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。

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。

联合目标跟踪与分类技术的进展及存在问题

联合目标跟踪与分类(JTC)技术是信息融合领域新兴的一个研究方向。其基本思想是:通过在目标跟踪器和目标分类器之间进行双向信息交互,来同时有效地提高目标的跟踪精度和分类性能。介绍了JTC技术的基本原理。将现有JTC技术划分为两大类——基于质点运动模型的JTC技术和基于刚体运动模型的JTC技术,并作了对比分析。综合论述了JTC技术的发展。指出JTC技术目前存在的主要问题以及未来的研究方向。

基于GIW-PHD的扩展目标联合跟踪与分类算法

在使用估计器对扩展目标进行跟踪时,算法的精度会受到系统演化模型选择的影响.针对该问题,本文提出将扩展目标的形态信息直接作为目标的类别信息,每一类别确定了目标相关的运动模型,在多模型(Multiple Model,MM)高斯逆威沙特概率假设密度(Gaussian Inverse Wishart PHD,GIW-PHD)滤波器的基础上,实现对扩展目标的联合跟踪与分类.仿真实验通过比较所提算法与GIW-PHD、MM-GIW-PHD两种滤波方法的性能,验证了本文所提算法的有效性.

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。

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。

基于特征增强的光学遥感视频多目标跟踪算法

高分辨率视频卫星的出现为遥感视频目标的检测和跟踪提供了重要数据源,在灾害检测、军事侦察等领域都有重要作用。针对遥感视频复杂地物背景下目标尺寸弱小、目标特征相似、云雾遮挡和背景噪声干扰导致目标误检、误跟、漏跟问题,提出基于特征增强的光学遥感视频多目标跟踪算法FE-MOT,设计了基于边缘特征增强的特征提取网络,在微小目标缺乏纹理特征的情况下更好地融合语义与空间特征,通过构建基于交叉熵损失和中心损失的Re-ID分支结构,提高了对具有相似特征的微小目标的可分性。在吉林一号遥感视频多目标跟踪数据集AIR-MOT上的实验结果表明,FE-MOT在原模型的基础上MOTA提高了14.28个百分点,IDF1提高了15.47个百分点,FN降低了24个百分点,对于遥感视频多目标跟踪中目标身份维持能力和跟踪稳定性有显著提升,在2个Tesla T4 GPU上的运行速度达到19.9FPS,满足实时运行的需要。

非椭圆扩展目标联合跟踪与分类算法

充分利用目标尺寸和形状信息,提出了一种基于星凸随机超曲面模型(random hypersurface model, RHM)的非椭圆扩展目标联合跟踪与分类(joint tracking and classification, JTC)算法。将目标空间扩展状态建模为星凸形状,通过目标类别相关先验信息的矢量化建模,建立起其与目标瞬时扩展状态的关系,并在统一的贝叶斯滤波框架下,实现跟踪与分类的一体化处理;进一步对目标运动学状态和扩展状态单独进行建模,并通过构建扩展状态的似然函数,利用粒子滤波实现目标类别概率算式的递推处理。仿真结果表明:与基于椭圆形状的扩展目标JTC算法相比,所提算法能对尺寸相近、形状不同的目标进行准确分类,同时可改善目标状态的估计效果;与基于星凸RHM的扩展目标跟踪算法相比,所提算法能大幅提高目标状态的估计性能。

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.

地波雷达目标检测跟踪联合处理粒子滤波方法

针对固定粒子数PF-TBD算法计算量大、复杂环境下地波雷达海上船只目标检测与跟踪性能不佳的问题,本文将粒子滤波方法应用于地波雷达船只目标检测与跟踪中,提出了基于自适应粒子滤波的地波雷达目标检测与跟踪联合处理方法。该方法结合地波雷达回波谱中目标展宽特性,充分利用了地波雷达回波谱中面目标的粒子权重信息来设置粒子自适应采样策略,提高了目标检测和跟踪联合处理的效果。通过地波雷达实测数据的目标跟踪结果及与同步AIS信息的比对分析,结果表明:提出的检测跟踪联合处理方法在对低信噪比、快速机动等复杂环境下的多目标跟踪时,可提高目标整体跟踪性能。

多传感器目标检测跟踪与分类算法

在目标准确检测优化的研究中,单传感器联合检测、跟踪和分类算法是一种新型算法,可以同时对目标进行检测、状态估计和类别判断。然而上述算法估计目标数目、状态与类别性能较差。采用多传感器方法对目标进行观测,可以显著提高目标检测、跟踪与分类效果。提出基于粒子概率假设密度(PFPHD)滤波器的多传感器联合检测、跟踪和分类算法。首先通过对各传感器信号进行建模,提取目标的属性量测,然后引入目标的属性信息对目标状态空间进行重新建模,从而得到目标综合状态,最后利用多个传感器的量测对综合状态进行序贯处理。仿真结果表明,与单传感器联合算法相比,上述算法能够更准确判断多目标类别,目标数目估计精度和跟踪精度均提高20%以上,验证了算法的有效性和可行性。

一种改进的MIMO生物雷达人体目标检测跟踪联合自适应算法

与传统生物雷达相比,MIMO雷达能获取人体目标的方位向信息,具有明显优势。为了降低人体目标运动以及近场环境杂波带来的干扰,提出了一种改进的MIMO生物雷达人体目标检测跟踪联合自适应算法。首先引入图像形态学的方法对雷达成像结果进行杂波预处理,其次采用改进的自适应门限方法进行目标检测,最后采用航迹关联方法得到目标运动的准确轨迹,并依据目标位置反馈调整检测门限,从而实现人体目标的动态检测跟踪。实测数据表明,该方法能有效滤除杂波干扰,且具备良好的跟踪连续性。

