分布式多视角目标跟踪算法在OMAP3平台上的实现与优化

本设计在最新的TIOMAP3平台上实现分布式多视角目标跟踪算法。系统由多个摄像头及相应的处理部分组成,各个摄像头分别独立地采集图像数据并进行跟踪。本设计构造了分布式目标跟踪软件框架和网络传输协议,在各摄像头的跟踪算法中采用了最大似然估计、序列蒙特卡洛方法以及基于卡尔曼外观滤波的模版更新匹配等最新算法,同时对各摄像头算法进行优化以保证实时性。

基于贝叶斯理论的分布式多视角目标跟踪算法

为了有效解决传统单视角跟踪难于处理的目标遮挡问题,本文提出了一种分布式多视角目标跟踪算法.该算法首先基于贝叶斯理论,为多视角目标跟踪问题建立了分布式数据融合的概率框架;并利用粒子滤波器对所需后验概率进行近似,提出了自适应的观测模型和状态转移模型.各摄像机能够并行化地进行数据采集、处理、融合,而无需集中式处理单元;能够有效避免遮挡造成的误差传递,提高跟踪算法的鲁棒性.实验证明了本文算法的有效性.

基于最大似然的分布式多视角目标跟踪算法

针对多摄像机视频跟踪的应用场景,提出了一种具有分布式计算特点的目标跟踪算法。该算法首先利用最大似然准则对多视角目标跟踪问题进行建模,并对似然函数进行分解,最后借助消息传递机制高效求解出跟踪目标在各个摄像机视野中位置的估计值,而不再需要将图像数据传输到中央处理单元进行集中式处理。同时,通过融合多个视角的图像信息,有效地抑制了遮挡现象给跟踪结果造成的影响。定性和定量实验均证明了该算法的有效性。

无线传感器网络中的分布式目标被动跟踪算法

为提高目标被动跟踪性能,并降低无线传感器网络(WSN)中的能量开销,提出了一种新的分布式信息粒子滤波(IPF)算法。根据目标的当前位置,将WSN中的结点动态组织成簇,建立分布式跟踪结构。利用信息扩展卡尔曼滤波器结合最新的观测量,产生粒子滤波的建议分布,详细推导了基于动态分簇结构的IPF具体实现步骤。建立机动目标跟踪的WSN仿真环境,比较了三种跟踪算法的性能和通信数据量。仿真结果表明,IPF具有较高的跟踪精度,与集中式粒子滤波算法的跟踪性能接近,而且降低了节点间的通信数据量。

无线传感器网络分布式多目标跟踪算法研究

由于无线传感器网络的资源有限,集中式多目标跟踪算法在无线传感器网络多目标跟踪中受到限制。在无线声学传感器网络下,基于动态分簇结构,提出了一种分布式多目标跟踪算法。每个传感器的测量为来自单个目标或多个目标的声音信号和环境噪声的叠加。在跟踪过程中,每个目标对应于一个粒子滤波,当目标之间的距离较远时,进行单目标跟踪。当目标之间距离较近相互影响时,各个主节点通过信息交换实现对多目标的分布式跟踪。仿真结果表明,算法能够有效的实现对多目标的分布式跟踪,在节省能量的同时能够保证跟踪精度。

一种改进的分布式优化随机差分隐私算法

多智能体系统中的分布式优化隐私保护,利用邻居的信息来协同最小化所有智能体目标函数的和,旨在潜在窃听者能够获取所有通信信息的条件下,保护每个智能体的目标函数不被窃取。为了进一步提升性能,在梯度跟踪技术与现有DiaDSP算法的基础上,提出了在状态和方向上添加随机噪声的随机差分隐私算法,并证明了该算法不仅能够在概率意义下收敛到问题的最优解,还能够在信息交互过程中保持DiaDSP算法的隐私保护性能,而且通过添加随机的随机变量能够节省计算时间,提高优化效率。数值仿真结果显示,相较于DiaDSP算法,改进算法在p<1时收敛时间减少,收敛精度也有较大的提升。

一种改进的分布式多目标跟踪算法

将多平台分布式的IMM_Kalman(DIMM_Kalman)算法和IMM_JPDA(DIMM_JPDA)算法相结合,得到改进的DIMM_JPDA(DIIMM_JPDA)算法。在DIIMM_JPDA算法中,每个平台都有自己独立的IMM算法跟踪系统,每个IMM算法中都采用Kalman/JPDA滤波器,全局的滤波值由各平台的滤波值融合而成。然而在全局融合中,由于协方差矩阵可能出现奇异,导致计算的不稳定性或出现严重异常。为了克服上述问题的缺点,引入了特征值扰动方法,使该协方差矩阵变成非奇异矩阵。仿真实验表明改进的DIIMM_JPDA算法比DIMM_JPDA算法有更小的误差。

