沈健[1]2003年在《数据融合多目标跟踪方法研究》文中研究表明系统深入地研究了数据融合中的多目标跟踪问题。首先对数据融合这一门新兴的信息处理学科的理论基础、实现技术、研究现状和意义进行了综述，其次研究讨论了数据融合目标跟踪中的坐标系选择、目标模型的建立、跟踪波门的形成、跟踪起始和终结及航迹维持中的数据关联等关键问题，对各种单目标和多目标跟踪的理论方法进行了系统详细的比较，指出了各自的优点和存在的问题，在此基础上提出了一种新的计算量适中、关联精度较高的多传感器多目标跟踪的航迹关联算法(MSFAFDA)。最后讨论了神经网络技术在目标跟踪中的应用，为了提高跟踪系统的智能化和自动化而提出一种新的多传感器神经网络数据融合多目标跟踪的数据关联算法(NMSFAFDA)，并进行了简化得到SNMSFAFDA算法。蒙特卡洛仿真研究结果表明，这叁种算法均达到了理论研究表明的满足实时跟踪的效果。
李墨[2]2017年在《面向无人驾驶汽车的雷达—视觉集成控制器研究》文中研究说明随着智能汽车自动驾驶技术的高速发展,对于环境感知技术的功能需求和设计要求也在不断提升在智能汽车中,环境感知设备显然必不可少,这其中,毫米波雷达和视觉传感器扮演着重要的角色。而充分运用毫米波雷达采集的电磁信息和视觉传感器所采集的图像信息,特别是两者信息有效融合,是当前智能汽车环境感知技术中的重要研究内容之一。毫米波雷达传感器是一种主动探测类传感器,它可通过发射电磁波并接收电磁回波信号,借助相应的信号处理技术,从而可实时检测、获取运动目标的位置、速度等状态参数信息,但相对来说信息量偏少。但由于图像信息过于丰富,在分析中存在实时性偏弱等问题因此,如何融合毫米波雷达提供的实时信息和视觉传感器提供的丰富图像信息,实现对汽车行驶周围环境中运动目标状态的持续估计,逐渐成为智能汽车环境感知技术中的一项热点和关键问题。本文通过分析智能汽车在城市环境车辆行驶特点,选择跟踪滤波器,设计数据关联方法,针对目标跟踪选择融合结构,设计针对毫米波雷达和单目摄像头的信息融合算法,进而实现复杂环境下对车辆目标的跟踪。本文围绕雷达-视觉集成控制器进行了相关研究和算法设计,主要研究内容包括以下几个方面:首先,本文对目标跟踪基本理论进行了相关研究。一方面对贝叶斯、卡尔曼、扩展卡尔曼和不敏卡尔曼等典型滤波技术进行了相关研究,另一方面自适应目标跟踪方法和机动目标跟踪方法进行了比较分析,此外还对数据关联技术进行了研讨。针对城市环境中运动目标数量多、机动性强等特点,确定本文采用扩展卡尔曼滤波技术、交互多模型目标跟踪方法和全局最近邻数据关联算法,为雷达-视觉集成控制器跟踪算法设计提供理论依据。接着,本文对多传感器融合的基本理论进行了相关研究。通过对美国JDL所提的数据融合框架,理解数据融合的处理流程及主要内容,并对典型数据融合方式和典型数据融合结构进行比较分析,针对雷达信息和视觉信息特点,提出了一种序贯融合方法,相比于采用单一传感器的目标跟踪,可得到更为准确的目标状态估计值,从而为雷达-视觉集成控制的软件设计奠定算法前提。然后,本文进行了了雷达-视觉集成控制器的软件设计。依据城市环境中汽车的行驶特点,采用交互式多模型跟踪方法,建立了静止运动模型、匀速直线运动模型和加速/转向运动模型的状态方程,以及雷达和视觉传感器的观测方程,构建运动目标的系统模型,同时确定了包括含交互融合模块、条件滤波模块、模型概率模块、输出融合模块以及量测预测模块等在内的雷达-视觉集成控制器的总体架构,并对跟踪滤波模块、雷达量测数据关联模块和视觉数据关联模块进行算法设计,利用雷达信息和视觉信息实现了对运动目标的跟踪融合。最后,本文对雷达-视觉集成控制器软件进行了仿真研究。运用MATLAB仿真平台,构建了相关仿真模型,并针对城市环境中的运动目标特性确定了仿真工况,进而对变速直线机动目标、转向机动目标和杂波环境下多目标等典型工况下的目标跟踪进行了仿真分析,验证了雷达-视觉集成控制器软件算法的可行性和有效性。通过本文的研究,实现了雷达-视觉的信息融合,实现对运动目标状态的跟踪,对于智能汽车自主行驶的环境定位、路径规划以及行驶控制提供了必要的目标运动状态信息,为雷达-视觉集成控制器的研究做了基础性工作,对于智能汽车环境感知技术也有一定的理论和参考价值。
