机动目标跟踪

摘要： 针对使用单一模型滤波在滤波过程中模型结构及参数不再变化,难以适配目标不同机动阶段问题,提出一种自适应模糊模型滤波算法。该算法首先选取一个CV模型和CA模型,其次每时刻通过计算CV模型和CA模型滤波模型似然函数,计算一种代表目标真实运动模式期望值的期望模型,最后利用期望模型进行目标跟踪。蒙特卡洛仿真表明,该算法能有效跟踪目标不同的机动阶段,相比较单一CV和CA模型位置和速度的跟踪精度更高。

摘要： 针对传统雷达传感器在非线性机动目标跟踪中,采样信息误差大和目标机动性强等原因造成的跟踪性能低等问题,提出基于航向角辅助的IMM-CKF雷达/红外跟踪算法。该算法构建了雷达和红外传感器组合的复合探测系统,利用红外探测器的测量信息作为首层辅助信息传递给雷达,实现二者的信息互补;利用复合探测器的量测数据来计算航向角,将航向角信息作为第二层辅助信息与测量信息组成全新复合测量信息,使得跟踪精度明显提高。仿真实验结果表明,该算法能够显著提高对目标的跟踪精度,也有效地提高了对航向角的估计精度和系统的稳定性。

摘要： 针对当前统计(Current Statistical,CS)模型由于先验知识的缺乏和其结构特点导致的跟踪精度降低的问题,通过使用极限学习机(Extreme Learning Machine,ELM)并根据目标历史状态信息,实时估计并修正CS模型的加速度估计值,提出了基于ELM的修正CS模型跟踪算法。ELM的训练结果表明,其训练速度极快且泛化性很好。测试集和单条轨迹的蒙特卡洛仿真实验表明,提出的算法在测试集上,能够提高原始算法的位置和速度约14%的精度,在单轨迹的跟踪实验中,其位置、速度和加速度的平均均方根误差和峰值均方根误差均为CS模型的14左右,并且机动自适应性好,鲁棒性更强,加速度估计更为稳定。同时,ELM结构简单,训练速度极快,增加的计算成本很小,具有较好的实际应用价值。

摘要： 为了提高转移概率自适应的并行交互模型算法(ATPM-PIMM)对机动目标的跟踪精度,提出一种改进的ATPMPIMM算法。该算法将基于非等维状态的混合估计方法引入ATPM-PIMM算法中,改善非等维状态交互带来的信息丢失问题,降低模型切换导致的峰值误差,满足对机动目标跟踪的需要。仿真结果表明,改进的ATPM-PIMM算法能有效地提高对机动目标的跟踪精度。

摘要： 针对多普勒雷达杂波环境下的多机动目标跟踪,提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性,将位置量测进行无偏量测转换,将多普勒量测进行去偏量测转换,并通过序贯滤波方式提高跟踪精度。针对多目标的机动性,在高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示,所提算法可以在杂波环境中实现有效的机动多目标跟踪,与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%,而且大大改善了算法效率;与无迹卡尔曼最适高斯近似GMPHD相比,在效率上有小幅度的增加,且跟踪精度提升了36.47%。

摘要： 在高机动目标跟踪中,针对标准交互式多模型算法使用固定的转移概率矩阵导致跟踪精度下降的问题,提出了一种转移概率矩阵具备自适应更新的高机动目标跟踪ATPM-IMM算法。所提算法对模型后验概率和转移概率矩阵的先验信息要求不高,既适用于高机动目标跟踪,也适用于弱机动目标跟踪。仿真结果表明,所提算法的滤波精度比现有算法提升了约11%。

