模糊逻辑在分布式多目标跟踪融合中的应用研究

多传感器多目标跟踪融合中的目标航迹包含了模糊信息，这种模糊信息可以用模糊隶属度函数来描述．利用对两航迹的位置偏差、速度偏差和加速度偏差进行模糊化、模糊逻辑推理及去模糊等技术，提出了分布式多传感器多目标航迹模糊融合关联方法，计算机仿真结果表明了模糊逻辑方法应用于多目标航迹融合关联判别的有效性，较好地解决了航迹融合关联问题。     

一种分解式模糊聚类粒子滤波的WSN多目标跟踪方法

针对无线传感器网络环境下的多目标跟踪时近相距和轨迹交叉目标容易出现目标丢失和跟踪混淆的问题,提出一种分解式模糊聚类粒子滤波(DFCM—RPF)的多目标跟踪方法。把多传感器数据融合和多目标跟踪问题分解为单传感器数据融合和单目标跟踪问题,先对传感器节点量测用基于跟踪门限算法去除杂波,在各传感器节点的观测空间分别建立模糊聚类算法进行数据关联并最优融合,然后用正则化粒子滤波预测目标状态。仿真表明,DFCM—RPF算法与原FCM多目标跟踪方法相比,航迹关联正确率由85%提高到100%,目标预测位置的RMSE由4.437 7 m下降到1.307 3 m,DFCM—RPF算法体现了较好的跟踪性能,并集数据关联、数据融合和目标跟踪于一体,大大降低WSN多目标跟踪问题的复杂性和计算量。     

一种改进的基于FCM的目标跟踪数据关联算法

为了克服杂波环境下对多目标进行数据互联时,计算量出现组合爆炸现象,提出了改进的基于FCM的多目标跟踪数据关联算法.将航迹的预测值转换到各个传感器的观测空间作为各自的聚类中心,利用目标属于所有量测的隶属度,来代替JPDAF中的关联概率,将多目标数据关联问题可转化为模糊聚类问题,进行关联计算.改进的基于FCM的多目标跟踪数据关联算法,有效地利用了目标状态估计中的历史信息,实现量测与航迹的关联.该算法克服了JPDAF算法计算量大的缺点,实现杂波环境下多目标数据互联.仿真结果表明了该算法的有效性.     

基于空天信息的异类传感器模糊航迹关联算法

针对空天高速飞行器这类目标的跟踪问题实时性和精确性要求高的特点,高速飞行器目标的航迹关联问题同样要求高实时性和精确性。使用一种将粗关联和精关联相结合的模糊关联方法,对现有的模糊关联算法进行改进,综合考虑了目标的位置信息(距离和角度量测)和属性信息(目标的身份信息等),使用多因素模糊综合决策方法进行关联,使用模糊判决规则进行相关判定,对关联成功的航迹使用简单的加权融合算法进行航迹融合。模糊推理的方法较之传统的基于统计的方法,计算简单省时,提高了系统处理的实时性，仿真结果表明有效。     

基于灰色关联分析的异类传感器航迹相关算法

针对由雷达和红外传感器组成的异类传感器数据融合系统中的多目标航迹相关问题,提出了基于灰色关联分析的异类传感器航迹相关算法.该算法将目标航迹看成是方位信息的时间序列,所有目标航迹构成方位时间序列集合,利用B型关联度对该集合元素进行灰色关联分析,形成航迹灰色关联度矩阵,采用最低关联度门限与全局最优的策略确定航迹关联对,实现...     

模糊数据关联在多传感器多目标跟踪中的应用

运用现代数学中的综合分析方法 ,对杂波环境下多传感器多目标跟踪中的模糊数据关联算法进行了研究 ,讨论了两航迹状态估计向量间关联度的度量、评价方法和模糊关联准则 ,并对算法进行了仿真分析 ,结果证明模糊关联算法对数据关联的质量有明显改善     

基于模糊自组织神经网络的多目标跟踪算法

分析了多目标跟踪问题的数据关联算法复杂性,研究了基于模糊C均值聚类算法的模糊自组织神经网络的特性及其在多目标跟踪中的应用,提出了将FKCN算法、自组织神经网络与数据关联、滤波相结合的跟踪算法．仿真结果表明本算法能在多目标环境下取得较好的跟踪效果．     

基于模糊聚类的异类多传感器数据关联算法

针对异类传感器观测空间不一致的问题，提出了基于模糊聚类的异类多传感器数据关联算法．该算法首先通过在不同传感器的观测空间上建立多目标运动状态的投影，将多传感器多目标关联问题分解为多个单传感器多目标的关联问题，再对单传感器采用模糊聚类的方法求解关联概率，实现了在密集杂波环境中多目标的数据关联和精确跟踪．该算法降低了多传感器多目标跟踪的复杂性和计算量，有效地解决了异类多传感器可用公共信息少的问题．仿真结果表明，该算法的跟踪误差要小于传统的联合概率数据关联算法，且具有更优越的跟踪性能．     

基于局部航迹关联的多基地雷达多目标跟踪快速算法

针对仅能观测目标一维信息的多基地雷达系统,提出了一种基于局部航迹关联的多目标跟踪快速算法.该算法通过各接收机的局部跟踪处理,在获得目标一维航迹的基础上,利用目标的速度信息、局部航迹的冗余性及其与目标的一一对应关系,分级剔除了由于组合定位产生的大量虚假目标,进而通过局部航迹的关联提高了多目标跟踪的稳定性.与传统的集中式跟踪算法相比,该算法避免在融合中心进行复杂的"量测-量测"与"量测-航迹"关联运算,显著提高了计算效率,具有较好的实时性,易于工程实现.     

