基于马尔科夫数据关联修补的未知多目标跟踪

运动目标在未知的时间段内可能做未知的随机运动,给多目标的视觉跟踪带来影响.在分析多目标跟踪模型的基础上,提出一种基于马尔科夫数据关联修补的未知目标跟踪算法.首先通过建立多目标马尔科夫跟踪模型,在处理每次新的数据扫描时,利用先前的扫描,并根据新的观测跟踪数据对之前的数据进行关联修补;然后利用可修复的关联特征建立最有可能的数据关联,从而进一步地完成对未知多目标的跟踪.最后通过仿真验证了修补方法的有效性和优越性.     

基于SA-ML-PDA的无源协同定位方法

针对无源协同定位系统中低可观测目标的航迹初始及维持问题,提出一种基于模拟退火极大似然概率数据关联的双基站无源协同定位方法.首先,建立双基站无源协同定位系统数学模型.其次,提出基于极大似然概率数据关联的无源协同定位航迹初始算法,并首次利用模拟退火算法解决极大似然概率数据关联中的优化求解问题,以提高目标检测跟踪性能.最后,通过滑窗法实现航迹维持.仿真结果表明,所提方法能够有效解决双基站无源协同定位系统中低可观测目标的航迹初始及维持问题.     

基于SIFT 特征的目标多自由度mean-shift 跟踪算法

传统的mean-shift跟踪算法不能跟踪目标的旋转、缩放运动,且常常因此造成定位不准.鉴于此,将尺度不变特征变换（SIFT）特征检测融入到mean-shift跟踪过程,提出SIFT特征点的尺度变化与目标的尺度变化成正比,特征点主方向变化与目标旋转角度一致,给出了基于SIFT特征的自适应目标尺度、方向计算方法,且利用带方向、可变带宽的椭圆核改进传统的mean-shift跟踪方法.实验表明,该算法能够较好地跟踪目标的旋转、缩放运动,定位也更准确.     

一种结合ORB特征匹配的均值漂移目标跟踪算法

针对传统的mean-shift跟踪算法基于单一颜色特征空间,在复杂背景下难以对目标进行准确跟踪这问题,提出了一种结合ORB特征匹配的mean-shift目标跟踪算法。该算法在mean-shift算法的基础上利用改进的ORB特征匹配算法修正目标跟踪窗口并实时更新目标特征模板,通过计算前后两帧图像中目标中心的欧式距离与色彩模板的巴氏距离来判定跟踪是否失败,当目标跟踪失败时,不改变目标模板,继续搜索下一帧图像中的目标。实验结果表明,与均值漂移算法和基于其他同类特征的改进算法相比,该算法提高了在复杂背景下目标跟踪的精度,并能满足实时性要求。     

适于高频地波雷达工程应用的数据关联方法

针对宽波束高频地波雷达监测海面低速移动目标的工程应用要求,采用一种新的跟踪门预处理的联合概率数据关联方法对目标进行跟踪.基于数据关联性能评价函数和运动定理相结合的跟踪门规则能够减少跟踪门内非本目标的回波;在此基础上采用简化的联合概率数据关联算法对波门内的回波进行关联滤波,从而降低错误关联的概率并减小关联计算负荷;雷达实测数据分析表明,该方法计算量小,能够稳定、有效的实现高频地波雷达系统中的目标跟踪,适于工程应用.     

杂波下强机动目标跟踪自适应数据关联算法

杂波下的机动目标跟踪的综合概率数据关联(IPDA)算法是在概率数据关联(PDA)算法的思想基础上引入目标存在及可观测概率所形成的.本文进一步通过引入自适应调整因子,提出了针对强机动目标跟踪的自适应IPDA算法(CIPDA),并通过仿真论证,与传统的IPDA相比,CIPDA提高了对强机动目标跟踪的稳定性和精确度.     