摘要： 为解决高超声速滑翔飞行器(HGV)机动飞行过程中的跟踪问题,提出了一种基于机动观测器补偿的鲁棒扩展卡尔曼滤波方法。针对传统卡尔曼滤波器由于模型误差而无法稳定跟踪的问题,首先建立了HGV动力学模型和天基红外测量模型;随后,设计机动观测器对未知气动加速度进行在线估计;在此基础上,利用机动估计对扩展卡尔曼滤波中的预测步骤进行修正,克服了因模型误差而导致的滤波发散问题;最后,考虑到机动观测器的时延误差,在扩展卡尔曼滤波迭代过程中引入次优渐消因子,提高了滤波跟踪的鲁棒性。与强跟踪滤波、扩维卡尔曼滤波、交互多模型滤波等典型跟踪方法相比,所提方法可在不具备目标机动先验信息的情况下,以较低的计算耗时取得良好的稳定性和跟踪精度。

摘要： 针对使用固定模型滤波算法跟踪机动目标时滤波精度依赖于模型固有参数的问题,提出了一种基于期望模型的自适应Singer模型滤波算法。首先利用3组代表不同机动强弱的典型Singer模型组成基础模型集合,然后通过实时计算目标综合残差确定目标机动等级,根据目标机动等级的变化来生成期望模型,并实时扩充基础模型集合进行交互式多模型(Interacting Multiple Model,IMM)滤波。该算法降低了对基础模型选取的依赖性,具有更好的环境适应性,在目标不同机动状态下都能进行准确跟踪。

摘要： 针对转弯率未知或变化条件下的精确跟踪问题开展研究,给出了基于UKF的自适应协同转弯跟踪算法,该算法充分利用了扩维技术和自适应渐消因子技术,不断实时估计转弯率,同时基于渐消因子调节过程噪声及其对应的增益,并对不敏卡尔曼滤波算法的采样范围进行自适应调节,使采样点更接近目标真实状态。仿真表明该算法在转弯率变化时获得了较好的跟踪性能,有效提升了对于转弯机动目标跟踪的准确性和稳定性。

摘要： 该文主要研究了分布式传感网络中的机动目标跟踪问题。为了在降低传感器节点的通信负债的同时,提高系统的跟踪精度,该文提出了一种新的自适应多传感器机动目标跟踪算法。该算法与交互式多模型算法相结合,将远端传感器获得的局部状态估计与本地传感器的累计量测信息进行融合,并通过信息去相关算法消除了传感器间的相关性。从而实现了对机动目标的状态估计与量测信息的融合。提出的算法能够充分利用本地传感器量测的有效信息,以提高目标跟踪精度。仿真实验验证了该算法的有效性。

摘要： 针对机动目标跟踪的应用需求,分析了多项式滤波算法的四种形式及它们之间的关系.结合增长记忆多项式(Expanding Memory Polynomial,EMP)滤波器的自初始化特性及衰减记忆多项式(Fading Memory Polynomial,FMP)滤波器的无限期跟踪特性,设计了复合EMP/FMP预滤波算法.该算法结合了两种滤波器的优势,在切换滤波器时不会出现瞬变现象.将复合EMP/FMP滤波器作为预滤波器与不敏卡尔曼滤波器相结合,仿真验证了预滤波算法能够优化量测数据,提升机动目标跟踪性能.

摘要： 针对杂波环境中观测数据统计特性未知的情况,提出一种概率数据关联-模糊递推最小二乘滤波器(PDA-FRLSF),用于单机动目标跟踪.提出方法首先根据概率数据关联(PDA)算法计算当前时刻所有有效观测属于目标的关联概率,通过关联概率对观测加权构建合成观测;再计算合成观测的观测残差、航向角变化量,同时根据两者与目标机动的关系设计模糊系统,并将它们作为输入,递推最小二乘滤波器(RLSF)的衰减因子作为输出;然后通过控制衰减因子来调节合成观测的预测新息对当前估计的作用,从而实现对目标状态的更新.提出算法的优点是在杂波环境中,不要求已知过程噪声、观测噪声和目标运动模型,且不需要设计机动检测器.最后采用仿真实验对PDA-FRLSF的性能进行评估,相比传统的PDA滤波器、PDA-IMM滤波器,提出方法具有更高的跟踪精度.

