基于颜色与深度信息特征融合的一种多目标跟踪新算法

提出了一种基于颜色与深度信息特征融合的 可逆跳的马尔科夫链蒙特长洛(RJMCMC)多目标跟踪算法。首先,融合彩色信息和深度信息对 运动目标进行检测;然后,根据多目标检测的结果建 立观测似然模型,并构建合理的状态转移模型;最后,通过RJMCMC粒子滤波算法实现多目 标跟踪。实验 结果表明,本文提出的多目标跟踪算法具有较强的鲁棒性,能够稳定的跟踪多目标,具有较 高的准确率。     

基于粒子滤波和数据关联的多目标跟踪算法

针对图像序列中低信噪比条件下的点状多目标跟踪问题,在已获得各个目标初始信息的基础上,结合粒子滤波和联合概率数据关联(JPDA),研究了一种基于单帧检测的实时多目标跟踪算法.介绍了其基本思想和具体算法实现步骤,并在MATLAB仿真环境下实现了该跟踪算法.实验仿真结果表明,该算法能够准确跟踪作任意轨迹运动的多个点状动目标,具有良好的实时性与准确性.     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。     

基于无人机平台的多目标跟踪算法

针对目前无人机平台多目标跟踪技术的跟踪精确度低、占用内存大的问题，提出了一种基于不同检测器算法和DeepSort算法结合而成的多目标跟踪算法，提高在无人机上对地面行人在跟踪数据集中的效果。使用深度学习的多目标跟踪技术通过构建卷积神经网络(Convolutional Neural Network, CNN),用卡尔曼滤波算法实现了对目标轨迹的预测，匈牙利算法则使卡尔曼滤波的预测结果得以分配，使DeepSort算法在保证跟踪效果的同时，也保证了跟踪时的速度。实验结果显示，DeepSort在与YOLOv5x检测器配合后，多目标跟踪精度可提高20%。     

基于卷积神经网络的动目标检测

合成孔径雷达(SAR)动目标检测技术是雷达信号处理领域中的重要技术。文中利用深度学习高维特征提取能力，提出了一种基于卷积神经网络(CNN)的多通道SAR地面动目标检测算法，并针对雷达实测数据较少、动目标样本难以获得的问题，提出了基于仿真-实测混合样本集的网络训练方法完成网络的高精度训练。实测数据检测结果表明，此类方法能够有效地完成地面动目标检测，与传统动目标检测方法相比，具有显著的优势。     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法.该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的"亮线"特征进行检测.与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势.最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性.     

一种稳健的视频SAR动目标阴影检测与跟踪处理方法

视频合成孔径雷达(VideoSAR)可获取观测场景高帧率图像序列,利用车辆等地面运动目标在图像序列中形成的阴影能够实现动目标状态感知,该方法具有定位精度高、检测概率高、无最小可检测速度限制等优点。针对视频SAR动目标阴影变化剧烈、信杂噪比低、多普勒模糊干扰等特有的图像特征,该文充分利用帧图像空间域和时间域信息,研究了视频SAR数据预处理、动目标阴影检测和视频SAR多目标跟踪方法。实测数据全流程处理结果验证了该文方法的有效性。     

一种耦合检测和JPDA滤波的多目标跟踪算法

传统雷达信号处理中对目标的检测和跟踪是割裂处理的,通常为先检测后跟踪(DBT);当目标的信噪比较低时,检测过程中将出现大量的虚警及漏检,使得后继的跟踪算法失效。针对这一问题,在联合处理检测和跟踪方法的基础上,提出了一种耦合贝叶斯检测和联合概率数据关联(JPDA)滤波的多目标跟踪算法(JPDAF-BD)。JPDA滤波器将目标的位置分布信息反馈到贝叶斯检测器,继而贝叶斯检测器将该反馈作为先验信息用于检测判决。仿真结果表明,所提出的JPDAF-BD算法较之传统DBT体制下的多目标跟踪算法(JPDAF-NP)有显著的性能提升,可以实现更低信噪比下的多目标检测和跟踪。     

基于MF-DeepSORT的交通多目标跟踪

针对交通场景中的多目标跟踪任务,为了提高跟踪算法的跟踪精度,在DeepSORT算法的基础上提出了一种改进的MF-DeepSORT算法。相比于DeepSORT跟踪算法,MF-DeepSORT是一种基于多特征(Multi Feature,MF)融合的目标跟踪算法,相对于仅使用传统的卷积特征,MF-DeepSORT将HOG特征引入到跟踪算法中,进而提高目标外观的表征能力,并引入了基于交并比(Intersection over Union,IOU)的运动距离度量,从而提高跟踪匹配的准确性。同时构建了交通场景多目标跟踪数据集Car-MOT,用于衡量算法在交通多目标跟踪任务的跟踪性能。实验结果表明,所提出的MF-DeepSORT在Car-MOT上相比DeepSORT,MOTA指标提高了4.839%,达到了62.017%,同时跟踪ID切换从34次降到2次,表明MF-DeepSORT在交通多目标数据集的跟踪性能优于DeepSORT算法,是一种高效的交通多目标跟踪算法。     

基于DSP的雷达目标检测和跟踪方法研究

基于专用DSP检测与跟踪处理器，研究了相应的雷达目标检测与跟踪方法。考虑到数字信号处理器较强的数学处理能力，研究了基于位置相关的雷达目标检测算法，结合雷达目标运动特性，研究了基于目标运动相关的多目标跟踪技术，并在DSP上实现了相应的检测、跟踪算法。实验室仿真结果表明，该检测算法具有好的检测性能；该跟踪算法实现对多目标的跟踪。     

