基于混合现实的交互行为目标跟踪算法设计

为了准确地跟踪交互行为动态目标,开展了基于混合现实的交互行为目标跟踪算法研究。首先,创建适合目标跟踪的混合现实环境,建立交互行为目标运动模型,得出目标的位置、运动轨迹及交互行为信息。其次,根据目标运动的特点和模型需求,提取交互行为目标特征,为目标跟踪提供基础数据。最后,设计目标跟踪算法,找出最佳匹配的特征点,通过在连续帧之间匹配目标特征来实现跟踪。实验表明:静态目标跟踪平均精度为±0.03 m,速度为35 Hz;动态目标跟踪平均精度为±0.08 m,速度为28 Hz;手势识别准确率达到95%;姿态估计误差仅为3°。

基于归一化注意力机制的特征自适应融合目标跟踪算法

针对快速运动目标跟踪时图像的形变和低分辨率等问题,基于当前的孪生网络,提出一种基于归一化注意力机制的特征自适应融合目标跟踪算法。首先,通过轻量级的注意力机制抑制不太明显的权重,对注意力模块施加权重稀疏惩罚,并对主干网络最后4个特征层进行路径增强;其次,为捕捉在线跟踪过程中目标的外观变化,提升算法鲁棒性,提出了一种插件式的模板在线更新方法;最后,利用回归增强分类的方法完成对目标的跟踪。实验结果表明:该算法在OTB100,UAV123两个挑战性数据集上分别取得了63.3%和59.5%的较高成功率;同时,在外界光照变化、图像背景复杂、目标平面内旋转时,算法具有较强的鲁棒性。

改进图卷积神经网络的目标跟踪算法在体育运动场景中的应用

为提高目标跟踪算法在复杂体育场景中的跟踪能力,改进图卷积神经网络邻接矩阵构建方式、动态调整搜索区域,进而优化体育运动场景中目标跟踪算法.改进的图卷积神经网络基于互信息构建邻接矩阵,通过两层图卷积神经网络融合特征信息、变换特征维度,节点特征与其邻接节点特征融合结果作为全连接层的输入,得出运动目标姿态预测值.自适应动态调整搜索区域的目标跟踪策略,采用4个相邻两帧运动距离上限值自适应调整搜索区域的放大倍数,准确捕获目标所在区域.测试结果表明,该方法可以较好解决光照变化、姿态变化、物体遮挡条件的运动目标跟踪问题,目标跟踪精准度区间为[94.4%,98.1%],有效提升了改进图卷积神经网络跟踪能力.

一种多特征和动态权重策略的目标跟踪算法

传统的单一特征很难准确描述目标的外观特征,无法对目标进行大范围的精确跟踪。针对这一问题,提取卷积特征和颜色直方图特征分别训练相关滤波模型,并提出了一种动态权重策略可自适应地融合两种特征响应图。在模型更新方面,引入目标周围的背景信息,共同训练相关滤波器。将该算法在OTB2013和OTB2015数据集上进行了测试。实验结果表明,该算法可以有效地提高跟踪的准确性和成功率。

两站无源定位系统中的多目标跟踪算法研究

两站多目标纯方位跟踪中的虚假定位点识别问题是被动定位中尚待解决的一个重要问题,本文对此问题进行了研究,并给出了一种排除两站虚假定位点的新方法,该方法首先根据两个观测站在初始时刻所测得的角度进行交叉定位,由定位结果估计目标初始时刻所在的空间范围,并对此空间范围进行分区;然后对方位数据进行关联,以判断哪些方位角数据可能来自同一个目标;在每一个子区间上分别利用扩展卡尔曼滤波模型(EKF)进行滤波,并给出目标落在每个子区间上的概率,把此概率值作为权重对各个子区间的滤波结果进行加权来估计目标的状态;该概率值在以后的跟踪过程中按照贝叶斯准则不断进行更新,而更新概率低于检测门限的子区间予以取消.通过仿真分析可看出,利用本文提出的方法两个观测站可对多目标进行良好的定位和跟踪.