摘要： 对空中飞行器的机动跟踪研究中,文章中提出一种改进交互多模算法的机动目标跟踪方法,对交互多模滤波的每一个当前统计模型处理流程中实时估计目标机动频率和不依赖于目标最大加速度的目标加速度方差,并作为下一个滤波流程的输入,从而实时更新估计机动目标状态,提高了机动目标跟踪能力;通过与采用固定机动频率与目标最大加速度的算法仿真进行比较,提出的算法明显提高了对机动目标的跟踪性能.

摘要： 针对杂波环境下机动目标跟踪问题,文章研究了一种基于波形捷变的多传感器机动目标跟踪方法.基于传感器传输波形及其参量的变化会引起传感器量测误差的变化,在该算法中,用传感器在二维空间量测的误差的卡拉美罗下限来近似量测误差协方差,通过动态设计或选择线性调制波形的参量来最小化量测误差协方差,并通过概率数据互联(PDA)来处理杂波.该方法与经典的IMMPDA及对一维空间量测采用波形捷变的方法进行了仿真比较,仿真结果表明该文方法能够获得更好的跟踪效果.

摘要： 为了解决传统的机动目标跟踪方法具有时间滞后的缺陷，提出了在机动目标跟踪过程中使用状态估计的算法，根据当前的观测值，给出被跟踪目标的下一个状态的估计值，来提高对观测目标的跟踪精度．根据卡尔曼滤波算法的特点，提出了在基于当前统计模型均值自适应卡尔曼滤波算法中的在线自适应参数调节的方法，根据一维情况下基于“当前”统计模型的均值自适应卡尔曼滤波算法推导x-y平面上的二维状态空间表达式，得出状态噪声和观测噪声的方差阵的计算公式，通过Matlab编程对屏幕上鼠标的随机移动和几种典型的目标机动曲线进行了实验，并采用Monte Carlo法对实验结果进行分析．

摘要： 对于机动目标的跟踪,大多数基于贝叶斯理论的估计算法,如交互式多模型贝努利滤波(IMM Bernoulli Filter)算法,都假定模型转移概率保持不变.而实际系统中,模型转移概率可能是与状态相关并随时间变化的.针对地面机动目标跟踪问题,引入道路先验辅助信息对状态转移概率建立具有状态相关性的模型,结合交互式多模型贝努利滤波算法,实现目标跟踪.仿真结果表明,提出的具有状态相关转移阵的交互式多模型贝努利滤波算法优于传统的模型转移概率恒定滤波算法.

摘要： 在强机动目标检测方面,交互式多模型(IMM)估计算法已经被证明其有效性和实用性.在对飞行器实际运动航迹分析以及混合系统研究基础上,进行了运动模型的建模.本文为了改善IMM算法对机动目标状态估计的准确性和可靠性,将标准的IMM滤波算法与平滑算法相结合,就其运动模型集和滤波算法进行了设计和改进,得到了基于IMM的交互式平滑算法(由前向滤波与反向平滑组成).将此算法与标准的IMM滤波算法进行验证和比较,100次蒙塔卡罗仿真结果表明,该算法在一定延迟的情况下,对目标状态估计有很大改善.

摘要： 本文主要研究机动目标跟踪中,状态噪声相关条件下非线性滤波的Cramer-Rao下界问题.标准的非线性滤波的下界递推公式的条件是独立的状态噪声,主要讨论实际应用中状态噪声相关的情况.在本文中先基于Van Trees书中提出的Cramer-Rao不等式,推导出在状态噪声相关下的均方误差下界的最优递推公式.进一步,通过典型的目标跟踪的例子,可以清楚地看到相关噪声和忽略相关噪声的下界有明显的区别.因此,当Cramer-Rao下界应用到传感器选择问题时,为了满足估计性能需求,选择传感器的个数在相关噪声和忽略相关噪声的情况下有很大的差异.

