基于联合检测的多目标跟踪方法研究

为了更好地应对多目标跟踪联合检测算法面对的场景遮挡问题,通过结合注意力机制,提出基于Transformer的运动预测和数据关联(Transformer-based motion prediction and data association,TrMPDA)联合检测跟踪方法。首先,考虑到置信度检测框的质量以及深度特征的视觉表示能力对遮挡场景下跟踪效果的影响,重新设计TrMPDA骨干网络中的ResNet卷积模块,利用相邻像素和长距离像素间丰富的上下文关系指导动态注意矩阵的学习,增强深度特征的视觉表示能力,并通过边界框的宽和高估计边界框位置,提高置信度检测框的质量。其次,在本文方法中保留所有的检测框,根据阈值大小划分高置信度检测框和低置信度检测框,分别执行数据关联匹配,以此来平衡由于遮挡导致的检测框低置信度。实验结果表明本文提出的TrMPDA方法与典型的Sort、JDE、Fairmot等多目标跟踪算法相比具有更好的跟踪效果,能够应对多目标跟踪中目标遮挡的问题。

基于时间节点联合估计的多平台纯方位机动目标跟踪算法

针对水面及水下纯方位变速、变向目标机动检测跟踪问题,提出一种基于时间节点联合估计的多平台纯方位机动目标跟踪算法,该算法将目标的机动时刻等价于“时间未知节点”,基于Taylor级数运动要素估计方法直接对目标机动时刻、目标机动前后运动要素进行估计。机动检测特征是估计机动时刻以及估计机动时刻迭代分量的迭代过程,当迭代过程震荡发散,或机动时刻估计值不在观测时间范围内时,目标未发生机动。仿真结果表明,该算法在跟踪中远距离海上变向变速目标时,具有较低的机动检测虚警率和较高的跟踪精度。

一种面向纯方位机动目标跟踪的伪线性卡尔曼滤波方法

针对单站纯方位地面机动目标跟踪问题,提出一种改进距离参数化工具变量伪线性卡尔曼滤波算法。首先基于观测站探测范围,利用距离参数化将目标与观测站的相对距离划分为若干个子区间,并独立运行工具变量伪线性卡尔曼滤波器。然后基于滤波新息与新息协方差更新子滤波器权重并检测目标机动,通过重置子滤波器的权重和状态信息保证滤波稳定。最后将各子滤波器状态信息加权融合获取目标的状态,解决目标初始距离未知以及目标机动导致跟踪精度下降的问题。仿真结果显示,本文提出的算法的位置跟踪精度比传统方法有显著提高,能有效实现对机动目标的跟踪。

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。

优化的多模型粒子滤波机动微弱目标检测前跟踪方法

在机动微弱目标的检测和跟踪方面,当前主要研究方法之一是多模型粒子滤波检测前跟踪(MMPFTBD),该方法以尽可能多的运动模型去匹配目标的机动,符合运动模型精细化研究方向,但存在模型数目与类别较多,模型之间转移计算复杂和有效模型使用效率低等问题。本文从多个运动模型结构上的相似性出发,提出一种优化的多模型粒子滤波检测前跟踪方法,通过粒子机动加速度的变化,在一个模型框架下模拟出类似MMPF-TBD中的多种机动模型,简化了算法结构;在该方法实现过程中,采用辅助粒子滤波提高状态估计精度。仿真实验表明该方法相比MMPF-TBD具有更稳定的检测和跟踪性能以及在低信噪比环境中更好的适用性。

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%.

基于标签多伯努利滤波器的机动小目标检测前跟踪

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间,能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模,将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上,为了实现对运动模型时变目标的检测前跟踪,将交互式多模型(IMM)与LMB检测前跟踪算法相结合,提出IMM-LMB检测前跟踪算法.此外,给出了该算法的序贯蒙特卡罗实现.仿真结果表明,所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪,且能够在线更新多模型概率,更好的适应多机动目标场景.

基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息,基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法,提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中,对各高斯项编号,进行航迹提取,在滤波处理的同时形成带有航迹编号的明确航迹,并进行航迹管理;同时,根据目标运动模型,联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时,对目标航迹进行有效类型识别.

