基于PHD的多扩展目标联合检测、跟踪与分类算法

针对杂波和噪声背景下空间距离较近的扩展目标数目和状态难以估计的问题,提出了基于扩展目标概率假设密度滤波器(ET-PHD)的多目标联合检测、跟踪与分类算法,并给出了该算法基于粒子滤波的实现方法.算法在滤波器中引入了属性量测信息,预测阶段的粒子按照其类别进行传播,更新阶段对所有粒子进行联合更新,更新结束后将粒子按照类别进行分类,各类别的粒子集表示了其相应类别目标的PHD分布.该算法具有模块化结构,计算复杂度为O(mn).数值仿真场景包含两类扩展目标并行运动和两类扩展目标交叉运动.结果表明,该算法可以同时估计扩展目标的类别、数目和状态,并且平均最优次模式分配距离相比传统算法的降低幅度超过50%.

多传感器目标检测跟踪与分类算法

在目标准确检测优化的研究中,单传感器联合检测、跟踪和分类算法是一种新型算法,可以同时对目标进行检测、状态估计和类别判断。然而上述算法估计目标数目、状态与类别性能较差。采用多传感器方法对目标进行观测,可以显著提高目标检测、跟踪与分类效果。提出基于粒子概率假设密度(PFPHD)滤波器的多传感器联合检测、跟踪和分类算法。首先通过对各传感器信号进行建模,提取目标的属性量测,然后引入目标的属性信息对目标状态空间进行重新建模,从而得到目标综合状态,最后利用多个传感器的量测对综合状态进行序贯处理。仿真结果表明,与单传感器联合算法相比,上述算法能够更准确判断多目标类别,目标数目估计精度和跟踪精度均提高20%以上,验证了算法的有效性和可行性。

基于复合约束的视频目标跟踪算法

针对视频目标跟踪过程中,目标遮挡往往导致跟踪失败的问题,提出了一种基于稀疏表达和多任务学习的目标跟踪算法。将求解粒子稀疏表达的过程看作是一个多任务学习问题,在求解稀疏表达系数时将目标系数矩阵和冗余系数矩阵分开求解。由于粒子选择目标模板的相似性,选择用l1,∞范数对目标系数矩阵进行约束以获得组群稀疏特性;由于遮挡出现位置的随机性,选择用l1,1范数对冗余系数矩阵进行约束以获得元素稀疏特性。最后采用ADMM优化算法对复合约束模型进行优化。复合约束模型不仅考虑了粒子之间的相关性,同时能够更准确地重构随机出现的遮挡,降低了遮挡对于跟踪器识别目标造成的干扰实验。结果证明,基于复合约束的目标跟踪算法对于遮挡问题具有良好的鲁棒性,同时具有较高的跟踪精度和速度。