多目标跟踪数据互联的动态规划法

本文提出了在密集环境下多目标跟踪数据互联的动态规划法。为在噪声背景下进行实时多目标数据处理提供了理论依据和新途径．     

WSN中传感器节点的弹性神经网络任务分配方法

为解决WSN多目标跟踪节点任务分配的竞争冲突问题,提出一种融合了模糊聚类的多弹性子模自组织神经网络节点任务分配方法.通过模糊聚类估计目标数量,建立节点任务分配跟踪精度和能量消耗的综合性能指标,采用非全连接的环形弹性结构自组织神经网络优化监测联盟,用最近邻法对神经元弹性子模进行初始化,根据胜者为王原则动态调整子模的感受域,以快速锁定最优监测联盟,实现多目标的精确跟踪.实验结果表明:文中方法能有效解决多目标跟踪节点任务分配的竞争冲突问题,以及竞争冲突时的系统能耗增加与实时性问题;在随机均匀部署节点拓扑和目标直线运动模式下,文中方法的能耗较最近邻法降低了48.2%~55.9%,较未改进弹性神经网络法降低了37.4%~42.5%,且运算速度提高了19.0%~27.4%.     

结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.     

跟踪门对多目标跟踪系统性能的影响

讨论了密集目标环境下跟踪门门限对多目标跟踪系统性能的影响。在略去杂波的情况下,以方差压缩比作为跟踪系统性能的衡量指标,对跟踪门性能进行了理论分析。给出了矩形跟踪门配合K alm an滤波算法和PDA关联算法的仿真数据。提出了一种跟踪门门限的选取方法,将离线仿真得到的门限直接应用于跟踪系统,门限计算复杂减小,适用于对速度要求较高的跟踪系统。     

鲁棒标签多伯努利机动目标跟踪算法

针对未知杂波和检测概率的跟踪环境下,标准的标签多伯努利(LMB)算法对机动目标跟踪性能较差等问题,提出鲁棒标签多伯努利机动目标跟踪算法(R-LMB).首先建立真实目标、杂波与检测概率的增广空间模型,然后结合多模型(MM)系统,推导出基于蒙特卡罗(SMC)实现的带有状态标签和LMB元素标签的预测与更新方程.研究结果表明:在杂波和检测概率先验未知的情况下,所提出的算法可实现对目标数和目标状态的准确估计,同时在低检测概率和高杂波强度环境中仍可保证良好的多机动目标跟踪性能.     

用于多目标数据关联的群智能混合算法

为快速实现多目标数据的关联,将蚁群优化(AGO)算法和粒子群优化(PSO)算法相结合,提出了一种群智能混合算法.以跟踪门确定目标的有效量测,以新息的似然函数描述量测与目标的关联关系,建立多目标数据关联的组合优化模型.利用交叉变异的PSO算法求解出该优化组合模型的次优解,再将该次优解作为蚁群位置和信息素初始化的依据,利用ACO算法对目标函数的解进行细搜索以求得更优解.仿真实验结果表明,该算法能够有效地提高关联准确性和收敛速度.     

行人多目标跟踪算法

针对多目标跟踪中因目标遮挡而导致跟踪过程中身份交换频繁的问题,提出一种行人多目标跟踪算法.该算法首先使用YOLOv4作为检测器,检测出目标并确定检测框坐标,利用扩展Kalman滤波器对轨迹进行预测;然后用匈牙利算法作为数据关联模块,采用级联匹配方法将扩展Kalman滤波预测的检测框与目标检测的检测框进行匹配,并将发生遮...     

无线传感器网络多目标跟踪中协同任务分配

采用动态联盟机制进行多目标跟踪协同任务分配,并对自组织动态联盟进行研究,重点探讨盟员选择机制;分析能量消耗情况,给出改进的能耗模型;介绍三点定位法原理,分析其定位精度,提出基于面积和法以限制节点选择,建立精度模型。将能耗模型与精度模型结合,构造出综合性能指标函数,指导盟员的选择,并运用遗传算法实现此选择。仿真试验结果表明:综合性能指标函数使能耗和精度2个指标都更趋优化,证明了运用遗传算法进行盟员选择的有效性。     

集中式多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了集中式多传感器模糊联合概率数据互联算法。该算法应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度,运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,提出了集中式多传感器模糊联合概率数据互联算法的状态估计模型。对该算法与已有集中式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者提高了43.7%,同时有效地降低了周期耗时,综合性能更优越。     

基于特征点轨迹的多目标跟踪算法

在连续的视频流中,多目标跟踪的任务就是在每一帧中确定目标物体的位置,但是跟踪算法会受到很多外界因素干扰,其中遮挡对跟踪效果的干扰最为严重,为此提出基于特征点轨迹的跟踪算法,用于解决多目标相互遮挡时的跟踪难题.首先跟踪时引入延迟,在处理当前帧时提前获取未来的N帧图像;再提取图像上的特征点并串联成轨迹,根据轨迹来估计目标在N帧之后的位置.根据目标的位置分析目标的运动,从而定位当前帧目标的位置.实验数据表明,这种方法能够有效处理目标遮挡,并且该算法的复杂度比很多传统算法都低,能够在低端处理器上实时运行,满足实际需求.