自适应新生目标强度PHD滤波改进SMC实现

提出了一种改进的自适应新生目标强度的概率假设密度(PHD)滤波算法.首先,对归一化因子进行了分析,在此基础上,提出了一种改进滤波策略,有效解决了归一化失衡问题;其次,在量测点附近通过无迹变换(UT)产生样本点,然后再采用粒子群(PSO)算法寻找最优点,从而得到新生目标概率密度函数的近似估计;最后,在序列蒙特卡罗(SMC)框架下对算法进行了实现.采用一种回溯策略,通过记录新生目标的状态和数目,修正存活目标的估计数目和相关航迹,进而得到每个目标的完整航迹.仿真结果表明:改进算法可以有效跟踪多个机动目标的状态和数目,滤波精度较高,具有较好的工程应用前景.     

一种面向EBPSK卫星被动雷达的改进多源PHD算法

为提高对海杂波干扰下空中目标的跟踪性能,讨论了海面-目标二次反射模型,分析了EBPSK调制方式的卫星被动雷达系统特点,在此基础上开展多目标跟踪研究.由于经典的概率假设密度(PHD)滤波不适用于海杂波空间分布不均匀的卫星EBPSK信号多目标跟踪,提出了面向卫星被动雷达系统的多源改进算法.该算法首先对各卫星信息使用经典PHD滤波进行预测和更新,然后在修整步骤进行多卫星信息融合.仿真结果表明:该改进算法能够适应被动卫星EBPSK信号的特性,避免海杂波造成的虚假目标,目标数估计优于经典的PHD滤波算法,具有工程应用前景.     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.     

视觉跟踪中的粒子滤波算法研究进展

详细讨论粒子滤波算法在视觉跟踪领域的研究现状,对应用粒子滤波算法解决单目标及多目标跟踪问题进行了详细的分析.在粒子滤波算法框架内,选择一个合适的建议分布构建基于粒子滤波算法的跟踪算法是文章关注的焦点.对视觉跟踪中的难点问题:遮挡、目标交互、场景光线变化等详细的分析了使用粒子滤波算法的解决方法.第三部分对当前粒子滤波算法在视觉跟踪应用中存在的问题进行了分析,最后给出了结论.     

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.     

基于随机有限集的视频SAR多目标跟踪方法

视频合成孔径雷达具有高分辨与高帧速率成像的特点，可以连续获取地面感兴趣区域目标近似视频的信息， 为基于SAR图像的目标识别与跟踪技术的快速发展奠定了基础。为了满足日益复杂的应用需求，多目标跟踪技术逐渐发展成熟，针对多目标跟踪过程中每个运动目标的状态都具有空时变性，并且目标的数量具有随机性的难题，首先建立了基于随机有限集的多目标跟踪算法，在此基础上讨论了贝叶斯框架下的概率假设密度算法，并在高斯混合模型下研究并实现了高斯混合概率假设密度滤波算法，进而实现了基于RFS的多目标跟踪算法，在复杂环境背景下验证了该算法的有效性。     

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.     

基于Cam-shift的预测跟踪方法分析与改进

为了在有遮挡等因素干扰的复杂背景下很好的完成移动目标的位置预测跟踪,研究了Kalman滤波与Cam-shift算法结合的方法.Kalman滤波可以较精准地完成移动目标的位置预测,与Cam-shift算法结合可以很好的完成跟踪.在此基础上,提出了一种线性预测与Cam-shift算法结合的目标预测跟踪方法,即将线性预测方法代替Kalman滤波完成预测估计,并将预测估计结果代入Cam-shift算法中进行跟踪.实验表明该方法既可以保证遮挡过程中追踪的准确性,又能减少迭代时间,能够更好地满足实时性的要求.     

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.     

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.     

一种用于运动跟踪的加窗粒子滤波新算法研究

为了提高粒子滤波算法在视频跟踪中的性能,在基本粒子滤波算法的基础上,采用窗口滤波更新粒子集合,根据对目标位置估计的情况动态更新粒子集合大小,得到一种改进的粒子滤波算法--加窗粒子滤波算法.该算法利用估计窗内的混合抽样粒子集描述后验分布,通过对估计窗内具有不同权值的粒子集依据其权值大小进行抽样,并根据当前观测值对抽取的粒子状态进行更新,实现对目标的跟踪.仿真实验结果表明:这种跟踪算法在不影响跟踪精度的情况下,大大减少了计算量,较好地解决了视频目标跟踪这一非线性非高斯状态在线估计问题.     

非高斯噪声背景下计算机视觉目标跟踪方法

针对杂波背景下计算机视觉目标跟踪问题,提出一种非高斯噪声背景下计算机视觉目标跟踪方法.在视频目标运动模型和观测模型的基础上引入了柯西混合噪声模型,对非高斯噪声运动目标的状态进行建模;然后,在传统高斯噪声粒子滤波的框架内给出文中方法的具体实现步骤.针对大面积遮挡和夜晚光照改变的极端情况下对路上行驶的车辆进行实时跟踪实验,结果表明:文中方法明显提升极端杂波环境下的目标运动过程的建模精度,有效提升目标跟踪精度.     

