基于场景边缘优化的自适应新生强度JLMB滤波器

雷达多目标的有效检测与跟踪一直是雷达领域的研究热点,在多目标跟踪过程中存在诸多因素影响着跟踪算法的性能。本文针对雷达多目标跟踪问题中的未知目标新生问题,基于JLMB滤波器,结合场景边缘优化,提出了一种适用于线性高斯条件下的自适应目标新生强度估计方法,该方法针对雷达长时间持续监测高概率监测场景,以实际应用场景为牵引,通过融入监测区域以及目标状态的部分先验信息,将监测区域考虑为目标新生考量区域与非目标新生考量区域,并针对目标新生考量区强化目标新生过程,同时剔除来自非目标新生考量区域的杂波干扰,以此达到提升目标跟踪性能和算法处理效率的目的。最后通过实验仿真与结果分析验证了所提算法的有效性。

非线性时间一致性的相关滤波目标跟踪

针对现有目标跟踪算法主要采用线性约束机制LADCF(Learning Adaptive Discriminative Correlation Filters)跟踪模型容易漂移的问题,提出非线性时间一致性的相关滤波目标跟踪算法。首先,结合史蒂文斯定律,提出贴近人类视觉感知特性的非线性时间一致项,使模型相对平滑地跟踪目标,从而保证跟踪连续性,避免跟踪模型漂移;其次,采用交替方向乘子法(ADMM)求解最优函数值,保证算法的跟踪实时性;最后,利用史蒂文斯定律非线性更新滤波器,使滤波器更新因子可以根据目标的变化增强和抑制滤波器,以适应目标变化,防止滤波器退化。在4个标准数据集上与主流相关滤波和深度学习算法对比实验,相较于基线算法LADCF,所提算法的跟踪精确度和成功率在OTB100数据集上分别提升了2.4和3.8个百分点;在UAV123上分别提升了1.5和2.5个百分点。实验结果表明,所提算法能有效避免跟踪模型漂移,降低滤波器退化概率,跟踪精确度和成功率较高,面对遮挡、光照变化等复杂场景时具有较强的鲁棒性。

非线性时空正则化的相关滤波目标跟踪算法

针对目标跟踪过程中跟踪模型容易漂移,以及对于多样性形态变化的目标不能进行鲁棒跟踪的问题,结合生物视觉感知规律提出了非线性时空正则化的相关滤波目标跟踪算法。在目标函数中提出贴近人类视觉感知幂定律的非线性滤波更新的时间正则项,相比于时空正则相关滤波器(spatial-temporal regularized correlation filters,STRCF)中固定的时间正则项,非线性滤波更新的时间正则项可以根据跟踪的时间变化进行自适应更新,同时采用交替乘子法降低算法复杂度。提取非线性的梯度方向直方图(histogram of oriented gradient,HOG)特征,使用符合生物映射的对数极坐标进行尺度适应。根据最大响应值与平均峰值相关能量的关系进行遮挡异常检测,降低模型漂移的机率,增强算法的抗遮挡能力。实验结果表明,该算法在OTB2015数据集上的精确率和成功率分别达到89.8%和83.3%,该算法相比于STRCF在精确率上提升了2.5%,在成功率上提升了3.2%,在OTB2013与OTB2015数据集上的11种属性的分类对比中,该算法在旋转、低分辨率、背景杂乱、光照变化等因素干扰下的目标跟踪中具有较高的精确率和较强的鲁棒性。

相关滤波追踪算法中的测地线更新策略

在追踪视频序列中目标物体常常会出现形变、光照变化、旋转等情况,为了适应目标物体发生的这些变化,得到更加鲁棒的追踪效果,需要对求得的滤波器进行更新.经典相关滤波追踪算法中采用的更新策略是对新旧两个滤波器进行简单的加权,得到具有前一帧目标信息的新滤波器.但这种仅使用加权的更新策略忽略了核函数矩阵间可能存在的几何结构,限制了追踪效果的进一步提高.针对滤波器更新问题,提出了基于正定矩阵流形测地线的更新方法.由于自相关核函数矩阵是对称正定矩阵,所以首先在流形上对自相关核函数矩阵进行更新,进而得到相关滤波器的更新策略.在公开数据集OTB-50上,将提出的算法应用于使用Histogram of Oriented Gradient(HOG)特征和Convolutional Neural Networks(CNNs)特征的相关滤波追踪算法中,并与基线算法和其他先进的算法进行了对比实验,实验结果表明,新的更新策略提高了原始算法的精确率与成功率,达到了更好的追踪结果.

基于多阶段学习的相关滤波目标跟踪

由于跟踪过程中目标外观变化和遮挡因素的影响,采用单一迭代更新滤波器的KCF算法在学习过程中会积累过多的噪声信息导致目标丢失.为解决该问题,本文提出一种基于多阶段学习的相关滤波跟踪算法.通过建立具有互补关系的全局阶段滤波器模型、一致性阶段滤波器模型以及初始阶段滤波器模型并行的对目标进行跟踪.在benchmark数据集的51个视频上的实验表明,本文算法取得的总体精度得分77.6%和总体成功率得分68.9%优于现有的大部分跟踪算法.

基于舰船电场的目标跟踪方法研究

针对舰船电场跟踪中模型准确度与跟踪模型维度之间的矛盾,以舰船电场点电荷阵列模型为基础,结合舰船电场反演算法,分析点电荷个数、观测点水深对建模精度的影响。明确观测点位置对点电荷数量的最少需求,在保证建模精度的同时降低跟踪滤波器的维度,保证滤波算法的稳定性。设计了舰船电场跟踪渐进更新扩展卡尔曼滤波器,并进行了仿真分析和试验验证。结果表明:用少量点电荷模型代替复杂舰船电场点电荷阵列模型,在舰船电场跟踪中是可行的,具有较高的跟踪精度;渐进更新扩展卡尔曼滤波方法对少量点电荷电场模型,能够有效提高初始误差容错范围,具有很高的滤波稳定性,定位误差在500 m范围内小于10 m,且计算代价较低,适合舰船电场跟踪的工程应用。