多目标跟踪系统性能评估及软件包

提出了多目标跟踪性能分类测试体系，完成了多目标跟踪性能测试评估的各种功能软件及相应的软件包。     

用TMS320C25数字信号处理器实现多目标跟踪

多目标跟踪的主要问题是有效区域,即窗口的定义,数据联想和状态预测.窗口定义了一个测量向量的有效区域,它是用高斯、矩形和椭圆函数来定义的.数据联想是一个复杂的任务.许多有关快速和复杂的技术已经报道过.Barshalon等人提出了一个概念,对单目标用概率数据联想,而对多目标,用联合概率数据联想.这些算法在计算上是复杂的,并且在仿真几个目标的时候,实时完成要求庞大的数据吞吐量.     

视场非完全重叠的分布式雷达多目标跟踪方法

在探测能力、波形设计及天线指向等因素制约下,分布式雷达视场并非完全重合,由此造成的观测信息差异给后续信息融合带来了巨大挑战。该文基于高斯混合实现的集势概率假设密度(CPHD)滤波器,提出了一种视场部分重叠下的分布式雷达多目标跟踪方法。首先,利用多目标密度乘积切分出概率假设密度(PHD)中表征共同观测信息的部分;之后,标准的分布式融合(算术平均或几何平均融合)方法作用于切分出的共同观测目标信息以提升跟踪性能,补偿融合则作用于雷达单独观测目标信息以扩展视场范围。该文方法无须视场先验信息,能够适应雷达视场未知时的分布式融合多目标跟踪场景。仿真实验验证了所提出方法在未知、时变雷达视场下跟踪多目标的性能,表明了该文方法比基于高斯混合的聚类方法性能更好。      

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。      

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。     

基于目标容量的网络化雷达功率分配方案

针对现有网络化雷达功率资源利用率低的问题,该文提出一种基于目标容量的功率分配(TC-PA)方案以提升保精度跟踪目标个数.TC-PA方案首先将网络化雷达功率分配模型制定为非光滑非凸优化问题;而后引入Sigmoid函数将原问题松弛为光滑非凸优化问题;最后运用近端非精确增广拉格朗日乘子法(PI-ALMM)对松弛后的非凸问题进行求解.仿真结果表明,PI-ALMM对于求解线性约束非凸优化问题可以较快地收敛到一个稳态点.另外,相比传统功率均分方法和遗传算法,所提TC-PA方案可以最大限度地提升目标容量.     

基于视频多目标跟踪的高度测量算法

本文提出了一种基于视频多目标跟踪的高度测量算法.首先,采用码本模型检测前景,利用图割理论实现对多目标的跟踪.然后,提取每一帧中目标的头部特征点和脚部特征点,根据投影几何的约束关系计算每个目标的高度.最后,融合多帧的测量结果进行数据优化.本文提出的算法不需要对相机进行完全标定,只需计算摄像机的灭点和地平面的灭线,降低了计算的复杂度.实验结果表明,本文提出的算法具有较高的测量精度,对遮挡和运动状态变化具有较强的鲁棒性,同时,能够满足实时性要求.     

靶场测量中跟踪目标的多尺度多级模糊聚类分类算法

靶场测量中的连发弹目标数量较多,需要对此目标进行分类跟踪,文章提出了一种多尺度多级模糊聚类的分类算法,首先对靶场测量中的多连发目标的特性进行分析,定义了3种不同的类目标群序列,其次针对模糊聚类算法必须先验确定聚类初始点以及聚类中心的缺陷,在此基础上加入尺度因子,并根据目标群的位置信息以及运动方向信息进行多级聚类,最后通过多次聚类实验证明分类结果能够满足靶场测量中的多连发目标的分类要求。     

智能交通监控系统中多目标跟踪算法

在视频监控系统中,以自适应背景差分法提取运动目标,并以单连接区域增长法标记各运动目标区域.针对在城市交通监控系统的特点,建立视频流中帧间图像的约束条件,利用相邻两帧目标之间的距离、平均灰度以及面积差等特征建立匹配距离测度函数,通过求全局最优解使得距离测度达最小,进而确定最佳匹配目标,并分析了目标运动过程中的遮挡现象及提出了解决方法.实验结果表明,该方法跟踪运动目标准确率达98%.     

一种基于杂波稀疏度改进的杂波密度估计方法

在实际跟踪环境中,杂波测量空间分布特性往往是未知时变的,杂波密度通常被用来描述杂波测量的空间分布特性,是决定多目标自动跟踪性能的核心环境要素。现有的空间稀疏度的杂波密度估计方法(Spatial Clutter Measurement Density Estimator, SCMDE)在多目标自动跟踪场景下的杂波密度估计偏差急剧增大。针对以上问题,提出了一种基于SCMDE改进的杂波自适应估计方法,通过计算以待估点为中心的超球体内测量来源于杂波的概率估计超球体内真实的杂波个数,消除超球体内目标测量带来杂波密度估计偏差,从而提升复杂环境下多目标自动跟踪的航迹管理性能。