融合多线索的抗遮挡目标跟踪及其仿真平台设计

针对目标跟踪中的遮挡问题,融合纹理特征的mean-shift算法鲁棒性实时性好,但遮挡情况下无法有效跟踪,粒子滤波算法能很好地解决这一问题,但实时性不好,因此,融合两种算法的优点,遮挡情况下切换到粒子滤波算法.同时如何比较、评价各种算法,目前还没有一个统一的仿真测试平台,为此给出一个基于Matlab GUI的抗遮挡目标跟踪系统仿真平台,在该平台下,对同一序列进行比较试验,给出仿真实例.结果表明,该算法能有效处理目标跟踪中的遮挡难题,同时该平台不但提供给了统一的界面进行仿真比较,还有很好的交互性与可扩展性,能够实现不同算法的集中管理,并输出可视的实验结果,充分验证了平台设计的有效性.     

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.     

箱粒子广义标签多伯努利滤波的目标跟踪算法

针对序列蒙特卡罗广义标签多伯努利滤波(SMC-GLMB)算法计算效率低、实时性差的问题,提出了箱粒子广义标签多伯努利滤波的目标跟踪(Box-GLMB)算法。该算法使用带标签的随机有限集描述多目标的状态,包括目标的位置和速度,并且对每个目标用互不相同的标签进行区分;然后利用箱粒子滤波算法近似单目标状态的概率密度,即用一组带权值的均匀分布拟合单目标状态概率密度;最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新,从多目标状态后验概率密度中估计单目标的位置与速度,根据目标的标签可以实现航迹跟踪。BoxGLMB算法结合了箱粒子滤波与GLMB算法的优势,能够跟踪目标航迹,同时提高计算效率。仿真结果表明,Box-GLMB算法可以有效估计目标状态以及跟踪目标航迹,相比于SMC-GLMB算法,计算效率提升了62%。     

采用平方根高斯核积分滤波的目标跟踪算法

为进一步提高目标跟踪精度，提出了一种新的平方根高斯核积分滤波算法(SGKQF)。选取比例因子重构高斯-厄米特积分点，利用高斯核构造的线性方程组计算相应权重，从而建立单变量高斯核积分规则；采用张量积方法将其扩展到多变量积分规则，以实现对多维积分的数值近似；将其引入非线性高斯递推滤波框架中，为增强算法的稳定性，在滤波过程中使用协方差的平方根形式，得到SGKQF算法。将所提算法应用于纯方位目标跟踪系统中，仿真结果表明，在选取合适高斯核带宽的条件下，相对于传统GHQF算法，SGKQF对目标位置和速度估计的精度分别提高了8.7%和11.8%,可获得更高的滤波估计精度。     

基于N记忆簇标记SMC-PHD滤波的量子跟踪

使用PHD粒子滤波跟踪量子以满足特定生物信息学应用的需求,并结合簇标记技术实现多目标航迹关联.针对簇标记技术存在的"标签漂移"问题,提出一种N记忆簇标记方法用于控制算法对不稳定目标的敏感度.它通过记忆和对比过去N个时刻的目标状态可以有效降低目标频繁出没对目标估计和跟踪带来的干扰.实验结果表明该方法可以对具有高随机动态的量子目标实现较准确、鲁棒的航迹跟踪.     

融合纹理特征的Mean-shift抗遮挡目标跟踪算法

针对传统Mean-shift算法仅利用颜色特征,当场景中合有目标颜色相近的物体时,易发生误跟踪,且在目标被遮挡的情况下,无法进行有效的跟踪,提出一种融合目标纹理特征的抗遮挡跟踪算法.同时实时更新模板,并通过Kalman滤波估计目标的状态,在目标被遮挡的情况下进行估计预测,提出一种遮挡因子作为目标遮挡的判据,严重遮挡时,...     

两阶段混合粒子滤波的目标跟踪

基于粒子滤波的目标跟踪,跟踪的成功率和精度与目标运动速度和算法的粒子数密切相关.较大的粒子数能够跟踪速度更快的目标,同时提高跟踪的精度,但会降低算法的实时性.为了解决这个问题,提出一种两阶段混合粒子滤波算法,在第一阶段中,利用少量粒子基于距离角度模型对目标的位置进行粗略估计.在第二阶段中,利用均值偏移算法对目标位置进行精确估计,同时利用粒子滤波对均值偏移的窗口进行自适应调整.实验表明,提出的两阶段混合粒子滤波算法,不仅能够实时地跟踪尺寸变化的目标,而且能够跟踪运动速度快的目标.