基于路侧激光雷达的多目标检测与跟踪算法

为了检测与跟踪城市交叉口复杂环境下的道路目标,提出一种基于路侧激光雷达的多目标检测与跟踪算法。首先利用背景减除法滤除背景点云,随后融合5帧点云并利用曲率体素聚类算法检测目标得到3 D包围盒信息,之后通过自适应阈值的双门控和生存周期管理策略,有效提升关联精度并减少了目标丢失和误检,最后利用交互式多模型无迹卡尔曼滤波(IMM-UKF)和联合概率数据互联(JPDA)的融合算法完成道路目标的跟踪。试验结果表明,该算法在保证检测和跟踪性能基础上满足实时性要求,具有工程实用价值。     

基于时间序列聚类的多雷达数据融合

针对多雷达数据融合问题，提出了基于时间序列的聚类算法，用于实现航迹相关，即以时间序列为基础把聚类模型转化为基于特征匹配的聚类算法。进一步考虑到多目标密集时，部分来自不同目标的数据可能比来自同一目标的数据更接近，易导致关联错误，为此提出了基于时间序列的模糊聚类算法。对上述两种算法的聚类结果，应用卡尔曼滤波器实现滤波跟踪，在不同的情况下仿真后发现，在跟踪目标较少且相互位置较远的情况下，两种算法均有效，在跟踪目标较多且相互位置靠近的情况下，基于时间序列的模糊聚类算法更有效。     

基于多特征自适应融合的分类采样跟踪算法

针对目标跟踪中的场景易变和目标模板不稳定等问 题,提出了一种基于多特征自适应 融合的分类采样跟踪算法。算法利用密集特征信息将目标模板用多个重叠子区域划分,每 个子区域对应一个多特征采样窗口。利用多特征自适应融合构造强可区分性的目标模型,最 大程度地提高各子区域之间的互补性,以增强目标模板的区分能力。在粒子滤波(PF)框架下 , 多特征自适应融合策略提高了目标观测质量,保证跟踪的持续稳定。实验结果表明,本文所 提算法具 有良好的目标跟踪性能,并对动态场景、目标形变及遮挡情况具有较好的跟踪准确性和鲁棒 性。     

基于跟踪质量熵的分布式组网雷达航迹融合算法

针对分布式多传感器融合系统中,传统的航迹融合算法未充分考虑不同传感器探测跟踪性能不同带来的航迹质量的不确定度差异,导致融合后的航迹质量下降的问题,提出了一种基于跟踪质量熵的航迹融合算法。首先,构建融合中心所有局部航迹的跟踪质量熵模型,根据熵大小排序并划分不确定度等级;然后,选择质量熵排序队列的航迹作为参考数列,利用灰度理论对不同局部节点的来自同一目标源的航迹进行聚类;最后,将聚类后的航迹,根据不确定等级进行分群融合,并把不确定等级较低的航迹融合后的状态反馈至各局部节点进行局部融合。该方法提高了局部节点的跟踪质量,增强了航迹融合的正确性,仿真验证了该方法的可行性和有效性。     

基于标签多伯努利滤波器的机动小目标检测前跟踪

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间,能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模,将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上,为了实现对运动模型时变目标的检测前跟踪,将交互式多模型(IMM)与LMB检测前跟踪算法相结合,提出IMM-LMB检测前跟踪算法.此外,给出了该算法的序贯蒙特卡罗实现.仿真结果表明,所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪,且能够在线更新多模型概率,更好的适应多机动目标场景.     

低空监视雷达“走-停-走”目标跟踪技术

以旋翼无人机为代表的低空小目标常采用低速“走-停”策略或利用障碍物遮挡,躲避雷达追踪,对重要信息装备和战略要地进行点穴式打击或干扰。这类目标可多次消失-重返于雷达视域,称之“走-停-走”目标。若采用传统目标跟踪模型和算法处理这类目标,易导致目标身份不连续、航迹碎片化。该文在随机集理论框架下,基于标签多伯努利(LMB)滤波器,研究低空监视雷达“走-停-走”目标连续跟踪问题。为描述“走-停-走”目标多次往返于雷达视域的演化特性,首次引入第3类出生目标模型,即重生(RB)过程模型。首先,利用目标重返雷达视域前-后目标状态的空间位置和动力学参数关系,提出一种基于空域相关(SC)的RB过程;然后,基于SC-RB过程,在贝叶斯滤波框架下,设计了SC-RB-LMB滤波器算法,可实现多“走-停-走”目标连续稳健跟踪,维持航迹标签的连续性;最后,在典型低空监视场景下,通过仿真和实测数据验证了提出模型和算法的有效性和性能优势。      

