雷达多目标跟踪的神经网络方法

本文讨论了雷达多目标跟踪的神经网络方法。实验结果表明,此法不仅可以解决传统方法带来的组合爆炸问题,从而实现实时的多目标跟踪,而且还可以解决跟踪精度问题,提高跟踪的准确性。     

运用自组织神经网络进行多目标跟踪的算法

总结了自组织神经网络的结构、训练方法；分析了在多目标跟踪问题中数据关联的重要性及传统的数据关联方法的局限性；研究了在多目标环境下运用自组织神经网络解决数据关联的问题。提出了一种基于自组织神经网络对多个目标实施跟踪的算法，此算法采用自组织神经网络的聚类功能对目标进行数据关联处理，并将经过卡尔曼滤波后的数据信息结合到神经网络的学习训练中。仿真实验结果表明此算法能在多目标环境下取得较好的跟踪效果。     

基于Elman神经网络的多目标跟踪技术的研究

首先叙述了Elman神经网络的结构、原理和学习方法.针对Elman网络的学习率对网络收敛速度及稳定性影响很大,提出了一种可以自适应调整学习速率的改进的Elman网络学习算法;并基于Elman神经网络,采用模糊推理进行数据关联的方法,结合扩展卡尔曼滤波,提出一种新的多目标跟踪方法.最后应用此方法采用两个传感器对两个运动目标进行跟踪实验,并与BP神经网络对比得出仿真结果,实验结果表明,所提出的方法是一种可行的多目标跟踪方法.     

多目标跟踪的一种联合解决方法

本文提出一种新的解决多目标跟踪（ＭＴＴ）问题的方法,该问题通过一总的模型利用系统识别技术可同时解决数据关联（ＤＡ）和机动估计问题。用这种方法,以前所研究的单目标跟踪／加速度估计技术也可直接用于ＭＴＴ问题,尤其是通过问题的公式化,就可将多模（自适应）卡尔曼滤波（ＭＭＫＦ）效应用于多目标跟踪问题使之获得最佳解。对于大家关心的计算量考虑可应用多模卡尔曼滤波（ＭＭＫＦ）的某些准最佳解。     

多目标跟踪方法综述

多目标跟踪问题在军事和民用方面都有着十分广泛的应用,如在军事方面的空中预警、空中攻击(多目标攻击)等,民用方面包括空中交通管制等。多目标跟踪在军事上的应用受到了各国广泛重视。本文对目前国内外部分文献上发表的有关多目标跟踪方法进行了综述。并对各种方法的优缺点进行了比较。基于小波变换的方法与其它几种方法相比其优点更为突出,而基于多传感器数据融合的方法是未来多目标跟踪发展的方向。     

结合重识别特征和运动预测的多目标跟踪方法

多目标跟踪是智慧城市交通安防的重要技术之一。为了提高多目标跟踪的准确性并改善真实场景下的遮挡问题,提出了一种结合重识别特征和运动预测的多目标跟踪方法。在多目标检测网络中扩展一个基于卷积神经网络(Convolutional Neural Networks, CNN)的重识别特征分支,提取目标的重识别特征;采用基于置信度的卡尔曼滤波预测模型来预测轨迹的空间分布以改善目标的遮挡问题,结合检测目标和轨迹在重识别特征和位置两方面的相似度来完成目标关联。实验结果表明,所提出的方法在真实行人场景下的跟踪精度优于大多数算法,具备一定的应用潜力。     

基于ART神经网络的FCM聚类多目标跟踪方法

为解决模糊C均值（FCM）算法依赖类中心的初始化而运行时间过长的问题,提出了一种改进方法：该算法首先利用自组织谐振理论（ART）神经网络算法自动聚类的优点,对数据集进行＂粗聚类＂得到与实际类中心近似的初始类中心及聚类数目,再利用FCM算法对＂粗聚类＂结果进行聚类并得到最终精确的聚类结果。通过实验表明,改进算法结合了两种算法分类的特长,具有比FCM算法更高的聚类效率和更好的聚类质量;同时,算法的跟踪精度及运算速度也得到大大提高。     

多目标跟踪的多伯努利平滑方法

为提高基于滤波的多目标跟踪方法的性能,提出了一种多伯努利平滑方法.该方法由前向滤波和反向平滑两部分组成,前向滤波采用势平衡多目标多伯努利滤波,反向平滑利用多伯努利概率密度近似多目标平滑状态的概率密度,实现多目标平滑状态概率密度的反向递推计算.仿真结果表明,与滤波相比,多伯努利平滑对目标数量和目标状态的估计精度都有显著提高.     

