基于改进YOLOX与多级数据关联的行人多目标跟踪算法研究

目标跟踪是计算机视觉领域的基本问题,行人多目标跟踪在智能监控、智慧交通等多个领域有着广泛的应用前景。然而实际跟踪场景中存在频繁遮挡、尺度变化等情况,给多目标跟踪算法带来了极大的挑战。为了进一步提升跟踪精度,在DeepSORT的基础上,提出一种基于改进YOLOX与多级数据关联的行人多目标跟踪算法。对于检测器,为了增强网络的特征表达能力,提高检测精度,在YOLOX骨架网络与颈部网络分别引入ECA通道注意力模块与ASFF自适应特征融合模块。对于身份识别特征,为了减少数据关联步骤的错误匹配数量,提高跟踪效率,使用轻量的OSNet重识别网络与NSA卡尔曼滤波获取目标特征。对于数据关联,为了减少身份切换次数,避免目标丢失,将检测与跟踪都进行分类处理,使用不同的相似性计算方法,实现基于检测置信度与轨迹状态的多级数据关联。实验结果表明:与改进前YOLOX与DeepSORT简单结合的算法相比,在YOLOX中引入ECA模块与ASFF模块使误检数量大幅降低,使用YOLOX-s模型时降幅可达17%;结合OSNet模型与NSA卡尔曼滤波的特征提取方法能提高跟踪稳定性,IDF1指标提高0.77%,IDSW减少947;基于检测置信度与轨迹状态的多级数据关联算法可以明显改善跟踪性能,MOTA指标提升3.36%。算法最终在MOT17与MOT20测试集上的MOTA达80.4%与77.7%,IDF1达78.4%与76.7%。提出的行人多目标跟踪方法相较于其他先进算法在跟踪精度与跟踪速度上达到更好的平衡,可为工业上在线行人多目标跟踪应用提供参考。

一种长基线被动传感器数据关联方法

为了提高测向交叉定位系统多目标环境下的去鬼点性能,提出了一种长基线被动传感器数据关联方法.首先利用被动传感器量测的视线矢量信息进行交叉定位并计算定位误差协方差矩阵,然后基于两个定位点构造了一个卡方分布的检验统计量,将多目标条件下的去鬼点问题转换为假设检验问题.为了分析该方法的性能,定义了真实目标的正确关联概率和鬼点目标的错误关联概率,并在使用两部和三部被动雷达的情况下分别与倾斜角方法进行了仿真对比.仿真结果表明所提出的方法在使用三部被动雷达或多目标与被动雷达共面时关联性能更好.

基于多传感器数据关联的综合传动装置服役状态辨识方法

针对综合传动装置在恶劣环境下传感器数据跳变、可靠性差,导致依赖单一传感器信息带来的状态判断虚警率高、服役状态难以准确辨识的问题,提出一种基于多传感器数据关联的综合传动装置服役状态辨识方法。通过时间窗均值关联网络,充分考虑关联传感器数据在各时间段的关联程度,可以有效表征复杂工况下传感器数据的关联关系。在时间窗关联度计算方法的基础上进一步构造了误差反向传播(Back Propagation,BP)数据映射模型,完成对关键传感器数据的映射。采用变分模态分解和样本熵(Variational Mode Decomposition-Sample Entropy,VMD-SE)方法对数据进行预处理;利用所提方法计算各传感器数据间的关联性,选取出相关性高的数据;将相关性高的数据输入构造出的BP数据映射模型进行映射。油压数据的案例验证结果表明,时间窗关联度计算方法能准确地衡量传感器数据间的关联性,BP数据映射模型输出的数据能够良好地表征关键传感器数据,二者结合能够有效提升服役状态判断的准确性。