数码立体显微视频多特征点人工智能跟踪研究

在对数码立体显微视频进行多特征点跟踪处理时,由于显微构件的倾斜旋转,以及视频目标重叠交叉等原因,导致特征点轨迹跟踪效果不理想.为此提出了基于粒子滤波状态观测的多特征点跟踪方法.首先建立基于空间变换的特征状态方程,并进一步设计了关于特征点位置、速度和噪声的观测模型,同时针对采样不均匀引入补偿处理.然后在计算状态方程的过程中,考虑到特征分布情况,设计了粒子滤波方法.利用状态矢量和对应权重构建粒子,通过粒子的分布概率更新其权重,同时根据权重计算出特征观测值.最后把特征点的动态变化和时间建立关联,将上述过程转换为限定条件下关于状态关联的寻优处理.通过关联门限和位置约束,预测得到关联状态构成的时间序列,即为特征点轨迹.通过仿真,验证了建立的多特征点状态观测模型能够准确描述显微视频中特征点的运动状态,获得更加精准稳定的跟踪性能.     

基于稀疏帧检测的交通目标跟踪

为了获取高速公路交通视频中目标车辆的行驶轨迹,提出一种基于视频的多目标车辆跟踪及实时轨迹分布算法,为交通管理系统和交通决策提供目标车辆交通信息.首先,使用YOLOv4算法检测目标车辆位置及置信度.其次,在不同场景条件下,使用提出的基于稀疏帧检测的跟踪方法,结合KCF跟踪算法,将车辆数据进行关联获取完整轨迹.最后,用车辆分布图和交通场景俯视图显示轨迹,便于交通管理与分析.实验结果表明,提出的跟踪方法在车辆跟踪中有较高的跟踪正确率,同时基于稀疏帧检测的跟踪方法处理速度也较快,实时轨迹分布正确反映了真实场景的车道信息以及目标车辆运动信息.     

基于改进模板匹配的目标跟踪算法

基于模板匹配的目标跟踪应用中,常见的一个问题是相似性度量值受噪声影响较大.为解决这个问题,提出了一种新的相似度量方法.通过采用距离加权、模板更新以及局部匹配的方法,提高了在不同光照条件及变形情况下跟踪算法的鲁棒性.对原算法和改进算法进行了对比实验,结果表明改进后的算法在存在严重遮挡的情况下,仍能准确地跟踪到运动目标.将mean-shift跟踪、基于子空间分解的粒子滤波跟踪及基于改进的模板匹配跟踪进行了比较,实验结果表明改进后的算法实现简单,跟踪性能与其他两种跟踪算法相近.     

基于联合条件随机场的移动机器人多目标跟踪

通过将目标与观测数据之间的数据关联抽象为标记序列,为移动机器人的多目标跟踪提出了一种具有多层次结构的联合条件随机场(joint conditional random field,JCRF).JCRF包括联合数据关联和运动目标状态估计两层随机场,不仅在联合数据关联中可以融合目标的形状信息和运动信息以提高目标跟踪的稳定性,而且可以同时进行目标检测与目标跟踪.利用JCRF模型,对基于激光距离传感器的多目标跟踪进行了研究,通过从激光距离传感器信息中分割出候选目标区域,采用匹配树降低标记序列的状态空间.在移动机器人平台上进行实验,结果表明,基于JCRF的多目标跟踪具有良好的精度、稳定性和实时性.     

一种粒子势概率假设密度滤波纯方位多目标跟踪算法

针对基于势概率假设密度算法(CPHD)的纯方位多目标跟踪,提出一种新型的多传感器粒子CPHD滤波算法.该算法通过分析混合线性/非线性状态模型的结构信息,结合粒子滤波(PF)与卡尔曼滤波(KF)对各个目标的状态进行预测与估计,运用Mean-Shift方法提取概率假设密度的峰值作为目标状态估计值,并对算法复杂度进行了分析.仿真结果表明,算法可改善目标跟踪效果.     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

自适应融合角点特征的Camshift目标跟踪

为了能够实时有效地跟踪运动目标,提出了一种新的自适应融合角点特征和颜色特征的Camshift目标跟踪算法。该算法融合了角点的特征不变性,并采用Mean-Shift算法提供的非参数核密度估计的统计思想,计算各特征的概率密度函数,用Bhattacharyya系数作为相似性度量函数,利用相似性度量值之比自适应地融合角点特征和颜色特征,将得到的新的概率密度分布结合Camshift跟踪算法实现目标跟踪。测试结果表明,该算法比传统的Camshift算法跟踪效果更好,更准确。     