机载预警相控阵雷达多目标跟踪研究方法综述

多目标跟踪应用于空中预警系统，对提高预警范围、控制战场势态起着重要作用。目前，我国的多目标跟踪技术尚处在理论研究阶段，研究发展多目标跟踪技术，对于充分发挥预警机系统信息资源潜力、提高作战效能，具有重大的现实意义。作者介绍了多目标跟踪的原理，并重点阐述了机载预警相控阵雷达多目标跟踪技术的主要研究内容和方法。     

神经网络在视觉多目标跟踪中的应用

近些年来,神经网络在多目标跟踪中的研究越来越深入,包括特征提取及外观、运动模型建立等.相比于传统多目标跟踪中人工提取特征及设计目标相似性函数,神经网络在多目标跟踪中的引入具有极大的优势,引起国内外学者的广泛关注.本文分析了神经网络在多目标跟踪中的发展趋势,对卷积神经网络、孪生神经网络、循环神经网络在多目标跟踪中的应用做了简要介绍,体现了神经网络在多目标跟踪技术中广阔的发展前景.     

红外多目标跟踪算法研究

介绍了红外搜索跟踪系统中多目标跟踪与航迹生成算法，采用极坐标数据进行数据的关联和滤波，采用基于逻辑的最近邻原则并结合目标的红外辐射特性进行航迹关联，实现多目标跟踪起始和终结。     

神经网络在雷达信息处理领域的应用

神经网络的大规模并行分布或非线性处理特征为其在雷达信息处理应用奠定了基础。神经网络在雷达信息预处理，多目标跟踪雷达目标识别，下伏面识别，空中交通管制雷达信息分类和反辐射导弹制导方面具有大量应用实例，并且建立了反向散射神经网络模型。本文旨在各种基于神经网络的雷达信息处理方法和结构，详细介绍了利用神经地目标数据进行优化处理，提高目标跟踪分类和识别能力，建立杂波模型等雷达信息处理各个方面的应用，展示了     

基于图网络最优匹配的多目标跟踪算法

为解决多目标跟踪任务中复杂场景下因检测器漏检或频繁遮挡导致特征表达信息不足和数据关联不正确的问题.文章提出了一个双线多目标跟踪方法;使用外观与运动的多特征信息解决特征表达信息不足的问题;而数据匹配采用端到端的图网络(GNN)进行图最优匹配,并结合传统匈牙利算法优化数据关联.实验在MOT数据集上与近年来经典跟踪方法进行了...     

基于注意力机制的行人多目标跟踪方法

多目标跟踪(Multi-Object Tracking,MOT)是智能交通和智慧城市的关键技术之一。针对真实场景下行人多目标跟踪困难的问题,提出了一种基于注意力机制的行人多目标跟踪(Pedestrian Multi-Object Tracking based on Self-Attention,PMOT)算法。在特征提取网络增加注意力机制模块,利用Transformer的编码器结构对行人特征的空间信息进行编码以增强行人的局部特征,实现目标关联精度的提升。为了改善由于长时间遮挡导致的行人目标丢失问题,PMOT算法在数据关联中扩展一个参考特征分支,并结合行人运动特征与外观特征的相似度来实现目标匹配。实验结果表明,提出的算法在MOT17数据集上取得77.0%的跟踪准确度,有效提高了行人目标的跟踪效果。     

基于Transformer网络的机载雷达多目标跟踪方法

传统的多目标跟踪数据关联算法需要提前知晓目标运动模型和杂波密度等先验信息,然而这些先验信息在跟踪之前无法及时准确地获取。针对这个问题,提出一种基于Transformer网络的多目标跟踪数据关联算法。首先,考虑到传感器会存在漏检的情况,引入虚拟量测来重新建立数据关联模型。在此基础上,提出基于Transformer网络的数据关联方法来解决多目标与多量测的匹配问题。同时,设计了一种掩蔽交叉熵损失与重叠度损失相结合的损失函数(MCD)用于优化网络参数。仿真和实测数据结果表明:在不同检测概率条件下,所提算法性能均优于经典的数据关联算法和基于双向长短时记忆网络的算法。      

基于Mean-shift的多目标跟踪算法的设计

针对视频序列中目标的跟踪问题,提出了一种基于模版匹配的多目标跟踪算法.该算法提取目标模版灰度分布特征,并在目标匹配过程中采用Bhattacharyya系数在图像中寻找相似性最高的区域.仿真结果表明,用该算法进行多目标跟踪时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.     

红外警戒系统的多目标跟踪

介绍了一种基于红外全方位警戒的多目标跟踪处理系统的原理、组成和算法。