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。

多源多目标跟踪聚类算法

本文提出了一种改进的多源约束聚类算法,以解决多传感器多目标跟踪(Multi-Object Tracking/Estimation,MOTD)问题。MOTD问题对应于在缺乏噪声和目标运动模型等先验信息的情况下,对多个传感器的量测数据进行聚类。针对现有算法对选定传感器量测敏感的问题,本文提出的算法首先根据选定传感器量测数据点的局部密度,对该传感器量测数据进行筛选排序;其次,对排序后的每一个量测数据点,计算其和其他传感器量测的高斯核距离,每个传感器返回距离最小的数据点;最后计算截断距离内的数据点的数量,当大于给定阈值时判定这些数据点为目标产生的量测,簇的中心(个数)即为目标的位置(个数)。实验结果表明,对比现有多源聚类算法,本文提出的算法在传感器目标检测概率较高的场景中聚类精度和聚类速度均有所改善。

基于双视点立体系统的特征点匹配物体跟踪算法研究

在双视点立体系统中,运动物体跟踪是计算机视觉中一个热门的研究领域.为了精确地获得运动物体的像素点,我们提出了一个新的物体跟踪算法:首先计算运动物体的特征点,然后对其进行匹配,最后连接匹配的特征点并形成轨迹.算法在分辨率为640×480和768×576的视频文件中进行.结果表明:与L-K光流法相比,新算法可以更鲁棒性地检测运动物体并获得更精确的运动轨迹.

基于PPP模型的多扩展目标跟踪的JPDA算法研究

针对多扩展目标跟踪问题,提出了基于泊松点过程( Poisson Point Process, PPP )模型的多扩展目标跟踪的联合概率数据关联( Joint Probabilistic Data Association, JPDA )算法。首先,采用PPP对扩展目标进行测量建模,其次以“多对一”关联模型思想提出一种JPDA算法,从而计算运动目标的当前有效量测的边缘关联概率,然后结合该边缘关联概率以概率数据关联( Probability Data Association, PDA )的方式分别更新每个扩展目标的运动参数和形状参数向量,最后通过仿真实现了当扩展目标相互靠近或出现交叉时的跟踪。实验结果表明,在高杂波环境下,本文所提出的算法在计算时间和跟踪稳定上具有较明显的优势。

基于SIFT局部特征的图像检索算法研究

随着智能手机的大规模普及,互联网上的图像数量呈现指数级增长趋势。如何有效检索这些图像,是计算机视觉和多媒体领域的一个研究热点。笔者提出了一种新的图像检索算法,该算法通过SIFT算法提取局部特征生成特征向量空间,通过非极大值抑制算法(NMS)对特征空间进行抑制得到最大特征向量,再通过BOW算法来提取特征向量和码本之间的对应关系来检索图像,实验结果表明了该算法的有效性和可靠性。