联合YOLOv4检测的候选框选择和目标跟踪方法

当前的目标跟踪算法主流是基于检测的跟踪(DBT),所以检测的质量对跟踪的性能影响很大,同时在跟踪过程中易受环境干扰、光照变化、目标尺度和类别的影响,针对以上目标跟踪存在的问题,提出一种联合深度学习神经网络YOLOv4检测算法和Kalman滤波的目标跟踪算法。首先利用目标检测器对目标进行分类和边界框提取,跟踪器用于在跟踪轨迹中收集候选数据;其次,提出一种对象选择器,用来选择检测和跟踪轨迹中的最优候选框;最后,将最优候选框和跟踪轨迹利用ReID进行数据关联判断是否对跟踪轨迹进行更新。实验结果表明,联合检测的目标跟踪方法与其他几种已经成型算法对比跟踪精度达到84.9%,跟踪成功率为82.2%。同时该方法在面对环境变化、类别变化、光照强度、遮挡等复杂情况下仍然具有很好的鲁棒性。

粒子滤波联合目标跟踪分类算法

针对现有联合目标跟踪分类(JTC)算法计算量大实时性差的缺陷,本文在JTC求解中引入粒子滤波,替代数值积分,大大缩短了计算时间;利用低分辨率常规雷达(LRR)提供的目标运动学信息和电子支援措施(ESM)提供的目标电磁设备信息,同时提高了目标的识别概率和跟踪性能。仿真验证了粒子滤波联合目标跟踪分类算法的实时性和有效性。

基于遮挡检测和时空上下文信息的目标跟踪算法

基于时空上下文信息的目标跟踪算法利用目标与背景之间的时空关系,在一定程度上解决静态遮挡问题,但当目标出现较大遮挡或快速运动目标被背景中物体遮挡(动态遮挡)时,仍然会出现跟踪不准确或跟丢的情况.基于此种情况,文中提出基于遮挡检测和时空上下文信息的目标跟踪算法.首先利用首帧图像中压缩后的光照不变颜色特征构造并初始化时空上下文模型.然后利用双向轨迹误差对输入的视频帧进行遮挡情况判断.如果相邻帧间目标区域特征点的双向匹配误差小于给定阈值,说明目标未出现严重遮挡或动态遮挡,可以利用时空上下文模型进行准确跟踪.否则利用文中提出的组合分类器对后续帧进行目标检测,直至重新检测到目标,同时对上下文模型和分类器进行在线更新.在多个视频帧序列上的测试表明,文中算法可以较好地解决复杂场景下较严重的静态遮挡和动态遮挡问题.

扩展目标联合检测与估计的误差界

针对杂波和漏检环境下单个扩展目标联合检测与估计的性能评价问题,提出了一种基于随机有限集(Random Finite Set,RFS)的误差分析方法。该方法通过将扩展目标的状态和观测分别建模为Bernoulli RFS和Poisson RFS,在RFS框架下推导获得了采用最大后验概率检测器和无偏估计器的均方误差界,并给出了其在目标确定存在以及无杂波条件下的简化形式。实验结果表明,建议的均方误差界能够有效地反映扩展目标联合检测与估计算法所能达到的最优性能,利用该误差界可以对不同的扩展目标联合检测与估计算法的性能进行有效的衡量,误差在5%以内。推导过程和结论仅关注于单传感器扩展目标联合检测与估计的静态问题,并假设其状态和测量均为标量。

3D传感器检测和跟踪的联合优化

在杂波环境下实现检测 -跟踪的联合优化是目标跟踪中的一个重要研究课题。对3 D传感器使用 PDAF进行目标跟踪的情况 ,本文以先验检测门限优化准则为设计准则 ,通过用解析近似表示式拟合修正 Riccati方程中的参数 ,给出了瑞利起伏环境下实现检测和跟踪联合优化的方法。研究和仿真表明 :(1 )这种检测和跟踪联合化化方法的跟踪性能优于固定虚警率方法的跟踪性能 ,但这种性能的改善主要体现在滤波稳定阶段 ;(2 )基于先验检测门限优化准则实现检测 -跟踪的联合优化要求信噪比要大于一定的门限 ,在瑞利起伏环境下 ,三维测量所要求的信噪比门限为 2 .1 5

异类传感器多目标检测跟踪与识别随机集模型

为在空中预警监视系统中实现多异类传感器多目标联合检测、跟踪与识别,在多目标检测、跟踪的随机有限集模型基础上,进行多异类传感器多目标联合检测、跟踪与识别的理论模型与处理框架研究。通过对目标的运动学状态与目标识别属性状态统一描述,把多目标状态建模为一个用随机有限集描述的全局状态。通过对运动学传感器与属性传感器模型分析,把各异类传感器建模为一个全局传感器,并把各传感器的测量建模为一个用随机有限集描述的全局测量。根据全局状态与全局测量模型,把异类传感器多目标联合检测、跟踪与识别过程描述为Bayes滤波过程,并给出了相应的多异类传感器多目标联合检测、跟踪与识别处理框架。通过仿真试验验证了理论模型与框架的有效性。