摘要： 根据将目标自动跟踪与信息处理综合的思想,在目标自动跟踪与信息处理综合的实现方面作了大量工作,并进行了实验.实验结果表明,只有在自动跟踪系统中综合目标信息处理,系统性能才能有质的提高。

摘要： 根据将目标自动跟踪与信息处理综合的思想,在目标自动跟踪与信息处理综合的实现方面作了大量工作,并进行了实验.实验结果表明,只有在自动跟踪系统中综合目标信息处理,系统性能才能有质的提高。

摘要： 基于闭环模式合作目标跟踪的卫星姿态机动跟踪方法，步骤为：（1）确定合作目标的发射时刻、理论飞行轨迹数据，以及卫星的轨道数据；（2）计算卫星与合作目标之间的相对位置关系，该位置关系采用方位角和俯仰角表示；（3）在拟定的跟踪时间段内，确定不同时刻保持卫星本体Z轴与目标视轴重合所需的以时间为变量的方位角和俯仰角数据；（4）对方位角和俯仰角数据分别进行三次多项式拟合，得到拟合系数；（5）将拟合系数，开始跟踪时间、跟踪结束时间通过数据块上注；（6）卫星根据自身的轨道数据，按照地面上注的数据块，不断的调整自身的姿态实现对合作目标的跟踪；（7）曲线跟踪完成后，卫星恢复到原来的飞行状态。

摘要： 公开了一种目标跟踪方法、目标跟踪装置、目标跟踪设备。所述目标跟踪方法包括：对视频图像当前帧进行目标检测，得到人头检测框集合和人体检测框集合；将人头检测框集合与人体检测框集合进行关联，得到当前帧中目标检测框集合；根据视频图像中每一条每条现有轨迹的轨迹速度，确定当前帧中预测框集合；以及对于所述目标检测框集合中的每个目标检测框，在所述预测框集合中确定与其匹配的预测框，并且基于目标检测框和预测框的匹配结果进行目标跟踪。通过利用人体框进行跟踪，可有效提高视频图像中的目标跟踪准确率，实现实时且高精度的目标跟踪。

摘要： 基于闭环模式合作目标跟踪的卫星姿态机动跟踪方法，步骤为：（1）确定合作目标的发射时刻、理论飞行轨迹数据，以及卫星的轨道数据；（2）计算卫星与合作目标之间的相对位置关系，该位置关系采用方位角和俯仰角表示；（3）在拟定的跟踪时间段内，确定不同时刻保持卫星本体Z轴与目标视轴重合所需的以时间为变量的方位角和俯仰角数据；（4）对方位角和俯仰角数据分别进行三次多项式拟合，得到拟合系数；（5）将拟合系数，开始跟踪时间、跟踪结束时间通过数据块上注；（6）卫星根据自身的轨道数据，按照地面上注的数据块，不断的调整自身的姿态实现对合作目标的跟踪；（7）曲线跟踪完成后，卫星恢复到原来的飞行状态。

摘要： 本发明提供了一种基于目标检测和目标跟踪的非机动车违法行为判定的方法，它解决了非机动车违法行为识别效果差等问题，其包括如下步骤：S1：对数据集进行构建；S2：对目标检测模型进行训练；S3：采集前端数据；S4：对非机动车违法驾驶行为进行识别；S5：对非机动车违法行为驾驶员身份识别。本发明具有违法行为识别精度高、交通管理效果好等优点。

摘要： 本发明提供一种基于轻量化目标跟踪网络的目标跟踪识别方法及系统，方法包括：将待跟踪识别图像信息输入预设目标跟踪识别网络中，获取所述目标跟踪识别网络输出的待跟踪识别图像信息中的多个第一目标预测候选框；基于候选区域选择策略，从多个第一目标预测候选框中确定出最终目标预测框。其中，本发明中的目标跟踪识别网络的主干网络采用轻量化的MobileNet，MobileNet的卷积操作与标准卷积操作不同，在对图像信息进行特征提取时，能够大大减少计算量和模型参数量，提高了网络模型的处理速度。

