法的主干网络,构建目标检测模块YOLOv3-Mobilenetv2,减少检测算法模型参数,提高检测模块的运行速度;在Mobilenetv2中引入Bottom-up连接,增强多尺度特征图间的信息融合;然后构建基于LSTM的运动模型,解决卡尔曼滤波在非线性系统中产生的预测误差,基于Deepsort跟踪算法,引入LSTM运动模型,形成L-Deepsort跟踪算法;改进L-Deepsort跟踪算法外观匹配策略,提升目标间的关联性;最后融合轻量级目标检测算法YOLOv3-Mobilenetv2与多目标跟踪算法L-Deepsort,形成MYL-Deepsort多车辆跟踪算法,实现多车辆的实时准确跟踪。实验结果表明,该方法在跟踪性能提升的情况下,速度较YOLOv3-Deepsort提高21 frame/s,在TX2平台达到13 frame/s。     

Dynamic cluster member selection method for multi-target tracking in wireless sensor network简

Multi-target tracking（MTT） is a research hotspot of wireless sensor networks at present.A self-organized dynamic cluster task allocation scheme is used to implement collaborative task allocation for MTT in WSN and a special cluster member（CM） node selection method is put forward in the scheme.An energy efficiency model was proposed under consideration of both energy consumption and remaining energy balance in the network.A tracking accuracy model based on area-sum principle was also presented through analyzing the localization accuracy of triangulation.Then,the two models mentioned above were combined to establish dynamic cluster member selection model for MTT where a comprehensive performance index function was designed to guide the CM node selection.This selection was fulfilled using genetic algorithm.Simulation results show that this method keeps both energy efficiency and tracking quality in optimal state,and also indicate the validity of genetic algorithm in implementing CM node selection.     

基于联合概率数据关联和粒子滤波的多目标跟踪算法

数据关联一直是多目标跟踪中的核心问题,是实现多目标有效跟踪的关键。介绍了多目标跟踪的基本原理以及联合概率数据关联的基本原理,并且将粒子滤波引入到联合概率数据关联模型中,提出了联合概率数据关联-粒子滤波算法来实现多目标跟踪。仿真结果表明,此算法可以很好的实现固定数目多目标跟踪。     

一种新的基于在线采样的多物体跟踪方法

跟踪多个运动物体,尤其是在遮挡过程中跟踪多个运动物体,是计算机视觉领域一个重要但具有挑战性的问题.该文提出了一种新的在线采样、更新学习和分类的跟踪框架来处理多物体跟踪问题.首先,对遮挡发生前若干帧的各物体进行块采样,作为训练样本进行在线分类器设计.各帧的物体区域也在线进行块采样,并用这些分类器来进行分类标号.如果遮挡没有发生,一些新的训练样本被添加用来更新分类器.当遮挡发生时,根据标号结果,前景区域被分割成多个目标物体.和以往方法相比,新方法不依赖于一些假设条件,如场景深度信息、物体的先验模型(比如形状、种类、区域内颜色各向同性、运动规律等),具有更好的适应能力.实验结果验证了该文方法的稳定性和有效性.     

一种基于优先级调度的相控阵机动目标跟踪方法

在相控阵雷达跟踪加搜索（ＴＡＳ）工作方式下,为跟踪较大的机动目标,提出一种目标机动检测器设计方法,得到归一化的目标机动系数．基于该方法,给出了一种动态计算优先级的调度算法,较好地解决了机动多目标跟踪的资源调度问题．与几种常用机动检测器相比较,结果表明了这种机动检测器具有更高的检测概率．最后在多目标环境下进行机动目标跟踪的蒙特卡罗仿真,仿真结果显示了多目标机动检测器和资源调度算法的有效性．