基于CKF的多雷达分布式再入弹道目标实时跟踪算法

鉴于分布式数据融合模式具有扩展性强、系统生存能力强的优势,提出一种基于容积卡尔曼滤波(CKF)的多雷达分布式再入弹道目标实时跟踪算法(DCKF)。首先利用统计线性误差传播的方法将CKF算法嵌入扩展信息滤波器得到容积信息滤波器,然后利用一致性算法将多量测值集中式滤波进行分布式等价表示以更新状态估计与误差协方差矩阵,得到DCKF算法。区别于带有数据融合中心的集中式算法,该算法中数据信息的交互仅在具有通信链路的相邻雷达间进行,无数据融合中心。仿真结果表明,DCKF算法能有效提高单雷达测站弹道目标实时跟踪的精度,而且相较于多雷达集中式算法保证了跟踪精度,证明了算法的有效性。

分布式动态一致性非线性目标跟踪策略研究

针对集中目标跟踪和分层目标跟踪中心节点通信瓶颈以及容错性能差的不足,提出了一种分布式动态一致性非线性目标跟踪策略。目标状态初始化由网络节点采用加权最小二乘法完成。整个跟踪过程采用动态成簇策略,分阶段选择并唤醒任务节点检测目标并执行分布式一致性扩展卡尔曼滤波策略完成目标的状态估计,其余节点进入休眠状态从而能降低系统的能耗。从跟踪误差和能量两个方面,与集中目标跟踪算法相比,仿真结果表明所提算法与集中卡尔曼滤波相比,跟踪精度相当,适用于要求高可靠度的非线性跟踪。此外分布式的工作方式使得节点仅需与邻居交换数据并在局部完成状态估计,消除集中式结构中心节点的瓶颈,以保证部分传感器节点的损坏不会影响到全局任务的完成。

异类传感器信息融合的分布式滤波算法

基于联邦滤波算法,对雷达/红外双模导引头数据融合算法进行了研究,给出了基于雷达/红外双模导引头跟踪系统的结构及算法模型。针对典型工作状况参数,对匀速、匀加速、机动等目标运动状态进行了蒙特卡罗追踪仿真。仿真结果表明:基于联邦滤波的分布式融合跟踪算法,对各种目标运动状态下的位置、速度跟踪精度和抗干扰能力都相对于雷达单模跟踪的较好。

基于分布式纳什Q学习的多传感器协同目标跟踪

针对传统目标跟踪算法过分依赖环境模型的问题,提出了一种基于分布式纳什Q学习的多传感器协同目标跟踪算法.分析了强化学习与分布式纳什Q学习算法的原理;描述了多传感器的协同跟踪态势,建立了离散系统的非线性模型,给出了传统的扩展卡尔曼滤波解决方法;定义了对分布式纳什Q学习性能影响至关重要的传感器行为和奖惩函数,奖惩函数通过计算预测误差方差阵的迹得到;采用基于贝叶斯推理的概率统计方法解决了Q函数的更新问题.纯方位量测信息的被动跟踪仿真结果表明,相比于传统滤波算法,该算法增强了传感器对环境变化的适应性,实现了对目标的有效跟踪,提高了跟踪精度.

无线传感器网络目标分布式跟踪算法研究

在无线传感器网络多目标跟踪中大多采用集中式多目标跟踪算法,但该算法具有有极大的局限性。因此,本文就无线传感器网络下,提出一种分布式多目标跟踪算法,仿真结果显示,该算法能完成对多目标的分布式跟踪,并且跟踪精度较高。

滤波增益优化的分布式多传感器跟踪技术

分析比较了集中式与分布式多传感器融合跟踪系统的跟踪精度。在此基础上 ,对分布式融合跟踪系统进行优化 ,在保留系统原有优点的同时 。

网络协同跟踪下广义分布式航迹关联方法

针对协同网络下的多目标跟踪问题,提出了一种广义分布式航迹关联算法。首先对序贯航迹关联准则进行分析,构造了广义分布式航迹全配对似然函数以及航迹关联统计量;在此基础上,建立广义航迹关联的数学模型,从而将分布式航迹关联转化为多维分配问题;然后利用改进免疫算法来寻求最理想的航迹关联。在航迹关联过程中,先利用chi方分布的假设检验来排除明显不相关的关联组合,再通过计算免疫抗体的适应值来确定多节点航迹间的关联关系;最后利用航迹关联评价指标对所提出的方法进行评估。仿真结果显示,该方法在密集目标环境下具有较好的关联稳定性,与序贯航迹关联方法相比,关联效果得到明显改善。

