检索结果-南通市图书馆

基于随机有限集的红外弱小目标跟踪算法的研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于随机有限集的红外弱小目标跟踪算法的研究

作者：周健斌桂林电子科技大学

学位级别：硕士

红外弱小目标跟踪是一种具有挑战性的图像处理任务,它需要在噪声和干扰背景中准确地检测和跟踪目标。而在目标跟踪算法中,随机有限集(Random Finite Set,RFS)是一种用于描述多目标状态的数学工具,它可以处理目标的出现和消失,以及目标... 详细信息

红外弱小目标跟踪是一种具有挑战性的图像处理任务,它需要在噪声和干扰背景中准确地检测和跟踪目标。而在目标跟踪算法中,随机有限集(Random Finite Set,RFS)是一种用于描述多目标状态的数学工具,它可以处理目标的出现和消失,以及目标数量的不确定性,近几年来基于随机有限集框架的红外弱小目标跟踪技术引起了国内外学者的广泛研究。然而,在RFS框架下的红外目标跟踪面临的问题主要体现在:1、红外视频跟踪场景中可能出现目标尺度变化、遮挡、非平面转动、背景混杂等情况,给目标检测和特征描述带来了困难。2、视频跟踪算法需要考虑如何选择合适的观测模型和似然函数,如何自适应地融合多种特征信息,如何有效地管理和更新模型参数等。3、通常需要根据具体的场景和数据进行设定或估计先验参数,但在实际情况中,这些参数往往是未知或难以获取的。如果先验参数设置不合理或不准确,会导致跟踪结果出现误差或不稳定。基于以上问题,本论文在RFS框架下对红外弱小目标的跟踪做出的研究成果如下:1、建立红外弱小目标检测一体化框架:在图像预处理阶段,提出一种多帧累积的坏点去除算法,对多帧累计成的图像与中值滤波的差分图像在四个方向求解梯度图像加权平均响应提取坏点位置并清除坏点;在检测阶段:根据图像特征和跟踪场景复杂度,自适应地选择检测器。首先利用图像的信息熵、离散系数等特征对图片进行加权分类,再根据图像的复杂程度分别采用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征以及小边界框滤波算法检测弱小目标位置。所提出算法在预处理阶段能有效筛除场景中的坏点,在跟踪阶段能根据场景信息自适应地选择对应算法。2、基于广义标签多伯努利(Generalized Labeled Multi-Bernoulli,GLMB)滤波,提出一种适用于视频场景的自适应新生算法。针对跟踪场景中位置的目标检测概率,基于Bootstrap的思想,将集势概率假设密度(Cardinality Probability Hypothesis Density,CPHD)集成到GLMB滤波器中联合估计场景中未知的检测概率和弱小目标。最后,将这两种算法结合,提出自适应的GLMB滤波算法。所提出算法能有效跟踪不同场景下的红外弱小目标,并且比传统的自适应新生算法更具有鲁棒性。3、基于变分贝叶斯(Variational Bayesian,VB)提出了一种改进的概率假设密度(Probability Hypothesis Density,PHD)滤波算法。该算法基于图像中的多个特征建立目标模型与量测模型,并提出多特征似然函数用于多目标状态的更新。针对场景中未知的量测噪声,采用VB推理构造多目标联合后验强度,共同估计场景中未知的量测噪声与目标状态。针对高杂波情况下,PHD滤波对目标势估计不稳定的问题,将Hungarian算法与M/N轨迹起始法相结合,提出一种轨迹碎片清除法,提高PHD滤波对势估计的精度。所提出算法对滤波先验知识未知的情况下能稳定跟踪红外弱小目标。

关键词：随机有限集红外弱小目标自适应新生多特征似然变分贝叶斯

基于标签多伯努利滤波器的多目标跟踪算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于标签多伯努利滤波器的多目标跟踪算法研究