基于改进数据关联的三维多目标跟踪算法

针对传统三维多目标跟踪算法在复杂场景中出现的误关联、跟踪中断、适应性差等问题,在数据关联阶段进行了相应改进,提出了一种基于加权聚合关联代价和目标预测置信度的多目标跟踪算法。首先,结合目标的位置、外观、方向特征计算加权聚合关联代价以度量目标之间的差异性。然后,在关联代价矩阵中引入预测置信度的相关概念,并依据该置信度调整丢失目标的关联搜索域。最后,使用卡尔曼滤波器进行目标运动状态以及预测置信度的更新。在实测数据上的实验结果表明,所提出的算法能够提高点云遮挡、轨迹交叉情况下的跟踪正确率,在MOTA上达到了73.6%。

集装箱船分段制造无修割装配数据关联分析与应用

以集装箱船分段制造修割数据为研究对象,进行数据采集和关联关系提取。精准发掘分段制造中的修割位置、修割数量、修割长度、修割原因、修割耗时和间接影响平台周期等关键数据的关联逻辑。根据数据的完备性、精准性和创造性,为集装箱船分段制造无修割装配精度控制提供可行的管理目标,并确定无修割装配技术优化方案,可增强集装箱船分段制造精度控制策划的综合水平。

复杂弹道场景多维数据关联技术

复杂弹道场景下目标分布密集,相互之间存在遮挡,雷达对目标跟踪时容易出现关联错误。为了解决这一问题,文中提出一种运动特征与信号特征相结合的多维特征数据关联技术。首先按照观测的目标类型对窄带尺寸、雷达散射截面积、一维像尺寸等信号特征进行建模;其次分层级进行数据关联,当运动特征存在模糊时,利用信号特征代价计算函数得到属性代价,并结合运动特征代价计算得到综合代价,将其作为代价函数进行关联计算,得到最终关联结果。仿真实验表明,在复杂弹道场景,该技术能够将关联正确率从80%提升到95%以上,显著提升了目标跟踪质量。该技术可以推广至其他复杂多目标跟踪场景,具有良好的工程应用前景。

“一码管地”框架下的土地全生命周期数据关联模型研究

针对数字时代背景下需对土地全生命周期建立数据关联模型的紧迫需求,基于信息本体论制定统一的“地块”与“业务”编码规则;再利用人地关系理论建立地地索引表、地业索引表和业业索引表,通过“地块码”和“业务码”主键解决业务、人、地块之间的基本关联关系。利用数据挖掘技术构建业务知识图谱,从而建立空间相离的业务关联关系,实现土地全要素、全业务、全流程的数据纵横贯通、信息高效协同。实践结果表明,该方法可快速可靠地构建土地全生命周期数据关联模型,为自然资源数字化改革提供坚实基础。

基于知识图谱技术的电网项目数据关联分析

为解决电网项目数据关联难度大的问题,提出了基于知识图谱技术的电网项目数据关联分析。分析了历史项目特征提取和新增储备项目特征提取方法,论述了基于规则的信息抽取和基于序列标注的信息提取方法,以及电力项目知识图谱的基本构成和构建方法,提出了项目多维关联分析平台,论述了分析方法和分析流程,并提出了系统网络结构,结合实际应用说明了所提系统的应用效果。

基于最大熵模糊概率数据关联的室内定位算法

无线传感器网络(wireless sensor network,WSN)由多个微传感器节点组成,定位技术是无线传感器网络技术的重要应用之一。目前,许多定位算法在视距(line of sight,LOS)环境下定位精度较高,但在非视距(non line of sight,NLOS)环境下的定位精度较差。为了解决这一问题,提出一种改进的基于到达时间的最大熵模糊概率数据关联算法。采用分组的思想将N个测量值分为L组,每组通过交互式多模型(interactive multi model,IMM)算法获得相应的移动节点位置估计、模型概率和协方差矩阵。然后将得到的L个位置估计,通过验证门进行非视距检测,丢弃被非视距误差污染的位置估计,利用相应的关联概率对正确的位置估计进行加权得到最终的位置估计。仿真和实验结果表明,与现有方法相比,该算法可以减轻非视距误差的影响,实现更高的定位精度。

基于运动模型和数据关联的多目标跟踪

在多目标跟踪的拥挤场景中,目标之间的相互遮挡以及目标外观变化,给多目标跟踪中的目标位置预测和数据关联带来了很大的挑战.利用卡尔曼滤波算法建模目标运动模型对目标轨迹进行预测,能够有效缓解目标外观变化的影响.数据关联是多目标跟踪中的重要组成部分,为此,设计了一种相关性网络来处理多目标跟踪中的数据关联.实验结果证明:利用运动模型在跟踪速度上可以实现实时的跟踪效果,设计的相关性网络有效提升了跟踪器的跟踪精度.

