基于DST-PCR5多目标自适应视觉跟踪方法

复杂场景下实现快速稳定的自适应跟踪是视觉领域亟待解决的课题之一,利用目标的多特征信息进行高效融合是提升跟踪算法鲁棒性能的重要途径。基于DST(Dempster-Shafer theory)和PCR5(proportional conflict redistribution No.5)设计了一种新的合并策略融合运动目标的颜色和纹理特征,在粒子滤波框架下建立复杂场景下的多目标自适应跟踪模型,最终实现了复杂场景下多特征信息融合的自适应视觉跟踪。实验结果及性能分析表明,该方法在不良的跟踪条件下,高冲突证据的自适应处理能力得到明显改善,有效提高了粒子的使用效率和跟踪的鲁棒性,可以较好地实现复杂场景下准确、稳定的多目标跟踪。

基于DST和PCR5的弹道目标识别方法

在反导系统中,基于多传感器多源信息的融合识别,一直是研究的热点。为了解决不精确、不确定、冲突的多源信息的融合问题,结合DST(证据理论)和PCR5(比例冲突再分配准则)在处理不同冲突程度证据时的优势,提出了一种自适应的弹道导弹目标识别方法。首先引入关联系数的概念,用来表征证据间的冲突大小;其次给出了目标综合识别步骤;最后结合2个例子进行了仿真验证。结果表明,该方法识别率高,收敛性快,能够有效解决在识别中不稳定、不一致信息的融合问题,具有一定的应用价值。