一种多特征选择的自适应跟踪

提出利用混合Boosting算法根据目标信息和背景信息选择特征,建立特征排序分类器,并在跟踪的过程中不断自适应更新。采用卡尔曼滤波对目标区域进行粗预测,然后利用排序分类器结合mean-shift算法完成目标的精确跟踪。实验结果表明,该算法可以根据不同的目标和背景信息,自适应地进行特征选择,对于场景中存在光照、干扰、遮挡等情况,依然可以对目标进行实时有效的跟踪。     

Sequential kernel density approximation and its application to real-time visual tracking

Visual features are commonly modeled with probability density functions in computer vision problems, but current methods such as a mixture of Gaussians and kernel density estimation suffer from either the lack of flexibility, by fixing or limiting the number of Gaussian components in the mixture, or large memory requirement, by maintaining a non-parametric representation of the density. These problems are aggravated in real-time computer vision applications since density functions are required to be updated as new data becomes available. We present a novel kernel density approximation technique based on the mean-shift mode finding algorithm, and describe an efficient method to sequentially propagate the density modes over time. While the proposed density representation is memory efficient, which is typical for mixture densities, it inherits the flexibility of non-parametric methods by allowing the number of components to be variable. The accuracy and compactness of the sequential kernel density approximation technique is illustrated by both simulations and experiments. Sequential kernel density approximation is applied to on-line target appearance modeling for visual tracking, and its performance is demonstrated on a variety of videos.     

结合mean-shift与MST的K-means聚类算法

针对初始点选择不当导致K—means陷入局部最小值问题,提出一种结合自适应mean-shift与最小生成树（MST）的K—means聚类算法。将数据对象投影到主成分分析（PCA）子空间,给出自适应mean．shift算法,并在PCA子空间内将数据向密度大的区域聚集,再利用MST与图连通分量算法,找出数据的类别数和类标签,据此计算原始空间的密度峰值,并将其作为K．means聚类的初始中心点。对K—means的目标函数、聚类精度和运行时间进行比较,结果表明,该算法在较短的运行时间内能给出较优的全局解。     

各向异性带宽自适应水面运动目标跟踪算法

传统Mean-Shift跟踪算法缺少核函数带宽更新策略,故无法解决无人艇跟踪的水面运动目标轮廓变化各向异性问题,提出一种各向异性带宽自适应的Mean-Shift跟踪算法。先用黎曼积分将特征子模型概率密度的归一化常数C_h近似为积分形式,从而获得不同尺度参数h对应的C_h间关系式。然后用梯度上升法使目标模型和目标候选模型之间的相似度函数达到局部最大,由此估计目标在下一帧的带宽与位置。最后为防止带宽更新时结果过小或过大,引入两个正则化参数修正尺度参数。实验结果表明,所提算法对外形轮廓非同比变化的水面运动目标跟踪具有各向异性的带宽自适应调节能力,型心位置准确率较传统Mean-Shift和各向同性带宽自适应Mean-Shift提高了约77.2%和31.1%,运行速度可达20.7 fps,显示了其鲁棒性和实时性。     

基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法

针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法.首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪.仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高.     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

A novel multiple maneuvering targets tracking algorithm with data association and track management

A novel multiple maneuvering targets tracking algorithm with data association and track management is presented in this paper. First, the variation of the generalized pseudo-Bayesian estimator of first order is designed. Then, the data association and track management via handling two matrices are given, which reflect the relationships between target trajectory and the output of the Gaussian mixture probability hypothesis density (PHD) filter for jump Markov system models (JMS-GM-PHD) filter. The tracking performance of the proposed algorithm is compared with two conventional algorithms. One is JMS-GM-PHD filter, the other is algorithm entitled hybrid algorithms for multi-target tracking using MHT and GM-CPHD which is denoted as hybrid method hereinafter. The results of Monte Carlo simulation show that the proposed filter has overall performance than the conventional.