一种轻量级分布式Cell多目标跟踪算法

为了研发更有效的基于无线传感器网络(WSN)的多目标跟踪系统,在虚拟网格分层模型(VGA)和负载平衡树(LBA)的基础上,提出一种轻量级分布式Cell跟踪算法:每个目标拥有自己的跟踪Cell,当目标逃离当前Cell时,按目标航迹选出下一任Cell.多个Cell能分布式地对多目标进行同时跟踪,分为不交叉目标、跟踪Cell部分重叠目标和跟踪Cell完全重叠目标来进行讨论.实验模拟了多个目标的运动,结果表明该跟踪算法能及时有效地进行多目标跟踪.     

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。     

基于人工蜂群算法的多目标跟踪数据关联研究

为快速实现多目标跟踪的数据关联,将人工蜂群算法(ABC)与多目标跟踪数据关联相结合,实现快速的多目标跟踪数据关联.本文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,详细阐述了人工蜂群算法的基本原理,工作流程.利用人工蜂群算法寻找多目标数据关联优化组合模型的最优解,人工蜂群算法在离散空间的启发式机制实现搜索目标的量测与最佳数据关联.仿真表明,该算法与经典的JPDA算法以及基于元启发式的蚁群算法的数据关联算法进行比较,提高目标关联准确性和跟踪精度.     

基于Kalman滤波的无线传感器网络多目标跟踪

设计无线传感器网络多目标跟踪系统,分析系统跟踪性能的影响因素,提出基于单点观测的扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法和基于Kalman滤波算法预测功能的节点自适应调度策略,并引入多种事件辅助机制。实验结果表明,该算法和调度策略能够实现多目标实时跟踪,且具有减少计算量、缩短测量周期、降低能量消耗、提高跟踪精度等优点。     

基于最优划分的多传感器多目标跟踪NNJPDA算法

传统的最邻近联合概率数据关联算法(NNJPDA)不能直接用于多传感器对多目标的跟踪。针对这一问题,提出了一种适用于多传感器多目标跟踪的最邻近联合概率数据关联算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优划分,然后采用NNJPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加计算量小等优点。     

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。     

检测区域自适应调整的TLD多目标跟踪算法

传统的TLD目标跟踪算法由于检测区域过大导致检测时间过长,并对相似目标跟踪效果不理想且只能对单个目标快速跟踪.针对这些问题,利用双Kalman滤波加速预测的DKF检测区域优化算法构造了一种检测区域可自适应调整的多目标跟踪算法——TLD-DOMO算法.TLD-DOMO算法的多目标检测器可对各目标的潜在运动范围进行预测,使其检测区域的大小及位置自适应地调整至最佳状态,以此提升对多目标跟踪的精度及效率.此外,该方法可有效地降低多目标间的相互干扰,支持对多相似目标的同时跟踪.实验结果表明:TLD-DOMO算法在对各测试视频的多目标跟踪中,跟踪速度均有提升,加速比为1.55~2.94倍;在多相似目标跟踪中,对各目标的检测与识别效果优于原TLD算法.     

基于多传感器最小系统的多目标跟踪算法

论文提出了一种基于多传感器最小系统的多目标跟踪算法。首先，采用全邻域方法实现目标的航迹起始，其次，采用修正的多假设跟踪方法完成已确立目标的跟踪和新目标的起始。最后，进行了仿真实验，其结果验证了提出的算法能够很好地完成对多个目标的起始和跟踪。     

分布式多目标自动跟踪和特征管理算法

一种可扩展的分布式多目标跟踪和特征管理的算法(DMTIM),适用于对多目标进行跟踪的传感器网络。DMTIM由数据关联、多目标跟踪、特征管理,以及信息融合所组成。数据关联和未知数量多目标的跟踪通过马尔科夫蒙特卡罗数据关联实现。通过信息融合来获取所有相邻传感器的本地一致性,实现特征管理。试验证明,DMTIM算法能够通过传感器网络实现对多目标有效的跟踪和特征管理。     

一种用于杂波中机动目标跟踪的自适应关联波门设计方法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟现象的问题,提出一种新的自适应关联波门设计方法。该方法在综合交互多模型概率数据关联算法的基础上进行关联波门设计,当波门内不存在有效量测时,首先以最大机动水平对应的模型误差协方差对关联波门进行适当扩大,确保量测点迹进入波门。然后假定目标的机动能力已知,在目标运动状态的预测范围内利用观测信息寻找最小均方误差意义下的最优波门中心。该方法可以从根本上改善关联概率,从而降低失跟率,提高目标跟踪精度。仿真结果表明,与传统关联波门设计方法相比,该方法的失跟率降低了30%~40%,而且目标机动时的跟踪精度提高了20%~30%。实测数据同样验证了该方法的有效性。     