基于改进联合概率数据关联的AUV定位算法

基于水下无线传感器网络的位置估计是解决水下自主机器人定位问题的有效方法,然而由于水下无线传感器网络中的传感器节点一般部署在开放水域中,外来的恶意节点在基于到达时间的网络信道中注入恶意噪声延迟会对定位精度产生不利影响。针对这个问题,本文提出了一种改进联合概率数据关联算法。首先,我们考虑了一种异构的网络架构,包括水面浮标节点、水下信标节点和待定位的AUV目标节点,并获取网络架构中信标节点和AUV之间的距离测量;然后,我们设计了一种基于矩阵相似度的恶意噪声识别机制,识别并丢弃受恶意噪声污染的距离测量,并且对检测为未受到恶意噪声污染的距离测量进行分组,利用最小二乘法完成对AUV的初步定位;接着,为了丰富所得到的样本测量点以提高AUV的定位精度,我们在预测点以及检测出未受到恶意噪声污染的测量点的附近生成一系列服从高斯分布的虚拟测量;最后,对这些测量点进行数据关联处理与更新,完成对AUV目标节点的精确定位。仿真结果表明,所提出的定位方法与其他工作相比,在有恶意噪声攻击的情况下仍能保持较好的定位精度。

基于随机森林的分布式数据关联性深度挖掘方法

针对现有分布式数据关联性深度挖掘方法存在的挖掘质量差、内存占比高等问题,提出一种基于随机森林的分布式数据关联性深度挖掘方法。通过设置Pearson线性相关系数与Spearman秩相关系数,得到数据关联性的深度挖掘参数,根据挖掘参数的取值设置关联性判定标准。在分布式系统中收集并处理初始数据,利用随机森林算法划分分布式数据类型,在考虑数据维度关联性的情况下,计算Pearson线性相关系数和Spearman秩相关系数的具体取值,得出最终的分布式数据关联性深度挖掘结果。通过实例分析得出结论:关联性挖掘偏离程度低于0.1,满足对数据关联性挖掘质量的要求,同时,降低了挖掘方法运行程序的内存占用量。

数据关联算法的研究

在现代目标跟踪系统中,数据关联是一个重要组成部分.由于测量来源的不确定性,密集环境中的目标跟踪比较困难.概率数据关联算法和联合概率数据关联算法能很好地处理目标跟踪并在很多领域得到了广泛的应用.但是一旦出现某种干扰或是故障,通过概率数据关联算法得到的滤波值也会偏离真实值很多,造成滤波发散,严重影响性能.针对这一不足,基于概率数据关联算法中的组合新息,提出了修正概率数据关联算法.最后用一些实例来评价该跟踪算法的跟踪性能,仿真结果表明了修正概率数据关联算法和修正联合概率数据关联算法的有效性.

一种加权邻域数据关联算法研究

借鉴概率数据关联的思想,在标准最近邻域算法基础上提出了加权邻域数据关联算法(WNDA)。该算法综合考虑相关波门内的所有量测(包括正确量测和虚假量测)对状态的影响,提高了关联效果。同时算法不需要杂波密度等先验知识,不需要计算量测的关联概率,因而保持了较小的计算量。仿真结果表明,该方法有效地降低了误关联对跟踪效果的影响,同时保持了较小的计算量,在实际工程中有较好的应用前景。