基于网络流跟踪的信号灯检测方法

结合信号灯信息对机动车行进速度进行引导,减少机动车启停次数,可有效减少废气排放,缓解其造成的污染问题。针对信号灯转换时刻的获取问题,提出了一种基于网络流跟踪的信号灯检测方法。首先,该方法在数据集中引入辅助信号灯类别进行训练,将视频序列中该类目标检测结果关联为踪片,并通过踪片建模多目标跟踪任务。其次,该方法将多目标跟踪任务转换为最小费用流优化任务,以踪片作为节点建立最小费用流网络,提出了适合于信号灯的费用构建方式,通过最短路径算法求解,得到视频序列中辅助信号灯的多条轨迹。最后,基于求解的轨迹结果和图像分类技术,实现信号灯检测性能的提升。该方法的跟踪性能相较于对比算法有大幅提升,并将小目标信号灯检测响应的mAP提升至94.35%。实验结果表明,基于网络流的建模方式能极大地提升信号灯的跟踪准确率,结合跟踪轨迹还能大幅提高视频序列中小目标信号灯的检测准确率,并可有效确定信号灯状态的转换时刻。

多级弹道目标主动段机动检测自适应跟踪算法

目前用于多级弹道目标主动段跟踪的"当前"统计模型无迹卡尔曼滤波算法在级间分离等强机动段会出现滤波误差大幅突跳的问题.通过理论分析和仿真指出滤波器参数不能随目标机动强弱自适应调整是根本原因.提出了一种基于滤波残差均值延迟相关的机动检测统计量,给出了其概率分布.仿真结果表明它比传统检测方法有效提高了检测性能.在此基础上给出了一种实时调整"当前"统计模型中机动频率的自适应跟踪算法.仿真结果表明,新算法能有效抑制误差突跳,加快滤波收敛速度,将主动段滤波精度提高一倍以上.

无序量测下的机动弱目标检测前跟踪

针对无序量测(OOSM)情况下的机动微弱目标检测与跟踪问题,提出一种基于OOSM和多模粒子滤波(OOSM-MMPF)的检测前跟踪(TBD)算法。该算法通过直接利用OOSM对粒子权重进行更新,并在此基础上对粒子集进行重采样,从而实现OOSM情况下的目标状态更新。由于充分利用了OOSM包含的信息,该算法可以有效提高机动微弱目标的正确检测概率与跟踪精度。仿真结果表明,该算法可以有效处理OOSM问题,实现对机动弱目标的有效检测和跟踪,其算法性能接近顺序量测滤波时的MMPF算法性能。

基于抛物线随机Hough变换的机载脉冲多普勒雷达机动弱目标检测前跟踪方法

为解决机载脉冲多普勒(PD)雷达对机动弱目标进行检测与跟踪的问题,构造了一种基于抛物线随机Hough变换(RPHT)的检测前跟踪(TBD)算法。该算法通过模糊区间对目标的模糊量测进行距离多假设扩展,从而提取量测中的时空相关信息。利用RPHT方法将目标扩展量测转换到参数空间,并在参数空间对目标的机动航迹进行积累。在算法实现过程中,通过方位变换的方式对传统的RPHT方法进行了改进,以降低算法计算复杂度。该方法将机动弱目标解距离模糊问题转换为TBD框架下基于RPHT的航迹检测问题,避免了微弱目标的低信噪比造成的航迹漏检。仿真结果验证了该算法的有效性。

基于联合多目标概率密度模型的多目标检测前跟踪算法

针对多目标环境下的检测前跟踪问题,提出了基于联合多目标概率密度(JMPD)模型的检测前跟踪(TBD)算法。JMPD模型同时模拟目标数目及其联合状态,采用粒子滤波递归估计JMPD实现目标数目及其状态的估计。仿真实验表明,所提算法在较小的延时检测的情况下,能准确估计目标的出生及消亡,并且航迹跟踪精确稳定,实现了对多个微弱目标的检测及跟踪。