作者：陈东伟西安电子科技大学

学位级别：硕士

近些年来,基于随机集的多目标跟踪技术由于避免了数据关联,大大降低了运算复杂度,迅速成为多目标跟踪领域的研究热点。但随机集模型框架下的滤波算法本质上并非多目标跟踪器,因为并未提供目标航迹,目标仍不可区分。通过将标签思想引入... 详细信息

近些年来,基于随机集的多目标跟踪技术由于避免了数据关联,大大降低了运算复杂度,迅速成为多目标跟踪领域的研究热点。但随机集模型框架下的滤波算法本质上并非多目标跟踪器,因为并未提供目标航迹,目标仍不可区分。通过将标签思想引入随机集,很好地解决了航迹识别问题,基于此而发展出的广义标签多伯努利随机集(Generalized Labeled Multi-Bernoulli,GLMB)滤波器也得到广泛的应用拓展。本文重点研究了基于GLMB滤波器的多目标跟踪方法,具体研究内容安排如下:首先,介绍了GLMB滤波器和δ-GLMB滤波器的核心思想与实现方式。详细介绍随机有限集理论及其在贝叶斯框架下的多目标跟踪递推算法。在此基础上,介绍了GLMB和δ-GLMB滤波算法的核心思想,并给出了具体的预测及更新步骤。其次,针对条件联合决策估计算法在缺乏轨迹先验分布信息的条件下很难计算决策代价以及估计代价的问题,提出一种新的基于广义标签伯努利滤波器的多目标联合跟踪算法,将目标势估计代价、状态估计代价以及决策估计代价统一起来,通过代价最小化获得最优估计。同时,为解决传统δ-GLMB算法对新生目标估计误差较大的问题,提出一种新的自适应目标新生算法,利用构建出的自适应新生模型,将上一时刻接收到的量测信息对当前时刻新生目标的存活概率和状态分布进行预测,并把预测得到的新生目标信息进行滤波迭代。仿真实验验证了所提算法的实时性和准确性。最后,针对现有的多目标跟踪技术在目标空间位置重叠的场景下无法对多目标进行准确跟踪的情况,提出一种新的量测融合场景下的δ-GLMB算法。由于传统δ-GLMB的匹配分组策略不适用于量测融合,提出了一种近似策略较好地解决了量测到目标群之间的匹配优化问题。为了进一步提升目标状态估计精度,提出了量测融合场景下的多目标平滑算法。该算法对多目标状态进行前后向平滑递归,用将来时刻的量测数据进行后向平滑,提高了目标跟踪精度。实验仿真表明此算法在多目标跟踪方面具有良好的性能。

关键词：多目标跟踪 δ-GLMB滤波器条件联合决策与估计自适应新生量测融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

复杂环境下的群目标跟踪算法

复杂环境下的群目标跟踪算法

作者：谢芸桂林电子科技大学

学位级别：硕士

与传统的点目标不同,群目标是由一群间距满足一定约束条件且具有相似运动模式的多个目标组成。这些目标可以分裂、合并,彼此相互靠近,或者在很大程度上相互独立移动。群目标涉及视频监视、军事应用、态势感知等众多领域,群目标的跟踪问... 详细信息

与传统的点目标不同,群目标是由一群间距满足一定约束条件且具有相似运动模式的多个目标组成。这些目标可以分裂、合并,彼此相互靠近,或者在很大程度上相互独立移动。群目标涉及视频监视、军事应用、态势感知等众多领域,群目标的跟踪问题受到了学者们的重视。由于随机有限集在目标跟踪方面具有计算量小、跟踪精度高的优势,将群目标外形建模以及内部关系建模和随机有限集滤波相结合可以达到比较好的群目标跟踪效果。本文在随机有限集滤波器的基础上,研究了复杂环境下的群目标跟踪方法。内容如下:1.为了解决衍生场景下的群目标跟踪问题,将群目标分裂模型与标准泊松多伯努利混合滤波器相结合,提出一种新的泊松多伯努利混合滤波算法。该滤波算法用随机矩阵法对群目标外形进行建模,在预测步骤中先用标准泊松多伯努利混合滤波算法对目标在下一时刻的状态进行预测,然后通过群目标分裂标准对满足条件的群目标进行分裂事件的预测,由于目标的分裂形式有很多种,本文结合多假设结构对多种群分裂事件进行预测,最后将分裂目标的预测和未分裂目标预测放在一起传入更新步骤中。仿真结果显示该算法能对衍生目标进行很好的跟踪。2.为了解决新生目标参数未知的问题,提出了可以预测新生目标的自适应新生群目标多伯努利滤波算法。该算法首先通过似然挑选出用来新生目标的量测,然后用筛选出的量测信息来获取当前时刻新生目标的位置,最后将新生目标替代传统的固定新生,放入预测结果中一起进行递归运算。仿真结果表明该算法能够实现与传统算法相当的跟踪精度,且在不同杂波率和检测概率的场景中具有较强的鲁棒性。