基于概率推断的语义SLAM数据关联方法

针对传统视觉SLAM对环境语义信息理解不足的问题,语义视觉SLAM借助语义路标提高机器人的定位精度。语义路标的准确关联是实现机器人深层定位和导航的关键,错误的关联将导致机器人定位丢失。针对动态扰动和观测噪声扰动所产生的高关联模糊性问题,提出利用非参数聚类和随机近似推断结合的方法提高语义路标关联的准确性,通过正确的数据关联实现机器人的准确定位。仿真和KITTI数据集上的实验结果表明,在噪声干扰下该算法能够提高语义路标数据关联的准确性和鲁棒性,融合语义信息和几何信息优化机器人和语义路标的位姿,提高机器人的定位精度。

基于Apriori关联算法的电力运行大数据关联分析方法研究

针对典型关联分析求解特征空间的高度复杂性,以及大规模数据的关联分析处理存在计算量复杂、内存占用高等难题,提出基于Apriori关联算法的电力运行大数据关联分析方法研究。对基于Apriori关联算法的电力运行大数据关联分析方法进行设计,包括基于Apriori关联算法建立关联分析算法、基于已经建立的算法建立电力运行大数据关联分析模型、实现电力运行大数据关联分析。为验证所设计的方法的有效性,将文中方法与传统的电力运行大数据关联分析方法和基于云计算的电力运行大数据关联分析方法进行对比研究,最后得出所设计的基于Apriori关联算法的电力运行大数据关联分析方法较为有效。

广义概率数据关联算法

随着跟踪环境、跟踪对象和跟踪系统的不断变化、发展 ,目标与量测已很难仅仅以一一对应的关联关系来描述 ,这使得多目标跟踪中数据关联这一核心问题更具挑战 .JesusGarrcia、T .Kirubarajan和Bar Shalom等学者从智能方法或重复使用一对一分配JPDA等方面进行了研究 ,取得一定成效 ,但计算量和性能均未达到理想效果 .本文首先提出更符合实际情况的新的目标与量测相关联的可行性规则 ,给出广义联合事件的一种分割与组合方法 ,利用贝叶斯法则推导出了一种全局次优的广义概率数据关联算法 (GeneralizedProbabilityDataAssociation ,GPDA) .通过本文设计的各种典型环境的仿真计算表明 ,GPDA算法的性能在目标与量测无论是否在一一对应的情况下 ,全面优于JPDA算法 ,且由于新算法的设计技巧 ,使计算量和存储量也大大小于JPDA算法 ,为发展同时具有良好实时和关联性能的多目标跟踪算法给出了新的尝试 .

基于证据理论的联合概率数据关联算法

数据关联是目标跟踪技术中的核心部分,多目标情况下的数据关联技术更是研究的重点,由于多目标量测之间的互相干扰、外部环境干扰以及传感器性能等客观因素的约束,使得量测信息部分存在着相应的量测误差,密集环境中的多目标跟踪比较困难。针对这个问题,提出的新算法利用联合概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。

基于专利数据关联共现技术的产业创新演化路径识别方法

事实证明,发现产业创新演化路径对于产业链上的各个组织(公司、大学或研究机构)都非常重要,其作用是帮助理解和预测产业发展趋势,为决策者和企业提供指导。宏观层面可以揭示产业的发展规律、指导政策制定、引导企业战略决策、促进合作与协同创新。微观层面可以支持公司进行竞争分析,公司合作、兼并和收购。所说的专利关联数据是指存在于专利数据集中或专利数据集合之间具有相关性,或者存在因果传承、创新的相近性专利数据。

考虑环境特征的无人机气象探测数据关联规则挖掘方法

针对无人机气象探测数据提取时效性较低、难以与实际数据关联的问题,研究考虑环境特征的无人机气象探测数据关联规则挖掘方法。基于机翼类型和发动机性能,确认最优气象探测环境,基于关联规则算法,建立无人机探测数据挖掘模型,对照高程变化规律,分析气象探测环境参数特征与无人机气象探测数据关联度,挖掘无人机气象探测数据。实验结果表明:以20 h的无人机气象探测时间为标准,在气象数据词条不断增长的基础上,本文方法能够将挖掘时间控制在4.8 s以内,并在相对湿度数据关联过程中,能够与实际数据较为接近,保证气象数据挖掘的时效性,具有实际应用价值。