机载视频合成孔径雷达成像技术研究

机载视频合成孔径雷达(ViSAR)工作在太赫兹波段,具有5 Hz以上的无孔径交叠成像帧率。其采用一发四收系统架构,具备合成孔径雷达(SAR)成像、地面动目标检测(GMTI)和干涉合成孔径雷达(InSAR)测高等功能,兼具光学传感器成像速度快以及微波雷达环境与气候适应性好等优势。论文介绍了机载视频合成孔径雷达研究进展,实验表明,其成像分辨率优于0.2 m,合成孔径时间可缩短至0.2 s。利用阴影信息可以对运动目标(如卡车等)进行检测,结合传统的GMTI与InSAR技术,实现对复杂运动目标的成像、跟踪和定位。     

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.     

机载SAR 对地面慢速运动目标的DPCA-CFAR 联合检测方法

在机载合成孔径雷达(SAR)动目标检测中,由于地面慢速运动目标速度较小,因此很容易被地面强主瓣杂波淹没而检测不到。文中针对地面慢速运动目标的运动特点,提出基于分数阶傅里叶变换(Frft)的DPCA鄄CFAR 联合检测的方法,在采用天线相位中心偏置(DPCA)技术进行杂波抑制的基础上进行恒虚警(CFAR)处理,从而检测到运动目标,并且根据DPCA 对消后的信号幅度和CFAR 检测门限推导了最小可检测速度,说明了提出的算法对慢速运动目标的检测性能,并进一步采用Frft 方法估计出目标速度,最后通过仿真对算法的有效性进行了验证。     

基于地理信息的地面运动目标跟踪方法

为了提高地面运动目标跟踪精度,提出了基于地理信息约束的变结构交互多模(VS-IMM)的目标跟踪算法。通过建立地理信息系统约束地面目标运动状态,并利用目标转弯曲线模型确定滤波器中机动目标的时变运动模型集,采用地理信息约束的变结构交互多模算法可更符合实际进行地面目标机动跟踪。针对机场地面机动目标的仿真结果表明,给出的地理条件约束的目标跟踪算法比现有交互多模算法具有更好的性能。     

一种基于机载广域监视系统的目标跟踪方法

广域动目标监视模式是借助天线在方位向上快速扫描来实现大范围动目标监视的一种雷达工作模式,这使得雷达系统可以对同一个动目标在不同时刻进行多次观测并跟踪其轨迹。该文提出了一种基于机载广域监视雷达系统的地面目标动目标跟踪方法。首先,根据动目标检测得到的信息估计运动目标的位置;然后对每个目标设置关联门限,并对进入门限的目标计算加权的关联度;最后通过全局最优得到关联的结果。该文还比较分析并确定了算法对误差大小的适用范围。通过仿真并与另外两种算法进行比较,验证了该算法的有效性,实际数据的处理结果也说明了算法的可行性。     

对海雷达多维图像特征融合智能检测方法

海面目标检测是雷达信号处理中的重要内容,在军事、民用领域内都有重要应用价值。在海面目标雷达信号处理中,海杂波的存在对检测算法的性能有很大影响,传统的雷达信号处理方法多基于统计理论,对于复杂环境条件和多样的目标特性检测性能下降明显。近年来深度学习技术发展迅速,为可靠的海面目标的检测方法提供了技术支持。本文对近年来目标检测算法、深度学习方法的发展进行总结,从雷达信号数据结构和维度出发,采用深度学习理论,分别提出了基于二维图像、三维视频雷达信号、多维雷达信号多通道融合的智能处理框架,并以导航雷达图像海上目标智能检测为例,提出一种Precise ROI?Faster R?CNN雷达图像检测算法,通过构建的导航雷达数据集训练和测试,相比经典恒虚警检测和Faster R?CNN检测方法有更高的检测精确度和更好的泛化能力,从而为对海雷达智能导航和目标检测提供了有效的技术途径。     

在线时空关联的人体检测跟踪一体化方法

视觉人体检测跟踪一体化技术在很多领域都有着重要的应用价值,其关键技术有： 鲁棒的目标检测技术、稳定的路径关联技术。主流的路径关联技术只考虑了目标的时间相关性, 没有同时兼顾目标的时空关联属性,当相似目标距离太近时,容易导致错位跟踪。本文提出基于深度神经网络学习和结构化在线学习算法联合的目标检测跟踪一体化方法,通过构建结构化在线学习模型,建立目标时空关联关系。实验验证了所提方法可以有效抵制相似目标的干扰问题,并可提升对严重遮挡目标的跟踪能力。     

基于检测前识别的MTS-CFAR检测方法

在复杂的强地杂波中检测静止目标时极易产生漏检,因此一直是检测领域中的难题。在双参数恒虚警(DP-CFAR)检测方法的基础上提出了基于检测前识别的多时间尺度恒虚警(MTS-CFAR)检测方法。在检测前基于各类型目标在多时间尺度统计结果上的不同,区分和识别运动目标、静止目标和杂波,减少杂波统计量和目标统计量的干扰,提高对静止目标的检测性能。以交通雷达应用为背景,通过仿真和实测数据定量分析和对比了MTS-CFAR、DP-CFAR、截断统计量恒虚警、改进型单元平均恒虚警等检测算法的性能,证明了本文算法对于静止目标检测效果的优越性和工程应用价值。