关键词：随机有限集群目标自适应新生衍生

基于δ-GLMB滤波器的机动多目标跟踪技术的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于δ-GLMB滤波器的机动多目标跟踪技术的研究

作者：任海宁哈尔滨工程大学

学位级别：硕士

随着传感器技术的不断发展,多目标跟踪技术已经成为现代军事攻防体系的重要组成部分,其在空中侦察与预警、导弹防御、监视战场等军事领域,以及自动驾驶、机器视觉、医用图像处理等民用领域,均有广阔的应用前景。近年来,基于随机有限集... 详细信息

随着传感器技术的不断发展,多目标跟踪技术已经成为现代军事攻防体系的重要组成部分,其在空中侦察与预警、导弹防御、监视战场等军事领域,以及自动驾驶、机器视觉、医用图像处理等民用领域,均有广阔的应用前景。近年来,基于随机有限集的多目标跟踪技术,因解决了传统的数据关联技术在目标数量增大时产生的组合爆炸问题,逐步成为研究的热点。本文以机动目标为研究对象,从机动多目标跟踪、非线性量测的处理、多普勒雷达量测的应用、目标的自适应检测新生等几个方面,针对标签随机有限集中的δ-广义标签多伯努利(δ-Generalized labeled multi-Bernoulli,δ-GLMB)滤波器进行改进,具体研究内容如下:(1)为了提升δ-GLMB滤波器跟踪机动多目标的性能,借鉴单目标跟踪中的交互多模型框架,推导出一种新的多模型线性高斯δ-GLMB算法,解决了静态多模型算法缺乏必要的信息交互从而导致滤波精度下降的问题。该算法采用多个运动模型描述目标的运动状态,各个模型通过马尔科夫概率转移矩阵进行转移,不同的运动模型采用不同的滤波器,有效提高了δ-GLMB滤波器面对复杂机动场景的适应能力。(2)针对非线性量测下的机动多目标δ-GLMB算法计算复杂度较高、跟踪误差较大以及对杂波变化鲁棒性较差的问题,提出了一种采用去相关无偏量测转换和模糊算法改进的多模型δ-GLMB滤波器。该算法使用去相关无偏量测转换卡尔曼算法代替扩展、容积卡尔曼等传统非线性处理方式,降低了计算复杂度,并提出一种联合波门杂波滤除策略消除虚警量测,最后引入改进的模糊算法,自适应改变运动模型的过程噪声,进一步增加滤波器的跟踪精度。(3)针对δ-GLMB滤波器在多普勒雷达场景下量测信息利用不足,且只能检测固定位置的新生目标的缺陷,提出了基于多普勒雷达的自适应新生量测转换序贯δ-GLMB滤波器。该算法引入多普勒雷达中的多普勒径向速度信息,依次对位置量测和径向速度进行量测转换去相关和序贯滤波,并使用量测驱动确定新生目标的状态分布,实现目标在全检测区域的自适应新生。仿真结果表明,所提算法能够有效利用多普勒量测信息自适应检测新生目标,同时提升对机动多目标的跟踪精度。

关键词：机动多目标跟踪 δ-广义标签多伯努利滤波器交互多模型多普勒雷达自适应新生