剔除异部雷达信号方法的研究与应用

密集信号环境下，被动雷达导引头信号处理系统中，由信号跟踪器给出的预测宽波门中难免会有异部雷达信号．文中提出利用相位差和载频等参数，剔除宽波门内可能存在的异部信号的方法，完善了对目标信号的选择与跟踪；以高速DSP＋FPGA为计算核心构成硬件平台，实时地给出跟踪窄波门，提高了系统跟踪精度；采用AD8302幅相测量芯片，极大地简化了系统计算量．在实际应用中取得了很好的效果．     

流水线多目标跟踪的点匹配投票校正算法

针对工业视觉检测系统中流水线多目标实时跟踪问题,提出一种目标中心点快速匹配方法与目标图像水平投影曲线投票校正技术相融合的多目标跟踪算法。其过程是:利用多个目标在连续帧图像中的整体分布的稳定性进行整体匹配,得到多点匹配的一一映射关系;针对局部目标的晃动、跳动问题,利用目标图像水平投影曲线,采用投票校正技术消除局部运动所带来的误差,对映射关系进行校正。该算法应用于某钢铁厂的棒材计数系统,有效地排除了复杂环境下多目标跟踪时的误识别、漏识别和位置交叉的问题,保证了计数的准确性与快速性,当目标数小于50时,跟踪时间小于1 ms。     

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     

基于运动模型的多目标跟踪算法

本文介绍多目标跟踪的原理,并引出了在目标跟踪中的跟踪算法的基础目标运动的模型。并根据实际需要,设计了一种根据目标运动模型的多目标跟踪算法。     

基于Kalman滤波算法的视频跟踪技术在交通道路中的应用

Kalman滤波是目标跟踪系统中比较常用的一种跟踪算法,本文将自适应波门跟踪与Kalman滤波跟踪算法相结合,克服了以往跟踪算法计算量大,目标识别错误,目标丢失等问题。并利用了MATLAB对Kalman滤波算法建模仿真,验证滤波跟踪效果明显,能够满足系统的实时准确跟踪的要求。     

基于运动模型和数据关联的多目标跟踪

在多目标跟踪的拥挤场景中,目标之间的相互遮挡以及目标外观变化,给多目标跟踪中的目标位置预测和数据关联带来了很大的挑战.利用卡尔曼滤波算法建模目标运动模型对目标轨迹进行预测,能够有效缓解目标外观变化的影响.数据关联是多目标跟踪中的重要组成部分,为此,设计了一种相关性网络来处理多目标跟踪中的数据关联.实验结果证明：利用运动模型在跟踪速度上可以实现实时的跟踪效果,设计的相关性网络有效提升了跟踪器的跟踪精度.     

基于反馈的航迹融合算法研究

研究基于反馈的雷达和红外分布式航迹融合.首先给出雷达和红外传感器多目标跟踪算法以及融合中心航迹融合算法,然后将融合状态一步预测及其协方差阵反馈到局部传感器形成新的跟踪门,并把此跟踪门和未反馈前的跟踪门的交集作为下一步估计的有效跟踪门.对不能融合的航迹,给出了目标指示.最后对所提算法进行了计算机仿真研究.     

一种冲击噪声下的多目标跟踪算法

针对现有的子空间类多目标跟踪算法无法对相干目标进行有效跟踪,传统的动态跟踪方法在冲击噪声环境下失效的问题,提出了一种冲击噪声下的多目标跟踪算法。构造了一种新的零记忆非线性处理方法实现去冲击,推导得到了基于协方差矩阵更新的极大似然多目标跟踪方程,并设计了一种量子猫群算法,对其进行快速准确求解,实现了在恶劣噪声环境下的鲁棒多目标跟踪。仿真结果表明,所设计的算法突破了已有跟踪方法的性能和应用局限。本文分析结果可用于指导被动雷达和感知系统的跟踪模块设计。     

一种运动目标自适应检测与跟踪算法

提出一种运动目标自适应检测、跟踪算法。该算法利用自适应运动的检测算法，实现目标运动判断，减少了系统程序的计算量。根据图像处理提取的目标特征，采用卡尔曼滤波器，跟踪预测目标的搜索区域，从而建立每个目标的“目标链”，快速实现多目标的数据关联。实验证明，该算法保证了多目标跟踪的准确性、稳定性和连续性。     

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.