多光电跟踪设备异步序贯分布式目标跟踪算法

针对多光电跟踪设备组网后出现的异步测量问题，提出了一种异步分布式序贯目标跟踪算法。该算法由局部滤波器和融合滤波器构成，先利用状态转换方法，将多光电跟踪设备节点及其邻节点的异步测量对齐到融合时刻，得到拟测量方程。随后，利用射影原理对拟测量方程和目标运动状态方程构成的目标跟踪系统，提出异步序贯局部滤波器来计算较为精确的局部滤波值。再以协方差交叉算法为基础，提出基于扩散策略的融合滤波器，对局部估计值进行融合计算，来提高目标跟踪精度，并降低组网后各光电跟踪设备节点融合估计值的差异程度。最后对所提出的算法进行了仿真实验，以验证其有效性。     

面向图表示社区检测的新型聚类覆盖算法

图表示社区检测使用图表示方法学习网络节点的向量表示,然后对节点向量进行聚类获得社团结构.然而经典的聚类算法在聚类节点向量时,得到的结果往往不能够体现社区的特性.提出一种新型的聚类覆盖算法,将聚类所得覆盖视为社区划分结果.首先在节点向量空间中计算得到每个簇的覆盖中心;然后根据覆盖中心到同类样本的平均距离作为覆盖半径,在向量空间中形成覆盖;最后对未覆盖的点做二次划分得到社区结构.在多个有真实和无真实标签网络的实验表明,所提出的算法可以得到更合理的社区结果.     

空中多运动平台多传感器目标跟踪

为提高空中多运动平台的协同探测能力,构建了一种多运动平台多传感器系统,提出了一种相应的目标跟踪方法.该方法将不同运动平台上的传感器对目标的观测转换到地心直角坐标系中进行融合跟踪,针对平台的运动和传感器的视域有限的特点,设计了序贯融合滤波算法.理论分析和仿真结果表明该方法既可以提高目标的跟踪精度,也可以扩大平台的感知范围,从而提升平台的探测能力.     

基于多特征自适应融合的均值迁移目标跟踪算法

针对复杂环境下,均值迁移算法只使用 颜色特征跟踪目标鲁棒性差的问题,提出一种多特征自适应融合的MS目标跟踪算法。算法在 跟踪场景的动态变化过程中,通过选择对目标和背景区分能 力强的特征描述目标,建立多特征 融合目标模型,并设置特征重要性权值。给出了多特征融合目标定位公式。通过 动态评估不同特征在不同跟踪场 景中的可靠性,对特征权值进行动态更新以及多特征自适应融合。依据不同特征的权值给出 一种选择性模板更新机制,以减 轻目标模型的漂移。实验结果表明,提出的算法在复杂场景下,具有更高的鲁棒性和跟踪效 率。     

组网雷达多帧检测前跟踪算法研究

组网雷达系统(NRS)由于其稳健的性能优势,在近年来受到了广泛关注。目前,组网雷达系统在进行目标探测时常采用先检测后跟踪(DBT)算法,即在每个时刻先对接收到的回波数据进行单帧门限检测,得到疑似目标的点迹集合,然后上传这些点迹或由这些点迹跟踪得到的航迹估计到融合中心做进一步处理,最终得到全局估计结果。然而,当信噪比(SNR)比较低时,目标往往很难通过单帧门限检测,最终导致目标漏检、航迹起批难,无法有效发挥组网雷达系统优势。针对这一问题,该文提出了一种组网雷达多帧检测前跟踪(MF-TBD)算法。该方法首先在本地节点进行多帧检测前跟踪,然后传递检测得到的点迹序列到融合中心进行融合。该方法一方面利用了组网雷达系统平台优势;另一方面不同于常规先检测后跟踪技术,多帧检测前跟踪能够利用目标空时相关性积累目标能量,改善弱小目标检测性能;因此其可以有效提高系统对目标的检测性能。但是,多帧检测前跟踪输出结果和先检测后跟踪算法不同,导致现有融合方法不适用。针对这一问题,该文首先理论推导了点迹序列的融合方法,然后结合实际雷达模型给出了算法实现流程,最后提出了算法的粒子滤波实现方式并通过仿真实验验证了算法的性能。仿真结果证明该文提出的方法相比于先检测后跟踪算法,有4～6 dB的检测性能增益;相比于常规单传感器多帧检测前跟踪算法,航迹跟踪精度有50%左右的提升。      

基于帧间DBSCAN聚类的毫米波雷达交通多目标跟踪方法

毫米波雷达已成为车联网中的主流传感器之一,可用于交通场景的多目标跟踪。本文将毫米波雷达安装于道路上方进行交通目标跟踪,针对基于帧内DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类的多目标跟踪中,在该安装场景下多径噪点难以去除和纵向的交通目标点云难以区分的问题,提出了基于帧间DBSCAN聚类的毫米波雷达交通多目标跟踪方法。该算法使用多帧合并处理的方式,利用帧序特征用于解决多径噪点问题,并利用空间纵向分段的方法改善了原算法在纵向上目标区分度不足的缺点。本文通过六组不同的实际场景实验,证明了本方法在不同场景下,均相比原方法对跟踪结果有不同程度的改善。      