摘要： 本公开提供了训练目标跟踪模型和目标跟踪的方法和装置，涉及人工智能领域，尤其涉及深度学习领域。具体实现方案为：获取样本集，样本包括视频帧和真实框；构建目标跟踪模型，其中，目标跟踪模型的头部包括交并比头，用于计算交并比损失值；执行如下训练步骤：从样本集中选取样本；将选取的样本中的视频帧输入目标跟踪模型，输出预测框；根据选取的样本中的真实框和预测框的差异计算原始损失值和交并比损失值；若原始损失值和交并比损失值的加权和小于预定阈值，则确定出目标跟踪模型训练完成；否则，调整目标跟踪模型的网络参数，继续执行训练步骤。通过该实施方式能够提高生成的目标跟踪模型的跟踪精度和速度。

摘要： 本发明实施例公开了一种多目标跟踪模型的训练方法以及多目标跟踪方法。其中，该多目标跟踪方法包括：根据当前视频帧中的待跟踪目标构建目标图；目标图的顶点对应于待跟踪目标，且两个顶点之间的边的边特征包括两个顶点之间的属性关系；对目标图和已有的轨迹图进行图匹配，以计算待跟踪目标与轨迹图中已跟踪轨迹之间的匹配得分；轨迹图的顶点对应于已有的已跟踪轨迹，且两个顶点之间的边的边特征包括两个顶点之间的属性关系；按照匹配得分确定待跟踪目标的匹配轨迹。在图匹配时全面参考目标图和轨迹图中的边特征，防止某一目标被遮挡时出现跟踪失败的问题，避免视频多目标跟踪的局限性，提高视频多目标跟踪的鲁棒性。

摘要： 本公开提供一种目标跟踪方法，包括：获取目标场景的搜索神经形态数据，所述搜索神经形态数据表征所述目标场景的光强变化信息；将所述搜索神经形态数据输入目标跟踪模型，利用所述目标跟踪模型中的脉冲神经网络获取所述目标场景的特征数据；分别确定所述目标场景的特征数据与至少一个待跟踪目标的特征数据的相似度关系；根据所述目标场景的特征数据与各个所述待跟踪目标的特征数据的相似度关系，确定在所述目标场景中针对各个所述待跟踪目标的跟踪结果。本公开还提供一种目标跟踪装置、一种计算机可读介质。

摘要： 本发明涉及一种改进SRCKF强跟踪滤波的机动目标跟踪方法，属于数据关联与跟踪技术领域。包括以下步骤：S1：根据目标运动情况和卫星的观测情况建立运动模型和观测模型；S2：滤波初始化；S3：进行滤波预测；S4：进行第一次量测更新；S5：计算带有时间因子的渐消因子并进行门限判决；S6：根据S5的门限判决结果再次进行量测更新。本发明所具有的有益效果为：首先，无需建立较为准确的目标运动模型，仅使用目标正常运动时的运动模型也可以达到对机动目标的跟踪效果；其次，相较于一般的适应性滤波方法，本发明在目标不机动时的跟踪效果与普通不考虑机动的滤波方法相当，且受噪声干扰较少，跟踪结果更具有鲁棒性。

摘要： 本发明涉及一种改进SRCKF强跟踪滤波的机动目标跟踪方法，属于数据关联与跟踪技术领域。包括以下步骤：S1：根据目标运动情况和卫星的观测情况建立运动模型和观测模型；S2：滤波初始化；S3：进行滤波预测；S4：进行第一次量测更新；S5：计算带有时间因子的渐消因子并进行门限判决；S6：根据S5的门限判决结果再次进行量测更新。本发明所具有的有益效果为：首先，无需建立较为准确的目标运动模型，仅使用目标正常运动时的运动模型也可以达到对机动目标的跟踪效果；其次，相较于一般的适应性滤波方法，本发明在目标不机动时的跟踪效果与普通不考虑机动的滤波方法相当，且受噪声干扰较少，跟踪结果更具有鲁棒性。