基于阵列单通道的DOA和信号源数目联合跟踪

针对现有阵列单通道系统对机动目标跟踪精度不高,实时性差等不足,提出了一种新的阵列单通道目标跟踪方法。该方法在利用接收机轮流采样建立频域阵列信号处理模型的基础上,通过对期望入射信号的估计,建立跟踪方程,然后引入可逆跳转马尔科夫链蒙特卡洛方法对粒子滤波算法进行改进,实现实时波达方向和信号源数目估计。仿真结果证明,此方法既可实现单通道的信号源数目和波达方向联合跟踪,又可实现波达方向估计与波束形成一体化,且跟踪精度较高。

基于RJMCMC的视觉多目标跟踪算法

研究了基于MCMC的多目标跟踪算法。针对MCMC迭代过程中抽样置信度低以及不能进行有效迭代的问题,提出一种新的基于RJMCMC的视觉多目标跟踪算法。给定观测量,将跟踪问题建模为状态量的最大后验估计(MAP)、关于MAP的先验与似然的估计。借助匹配阵给出了目标先验建议分布,设计了4种马氏链可逆运动方式;似然度量采用随空间加权的颜色直方图匹配衡量。MCMC抽样过程中的状态由MS迭代产生,而不是随机走生成。基于似然度量导出了MS迭代式。实验结果及定量分析评估结果说明了本算法的有效性。

贝叶斯框架下快速公交的站间运行状态推断

站间行程车速是度量快速公交运营服务和乘客体验的重要指标.由于红绿灯、行人过街等影响,快速公交车速分布往往呈现多峰现象,很难利用单一分布描述.本文建立了贝叶斯框架下基于多相站间车速的高斯混合模型,利用可逆回跳马尔科夫链蒙特卡洛方法推断快速公交站间运行状态,包括状态个数和各状态权重、速度均值和方差.以广州市快速公交为例,展示了该模型可很好地拟合多相车速数据,合理划分快速公交运行状态.发现广州市快速公交在早晚高峰容易衍生出新的运行状态,对于车速低于25 km/h的走廊,其运行状态个数较多,且更容易随时段发生变化,符合实际调查结果.可见本文提出的模型能有效地分析快速公交的速度分布特征和演变规律,验证了该模型的有效性.

基于局部背景加权和能量约束的多目标检测与跟踪算法

针对标记点处理方法用于多目标跟踪时效果不佳的问题,在标记点方法的基础上,提出一种多目标联合检测跟踪算法。改进的帧间差法用于目标的初步确定,通过局部背景加权进一步确定其与多个目标的标记。考虑动态模型的轨迹一致性问题,对动态目标、长时间跟踪和目标互斥相似等问题进行研究。针对非凸性的能量函数采用可逆跳转马尔可夫链蒙特卡洛进行优化。实验结果表明,在有高斯噪声情况下,与其他跟踪算法相比,该算法的检测和跟踪相似度最高,在卫星图像序列和自采集视频中的精度和召回率也最高,整体性能较优。

基于DeepMask和RJMCMC的遗留箱体检测

论文针对视频监控中的遗留箱体检测进行了研究,提出了基于深度神经网络特征提取及分割和贝叶斯网络建模相结合的检测方案。深度神经网络用于特征提取及个体分割以获取当前帧的似然概率及箱体检测,并使用贝叶斯建模方法将跟踪问题转化为状态的最大后验估计,在求解过程中采用RJMCMC的迭代采样法,以实现对可变多目标的跟踪。进而借助于RJMCMC过程的三种行为方式中的"新生"及跟踪状态,来判别箱体是否为遗留,从而实现对视频中遗留箱体检测。实验结果集定量分析评估表明了该算法的有效性。

基于滑动窗口均值先验的非同构动态贝叶斯网络转换点检测算法

为了放宽动态贝叶斯网络中的同构假设,提出非同构贝叶斯网络.基于此种情况,文中提出结合先验知识的可逆跳转的马尔可夫链蒙特卡洛算法(APK-RJ-MCMC).算法基本假设为如果一个时间点左右窗口中数据均值间的欧氏距离越大,则这个时间点作为转换点的可能性越高.基于上述假设,可得到关于每个时间点作为转换点可能性的粗略估计,将其作为先验知识调控可逆跳转的马尔可夫蒙特卡洛采样技术(RJ-MCMC)采样转换点时的生成、消除、转换动作的提议概率之比,进而调节状态跳转时的接受概率.在人工数据集和基因数据集上的实验表明,相比其它算法,APK-RJ-MCMC在转换点检测上具有更高的检测后验概率.

标记点过程用于点云建筑物提取

提出了利用标记点过程从机载激光扫描数据中直接提取建筑物的方法。该方法首先根据建筑物在点云中的几何特征建立Gibbs能量模型,通过目标的一致性建立模型的数据项,通过目标的拓扑性质等空间特性建立模型的先验项;然后,利用可逆跳转马尔科夫蒙特卡洛算法(RJMCMC)和模拟退火算法优化求解;最后,利用精细处理移除错误提取的地面点、噪声点和树木点,合并相邻的目标,实现建筑物目标的精确提取。利用3组ISPRS机载激光扫描点云进行实验,结果表明,该方法能够准确、有效地提取建筑物,具有较强的稳健性。