一种改进的基于颜色直方图的实时目标跟踪算法

基于颜色直方图的目标跟踪算法主要是利用彩色图像的颜色直方图信息 ,在获得颜色直方图水平投影和垂直投影的基础上 ,综合考虑运动预测和帧间的相似性 ,确定目标的位置 ,并结合模板更新的思想不断自适应地调整被跟踪目标的模板 ,从而实现对目标的跟踪。本文提出的算法在原有的基于颜色直方图的目标跟踪算法的基础上 ,进行了两个方面的改进 :(1)提出一种改进的直方图定义 ,使本算法能更好地实现对小目标物体的跟踪 ;(2 )采用双模板更新与匹配的方法 ,使本算法对突变情况具有更强的鲁棒性。实验证明 ,本算法在保证跟踪准确度的同时 。

基于扩展Kalman滤波的空基多平台多传感器数据配准和目标跟踪算法

本文研究基于扩展 Kalm an滤波和多个空中移动平台的多传感器数据配准与目标跟踪问题 .文中首先给出了空中移动平台传感器数据配准几何坐标转换算法 ;接着将目标运动模型和传感器配准误差模型组合在同一个状态方程中 ,然后利用扩展 Kalman滤波方程进行估计 .Monte- Carlo仿真表明 。

基于EKF的毫米波雷达多目标跟踪算法研究

针对车载毫米波雷达多目标跟踪过程中存在量测数据受噪声影响严重和跟踪目标运动状态为非线性的问题,提出一种基于扩展卡尔曼滤波器(EKF)的车载毫米波雷达多目标跟踪算法。首先,建立了多目标跟踪过程中跟踪对象的数学模型;其次,介绍了多目标跟踪算法,并具体对扩展卡尔曼滤波器在该算法中的应用进行了详细的推导和研究;最后,开展了车载毫米波雷达多目标跟踪实验,并对跟踪结果作出了深入的理论分析。实验结果表明,该算法可以对车载毫米波雷达探测到的多个目标量测信息进行滤波跟踪。

基于聚类融合的多目标跟踪算法

多目标跟踪是多传感器数据融合中的一个重要问题。基于模式识别理论 ,提出了一种通过对传感器测量数据集类 ,以区分源于不同目标的测量数据集合。对各个类对应的目标状态估计进行融合 ,从而实现了对多目标的实时跟踪。这种算法聚数据关联、数据融合和目标跟踪于一体 ,大大降低了多目标跟踪问题的复杂性和计算量。实际数据实验充分表明了本算法的有效性。

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络（PNN）实现了对图像序列中移动目标——人头的跟踪．由于采用单一特征信息的跟踪算法在复杂环境中往往失效，故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据，并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正．实验结果表明，基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果，且具有简单、跟踪鲁棒性好等特点．

一种基于特征的多目标跟踪算法

论文提出了一种基于特征的多目标跟踪算法。根据目标在相邻帧间运动具有连续性,并且包围窗口、灰度变化不大的特点,该算法改进了一种代价函数。在跟踪的匹配过程中,启动了卡尔曼滤波,预测目标匹配搜索区域。同时,使用目标链记录了目标最新的运动状态和特征值,保证了运动跟踪的连续性。

基于模板匹配的目标跟踪算法在红外热成像跟踪技术上的应用

介绍一种优化的快速模板匹配算法,可实现目标实时提取、识别和跟踪,并成功应用于红外热成像跟踪技术的研究,解决了复杂背景条件下目标跟踪稳定度差的技术难点。该算法用Vi-sualC++编写,可方便地移植到其它操作平台或嵌入式系统。

基于雷达/红外神经网络融合目标跟踪算法

提出一种基于雷达/红外传感器神经网络融合的机动目标跟踪算法,利用神经网络的非线性逼近能力,将神经网络与卡尔曼滤波器相结合构成一个非线性估计器,该算法可以对来自红外成像传感器的补充信息加以充分利用,进行机动检测,把计算负荷转移到神经网络,在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于一般的非线性估计算法,它最明显的优点就是减少了数字计算上的复杂性,提高了跟踪算法的快速性。

基于混合相关滤波信息融合再检测的目标跟踪算法

为了减小在目标跟踪过程中目标形变和复杂背景变化对跟踪效果的影响,提出一种基于混合相关滤波信息融合再检测的目标跟踪算法。首先,利用相关滤波算法提取到目标的方向梯度直方图HoG特征,利用颜色模板得到目标的颜色特征,计算两个模板的采样得分;其次,再将两者的特征信息用线性组合的形式进行特征信息融合确定目标位置,跟踪过程中,根据设定的阈值条件选择两个模板采样较大的得分再检测目标的位置;最后,输出所有帧目标位置的结果。与其他的算法进行比较,该算法在应对目标形变和背景杂波方面有较好的跟踪效果。