基于动态多维分配的多基地雷达多目标跟踪算法

对于T-R^s多基地雷达系统，提出一种具有航迹质量管理的多目标跟踪算法，以解决多目标跟踪过程中航迹起始、航迹确认以及航迹删除等问题．采用累加的对数似然比（10garithm likelihood ratio，LLR）计算融合中心每个航迹的质量，并依据航迹判决规则把当前航迹分成四类，然后用相应方法处理这些航迹集合．仿真结果表明，该算法能对杂渡中多个目标进行稳定可靠的跟踪．     

基于AM5708的智能多目标跟踪监控系统设计

监控系统的视频序列往往受到环境噪声、运动目标繁多和目标遮挡的影响,针对传统视频监控无法对人员实施有效检测、跟踪和计数的问题,设计一种基于ARM的智能多目标跟踪监控系统.从整体性角度阐述系统硬件设计方案和软件环境搭建.在算法实现方面,基于改进的自适应高斯混合模型和卡尔曼滤波实现了目标检测和跟踪,引入匈牙利算法进行数据关联来解决多目标跟踪的任务指派问题,同时利用检测目标和预测目标之间的欧式距离以及卡尔曼滤波解决了遮挡问题.实验结果表明,系统在场地和摄像头视角有限的情况下可以有效跟踪到6个运动目标,其平均处理能力保持在18帧/s.     

基于HSV颜色特征的多目标视频检测与跟踪算法

针对跟踪多个运动目标交错运动时容易丢失目标的问题,提出了一种基于HSV颜色空间去识别与跟踪不同颜色目标的算法,对光照具有一定的鲁棒性。通过颜色空间转换提取目标原始二值图像,经中值和高斯滤波后,通过亮度检测判断是否对滤波后二值图像进行形态学膨胀;之后对较为精确的目标二值图像进行边缘检测,得到其最小包围矩形框,逐帧检测后绘制各颜色目标对应的运动轨迹,完成多目标的视频跟踪。对比经典Cam-Shift算法,实验表明,在多个目标具有不同颜色特征时,有效解决了视频跟踪中多目标交错运动丢失目标,且对光照敏感的问题,跟踪精度较高。     

基于改进粒子滤波的声图像多目标跟踪方法

摘要：
针对利用声图像实现水下多目标跟踪问题,提出一种改进的粒子滤波多目标跟踪算法.通过引入联合概率数据关联算法,建立了联合概率数据关联 粒子滤波算法模型,使粒子权值中得以反映量测与目标轨迹间的关联概率,有效保证了各目标跟踪轨迹的连续性.采用了包含距离及角度的双重跟踪门得到确定矩阵,使跟踪精度得以提高.补充了轨迹起始及轨迹终结方法,以对跟踪过程进行完善.最后,通过水下多目标跟踪试验,对比分析了不同数据关联算法的试验结果,验证了所提方法的有效性,为基于前视声纳的多目标跟踪提供了一种更为有效的方式. 关键词：
联合概率数据关联; 粒子滤波; 目标跟踪; 前视声纳 中图分类号： TP 39
文献标志码： A     

基于特征辅助的距离高分辨雷达航迹关联算法

针对距离高分辨雷达邻近目标跟踪问题,提出了一种检测点分布特征辅助的航迹关联算法.该算法利用标准差椭圆提取目标检测点分布特征,同时利用目标的状态信息和特征信息进行航迹关联,解决了邻近目标航迹易关联错误的问题.实验结果表明,该算法可以提高距离高分辨雷达目标关联准确度,提升航迹质量.      

提高Mean-shift跟踪算法性能的方法

针对Mean-shift跟踪算法,在目标色彩特征不突出,或受到光照、阴影等影响,或有干扰物体靠近目标时,很容易发生跟踪错误等问题,采用色彩融合模版和位置预测来提高Mean-shift跟踪算法的性能.在对图像的RGB三色进行简单的线性融合的基础上,提出了根据前景和背景直方图的相似度函数去选取目标特征最突出的融合图像的算法,并据此建立3个目标模版.对目标的位置先进行卡尔曼预测,再用Mean-shift算法对3个模板分别进行跟踪,最后融合跟踪结果.实验结果证明,提出的方法能在复杂背景下跟踪目标,并能更好地应付阴影、光线等变化.此外,它能有效地避免相似物体靠近目标或者和目标交错引起的跟踪失败.     

改进YOLOv5的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块，一般情况下，车辆检测和车辆表观特征提取是在不同的神经网络中进行的，且一张图中的车辆目标越多，对车辆表观特征提取耗费时间的也越多，推理时间也相应变长。针对这一问题，基于经典的Tracking-By-Detection模式，提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块，使YOLO在输出目标位置信息的同时输出目标特征信息，以提高算法的跟踪速度。针对车辆间彼此覆盖的情况，提出一种基于动态IOU阈值的非极大抑制算法，以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配，从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性，实验结果表明，将YOLOv5网络进行改进后运用在目标跟踪算法中，相对于经典的YOLO+DeepSORT跟踪模型，在车辆密集的情景下平均推理时间减少了17%；在改进后的网络上添加动态IOU阈值非极大抑制，跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。