基于PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。     

基于少量样本学习的多目标检测跟踪方法

视频目标检测跟踪算法一直是计算机视觉领域的研究热点,目前大部分方法均需人工采集样本训练检测模型,搭建目标检测跟踪系统.当目标成像条件发生变化时,需重新采集样本,训练模型,调试整个检测跟踪系统,耗费大量人力、物力.本文提出一种基于少量样本学习的多目标检测跟踪算法,只需在监控视频第一帧指定待检测目标,即可自主生成混合分类模型,进行目标检测.采用在线渐进学习算法学习目标姿态变化,更新该模型.结合基于颜色的目标跟踪算法,自动构建高精度目标检测跟踪系统.整个过程无需手工采集、标注训练样本.因此,易于扩展到其它监控场景,通过自主学习形成该场景专用的检测跟踪系统,实现不同监控环境下,不同成像条件下都有较好的检测跟踪效果.实验表明,本方法能自主学习多种监控场景下的目标姿态,无需手工标注训练样本,在基于在线学习的算法中有最佳的检测精度,此外也取得了和离线目标检测跟踪系统相似的性能.     

弱目标箱粒子标签多伯努利多目标检测与跟踪算法

针对红外弱目标追踪问题,提出箱粒子标签多伯努利多目标检测与追踪(Box particle Labeled Multi-Bernoulli Detection and Tracking, BOX-LMB-DT)算法,该算法首先通过使用均值滤波对获得的灰度图像进行降噪处理;其次,通过将所有像素处依强度大小进行排序,选出强度较大的区域作为当前时刻的区间量测;最后利用箱粒子标签多伯努利滤波(Box-Labeled Multi-Bernoulli Filter, Box-LMB)器对目标进行跟踪。仿真结果表明,本文所提箱粒子标签多伯努利多目标检测与追踪算法能够对多目标的航迹和状态进行稳定有效的跟踪,且在相同条件下,相较于区间量测下的LMB粒子滤波,达到相同的追踪性能时BOX-LMB滤波运算效率提升了22.59%。     

基于近邻传播聚类的多扩展目标量测集划分算法

针对杂波环境下多扩展目标量测集难以划分,且时间代价高的问题,该文引入近邻传播聚类技术,提出一种新的多扩展目标量测集划分算法.该算法先采用密度分析技术对量测集进行预处理,滤除部分杂波量测,然后引入近邻传播聚类技术,通过量测间的相互竞争,初步确定扩展目标的数目和质心位置,然后通过扩展目标PHD滤波方法估计目标数目和状态.该方法可有效避免量测集聚类过程中扩展目标质心初始化的干扰,能够准确地划分杂波环境下多扩展目标量测集.与传统的距离划分,K-means++划分方法相比,所提算法能够自适应地确定目标数目,降低时间成本,提高多扩展目标的跟踪性能.      

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。     

WSN中基于自适应预测聚类的多组群目标的跟踪方法

针对多传感器目标跟踪中的能源使用和跟踪精度之间的不平衡问题,提出了一种权衡网络寿命和精度的方法,即基于自适应预测聚类的多组群目标跟踪方法(APCMT),实现了同时跟踪多个组群.首先进行聚类,即捕捉组群行为属性的改变,例如形成、合并以及分裂;然后选择传感器,激活对组群区域有贡献的传感器,并进行组群跟踪.仿真场景在1 000 m×l 000 m的正方形区域内,随机部署500个传感器,与Kalman、效能节点选择(EENS)方法以及改进的动态簇(IDC)方法相比,提出的方法在跟踪精度方面更高.由于需要激活的传感器更少、计算时间更短,网络寿命得到了明显的提升.     

一种高效的分布式多传感器多目标跟踪算法

现有的多传感器多目标跟踪算法大都基于马尔科夫-贝叶斯模型,需要诸如目标运动、杂波、传感器检测概率等先验信息,但是在恶劣的环境中,这些先验信息不准确并导致目标跟踪精度下降。为了解决该情况下的多目标跟踪问题,我们提出了一个高效的分布式多目标跟踪算法,该算法通过泛洪(Flooding)共识算法在分布式网络的传感器之间迭代的传输、共享各自的量测集信息,并通过改进的密度峰值聚类(Improved Density Peaks Clustering, IDPC)算法对量测集聚类,聚类得到的簇的个数即目标的个数,簇的中心即目标的位置。我们将IDPC算法与前沿的分布式概率密度假设(probability density hypothesis, PHD)滤波器在三个场景中进行对比,实验结果证明了IDPC算法的有效性和可靠性。      

鲁棒的实时多车辆检测与跟踪系统设计

场景中的运动阴影导致多目标粘连,车辆间的相互遮挡使得跟踪识别困难.本文针对这两个影响实时车辆检测与跟踪系统性能的主要因素,采用基于无偏卡尔曼滤波器(UKF)的方法为场景背景建模,提取出运动区域,再通过边缘特征检测出场景中的运动阴影,然后利用角点信息将目标与阴影分离;提出了一种基于运动预测框的目标跟踪算法,将它与基于车辆平行四边形轮廓的遮挡分割方法结合,构建了多车辆目标的实时跟踪系统,并用实验验证了它的实用性与鲁棒性.