改进转换模型预测网络的外观变化下目标跟踪方法

针对跟踪过程中因目标发生外观变化导致跟踪效果不佳的问题,提出改进转换模型预测(ToMP)网络的外观变化下目标跟踪方法。首先,在ToMP网络基础上添加目标外观状态判别模块,利用级联长短时记忆网络(LSTM)输出目标外观状态判别信息;其次,优化网络在线样本储存判据,在置信度分值判别基础上添加正常外观判别信息,利用可靠样本优化模型权重,增强网络对目标的分类能力;然后,改进网络外观变化时在线样本利用机制,结合最新样本优化模型权重,提高网络对新外观目标的分类效果;最后,利用中心点轨迹预测位置对网络生成目标响应分数进行加权,增强目标特征映射效果的同时减少相似物体干扰以稳定跟踪目标。在公共数据集上准确率分别达到93.9%和68.9%,优于其他方法,并利用机器人进一步证实了可行性。

二进制传感器网络加权目标跟踪算法研究

该文主要研究二进制传感器网络中加权目标跟踪算法的设计。针对已有算法中权值不能实时反映目标与感测节点之间距离关系的缺点,提出了距离加权和基于预测的距离加权目标跟踪算法。距离权值能够实时反映目标与各个感测节点间的距离关系,因此具有更高的跟踪精度。在距离加权算法中感测节点需要将感测信息和距离信息都传输到融合中心,这会增大感测节点的能量消耗。为了解决这个问题,文中提出一种基于预测的距离加权目标跟踪算法。该算法中感测节点不需要传输距离信息而只传输感测信息到融合中心从而减少了能耗。仿真结果表明,基于预测的距离加权算法比已有算法能够够精确地跟踪目标,在保证跟踪精度的同时减少了通信能耗。