水声目标机动检测与跟踪

当今海战场水声目标往往采用机动方式航行,打破了目标匀速直线运动假定的传统。通过对水声目标的机动模式分析,可将目标的运动轨迹近似为折线运动进行研究。提出了水声目标的机动检测与跟踪方法,简化机动检测的复杂度,最后讨论了对机动目标长时跟踪的策略。

一种基于目标检测和联合概率数据关联的多目标跟踪方法

针对多目标跟踪问题,提出了一种基于目标检测和联合概率数据关联的方法。将目标检测的结果作为系统的观测值,采用联合概率数据关联方法对它们在时间上做数据关联,最后采用卡尔曼滤波对关联好的观测值和状态值做滤波、跟踪。

杂波环境下的机动目标检测和跟踪算法

交互多模式（IMM）是一种有效的机动目标跟踪算法，但由于其要求具有很多的先验前提条件而不利于工程实现。研究了一种杂波环境下更适合于工程实现的机动目标（同样适用非机动目标）的跟踪算法，该算法通过一种由测量位置估计误差决定的机动检测函数来实现杂波背景中的机动目标检测，并通过改变Kalman滤波的相关参数，实现自适应跟踪。该算法克服了IMM算法的模式限制和复杂性，同时也避免了对非机动目标的跟踪中，在跟踪模式间相互切换时所换造成的影响。通过在空管系统（ATC）的大量模拟实验，验证了该算法的有效性和重大应用价值。

一种基于航向估计的多平台纯方位目标转向机动检测算法

针对纯方位目标转向机动检测问题,提出一种基于航向估计的多平台纯方位目标机动检测算法。该算法通过选定假设机动点序列,解算假设机动点前后的两段目标运动要素,根据解算出的相邻段航向差序列变化来判别目标是否发生机动。基于Taylor级数要素解算模型,建立了两段运动要素联合解算模型和两段运动要素独立解算模型。通过对多种航路进行仿真计算,统计分析这两种解算模型下机动检测算法的虚警率、目标机动检测率、机动检测延迟时间以及机动时刻估计精度。仿真结果表明,两种解算模型下的机动检测算法能够有效地对转向机动目标进行机动检测。

基于自适应α-β滤波算法的机动目标跟踪方法

机动目标跟踪技术广泛应用在民间和军事领域,而α-β算法作为卡尔曼滤波算法的经典扩展之一,广泛应用在实际工程中。然而经典α-β算法无法有效地完成对机动目标的跟踪,为此,本文提出一种自适应滤波算法,能够实时检测机动目标的运动情况,自适应地调整目标运动模型,从而完成对机动目标的跟踪。仿真实验表明,该滤波算法具有更好的目标跟踪性能和准确度。

采用动态规划的机动目标检测前跟踪算法

针对传统的动态规划检测前跟踪算法能够覆盖的目标机动范围受限于预设的有效状态转移范围的缺陷,提出了一种新的适用于机动目标的动态规划检测前跟踪算法.通过状态转移方式优化,提高了对机动目标的状态搜索效率,增大了搜索范围;通过转移速度加权,使新算法能够按照机动目标的运动趋势进行能量积累.所提算法在不改变参数的情况下,对强机动与弱机动目标都能够进行准确检测.通过仿真实验对所提算法与传统算法进行了对比分析,采用实测数据验证了该算法的适用性.

水下多目标方位的联合检测与跟踪

针对水下多目标方位跟踪及航迹关联问题,提出了一种粒子滤波的联合检测与跟踪方法.该方法在状态滤波过程中不需要方位观测值的输入,直接根据波束能量评估粒子的似然函数;利用交叉和变异算子进化小权值样本,通过低差异性序列的重采样提高子代粒子多样性。实现了多目标的跟踪并避免了方位观测量与多目标航迹关联的问题。仿真结果表明,在航迹断续和航迹交叉的情况下,该方法能够连续准确地跟踪目标方位。利用水下无人平台舷侧线阵的试验数据对算法性能进行了验证,正横方向的跟踪误差在3°以内;在目标运动模型失配时仍可以收敛到正确的方位航迹,没有出现错跟与失跟现象,可提高对交叉、汇聚及分离的多目标方位航迹的连续检测与跟踪能力.