一种基于异步传感器网络的空间目标分布式跟踪方法

为解决传感器网络在空间目标分布式跟踪过程中的异步采样及通信延迟问题,该文提出一种异步分布式信息滤波算法(ADIF)。首先,局部传感器与相邻节点之间以一定的拓扑结构传递带采样时标的局部状态信息和量测信息,然后将收到的异步信息按时间排序,使用ADIF算法进行计算,分别对目标状态进行估计。该方法实现简单,传感器间通信的次数少,支持网络拓扑的实时变化,适用于空间目标监测中的多目标跟踪问题。该文分别对空间单目标、多目标跟踪进行了仿真,结果表明算法可以有效解决异步传感器滤波问题,分布式滤波精度一致逼近于集中式结果。

分布式智能监控系统在锅炉蒸汽温控中的应用

针对火力发电厂中运行系统的特点,应用Lab View编程软件设计了一种基于智能控制理论的分布式火电厂监控系统。系统采用数据采集卡PCI-8360V实现上位机与控制平台的通信,同时基于负荷优化分配的思想引入了负荷跟踪控制理论,与模糊PID智能算法相结合,在可视化监控界面中以趋势图的方式实时显示数据分布趋势。结果显示,控制目标温度与实际仿真数据的误差缩小到2~3 K,较为理想。该系统可以较好地提高电厂监控系统的实时性,有实际的应用价值,适用于火电厂特殊环境的要求。

一种相干分布源中心DOA快速跟踪算法

在智能天线和无线定位等技术中,精确跟踪目标的波达方向(DOA)十分重要。大多数传统的DOA跟踪方法都将目标信号看成是点源。但在密集的移动通讯环境中,信号的多径散射将引起信号能量的扩散,采用分布式信源模型更适合。因此,研究分布源的DOA跟踪技术更有意义和价值。针对相干分布源,本文基于均匀线阵提出了一种中心DOA快速跟踪算法。该算法首先通过正交紧缩近似投影子空间跟踪(OPASTD)算法实时更新信号子空间,然后利用一种低复杂度的方法估计分布源的中心DOA。本文算法避免了对样本协方差矩阵进行重复的特征分解,计算复杂度较低。算法的跟踪性能良好,并能有效跟踪多个分布源。此外,算法不需要分布源角分布形式的先验知识,稳健性好。仿真结果证实了算法的有效性。

基于分布算法的人体运动跟踪系统

运动跟踪问题是一个概率推理问题,技术上的关键困难在于,在给定观测条件下始终对物体位置的后验概率的准确表示,并且高效。文中提出一种基于.Net Remoting分布计算的人体运动跟踪算法,通过引入二阶自回归运动模型来提高后验概率的准确性,并根据粒子滤波器的众多粒子可独立预测的特点,利用分布算法作为提高系统性能的措施来保持跟踪的高效性。实验结果表明,该算法的跟踪鲁棒性良好,当出现跟踪丢失的时候,可以自动恢复正确跟踪,并且能较好处理遮挡问题。

基于能量限制的分布式无线传感器网络调度

针对能量有限条件下无线传感器网络调度问题,提出基于能量限制的分布式无线传感器网络调度方法。该方法以节省能量消耗为目标建立无线传感器网络调度模型,并为提高模型求解的计算速度和结果质量,提出了基于Boltzmann选择策略的改进布谷鸟算法。仿真实验结果表明为节省计算时间,在目标状态改变速度较快的情况下,选择本文提出的短时调度方法既能缩短调度方案的计算时间,又能获得较好的目标跟踪效果。

分布序列最近邻多目标跟踪算法

提出了一种有效分布多目标跟踪算法。该分布跟踪系统由两个主要组件构成：本机传感器级别跟踪器和一个跟踪融合器。在跟踪融合器中，传感器的本机跟踪先转换成公共坐标系并通过线性卡尔曼滤波器同步。称为顺序最小归一化距离最近（ＳＭＮＤＮＮ）邻的跟踪相关技术及择多判决（ＭＤＭ）被用于使不同传感器的跟踪相关。利用顺序最小的均方差（ＭＭＳＥ）融合方法，融合已相关跟踪。如果大多数传感器指出同样的跟踪。