一种线性调频波形下的目标跟踪算法

研究在线性调频波形下把径向速度 (多普勒 )测量引入 Kalman滤波的新方法 ,分析了距离和径向速度测量的统计特性以及距离 -多普勒耦合引起的偏差 ,给出了位置测量噪声与径向速度测量噪声的协方差 ,导出了一个等价的径向速度测量方程 ,其测量噪声与位置测量噪声统计是不相关的 ,由此得到一个序贯处理的滤波算法。蒙特卡罗仿真表明 ,通过采用这一新算法引入径向速度测量 ,可以有效地消除距离 -多普勒耦合引起的偏差 ,大大提高状态估计的精度 ,而且其估计性能优于传统的推广

一种单站纯方位目标跟踪算法研究

纯方位目标跟踪是水下目标定位跟踪的重要问题。伪线性估计算法是主要的纯方位目标跟踪算法中之一,在水下目标定位跟踪领域中得到了广泛的应用,其计算简单,但估计结果严重有偏。为了克服伪线性估计算法的估计有偏性,提出一种新的辅助变量方法,利用过去观测的三个方位来预测当前方位,从而消除该算法的估计偏差,得到理论上无偏的修正伪线性估计算法。通过多次计算机仿真计算,表明该算法是一种递推、稳定以及无偏的估计算法。

基于多特征级联的目标跟踪算法研究

为了增强目标跟踪的有效性,提出了一种以粒子滤波作为跟踪框架,基于多特征级联的目标跟踪算法。以log-Gabor滤波器作为粒子判别级,滤除一定数量的无效粒子以提高粒子滤波的性能;再级联融合了log-Gabor特征、局部二值模式(LBP)特征和方向梯度直方图(HOG)特征的粒子加权级,实现目标跟踪。应用log-Gabor滤波器良好的频率响应对粒子做出总体评估以决定其有效性,同时以log-Gabor滤波器输出张成的频域特征。配合LBP和HOG局部特征,处理目标总体信息和细节信息,利用混合高斯模型突出后验概率分布中的峰值状态。实验结果表明,该文算法能快速去除无效粒子,实现目标的鲁棒跟踪。

自适应采样间隔的无线传感器网络多目标跟踪算法

多目标跟踪是无线传感器网络当前研究的热点问题。针对多目标跟踪存在耗能较大,跟踪丢失等问题,提出了一种自适应采样间隔的多目标跟踪算法。采用跟踪目标的定位元数据来对目标的运动模式进行建模。基于扩展的卡尔曼滤波器来预测跟踪目标状态,采用预测目标定位的概率密度函数构建跟踪簇。通过定义跟踪目标中心,基于马氏距离来量化主节点MN的选举过程。通过跟踪目标重要性和其与MN之间的距离来量化目标的影响强度,并以此构建自适应采样间隔的多目标跟踪算法。基于MATLAB进行了仿真实验,实验结果显示,本文设计的跟踪算法能准确预测目标的运动轨迹,能随着运动目标的状态实时采用自适应的采样间隔。通过数据分析得知,本文提出的算法能在实现WSN网络节能的基础上提高跟踪精度。

基于协方差交集的多机器人协作目标跟踪算法

为了解决未知环境下多机器人协作目标跟踪问题,设计了一种基于协方差交集数据融合的分布式解决算法.单台机器人运用全协方差扩展式卡尔曼滤波器完成未知环境下机器人状态和目标状态的同步估计,当单台机器人发现同伴并利用观测值对同伴机器人状态进行本地估计后,将结果连同目标状态一起发往同伴机器人,同伴机器人进行数据验证后,采用基于协方差交集的数据融合算法完成本地相关状态的更新,由于并不需要知道相关估计对象之间的协方差阵,因此算法具有分布式特点.仿真实验证明了算法能够有效提高机器人对于自身状态、环境特征状态以及目标状态的估计准确性.

模型集和IMM自适应的目标跟踪算法

本文在仿真试验和理论分析基础上,首先给出了一种自适应IMM算法。再根据变结构IMM思想,把该算法与具体的运动模型相结合,提出了模型集和IMM算法都是自适应的机动目标跟踪方法。该方法在模式空间连续的情况下,模型集合逐步收敛到给定的范围内。文中给出了两种方法的具体实现步骤,并对文[6]中的AGIMM方法作了修正。仿真试验中把两种方法分别与传统的IMM算法和文[6]的方法进行了比较,结果表明在目标机动情况下,两种方法在性能上均有不同程度的提高,从而证明了本文所提算法的有效性。