申屠晗[3]2014年在《面向目标跟踪的信息反馈融合方法研究》文中指出以信息融合理论为基础的目标跟踪技术指利用雷达、红外、声纳等多种传感器的观测信号对未知目标的数量、位置、速度、身份等状态进行估计的过程。目标跟踪技术已被广泛和成功地应用于军事和民用领域,包括国土防空、导航、制导、探测、定位、交通、制造、金融和医疗等。近年来,目标跟踪环境日趋复杂,强杂波干扰、大观测误差、低信噪比和高机动等大量不确定因素使传统目标跟踪技术受到严重挑战。由于传统目标跟踪技术采用单向开环融合模式,不利于信息的存储、挖掘与复用,导致复杂环境下跟踪效果下降。为此,本文将信息反馈融合的理念融入传统目标跟踪技术,较系统地研究了面向目标跟踪问题的信息反馈融合框架、方法和工程算法,主要研究成果如下：1)针对传统信息融合方法缺乏信息反馈融合机制的缺陷,首创性地提出了空域信息融合平面与时域信息融合空间的概念,并构建了一般性的信息反馈融合框架。2)针对传统变结构多模型方法缺乏后验信息反馈融合机制的缺陷,提出信息反馈融合最小熵变结构多模型方法(MEVSMM, Minimum Entropy Variable Structure Multiple-Model)和次优算法,将后验香农信息熵作为评价模型序列集的质量指标,利用信息反馈融合完成MSA(Model Sequence Set Adaptation)优化过程。与传统多模型方法相比,本方法估计精度更高、鲁棒性更好。3)针对复杂观测误差环境下传统MSE(Minimum Shannon Entropy)方法跟踪效果退化的缺点,提出用GE(Geometrical Entropy)度量来补偿SE(Shannon Entropy)度量的估计偏差,并构建了信息反馈融合最小几何熵多模型方法(MGEMM, Minimum Geometrical Entropy Multiple-Model)和两个次优算法。与传统MSE方法相比,在先验观测误差分布与实际分布不一致时,本方法所得到的跟踪估计结果精度更高、鲁棒性更好。4)针对传统多模型融合方法缺乏历史信息反馈处理机制的缺陷,提出历史信息反馈融合多模型估计方法(HFMM, Historical Feedback MM)和次优算法来解决历史估计信息的反馈融合问题。与传统多模型方法相比,本方法提升了历史融合信息的利用率,从而获得精度更高、鲁棒性更好的融合估计结果。5)针对传统PHD(Probability Hypothesis Density)跟踪方法在缺乏目标初生先验信息时失效的缺陷,提出历史信息驱动反馈融合多目标跟踪方法HIFMTT (Historical Information Feedback Fusion Multiple Target Tracker)和次优算法。与传统PHD方法相比,无论是否具备目标初生先验信息,本方法都能较好地完成多目标跟踪工作。6)针对传统HIFMTT方法在跟踪隐身目标时结果退化的缺陷,提出信息预测反馈融合多目标跟踪方法IPFMTT (Information Prediction Feedback Fusion Multiple Target Tracker)和次优算法来克服隐身目标观测检测率较低的困难。与传统HIFMTT方法相比,本方法以小幅增大跟踪虚警率的代价大幅提升了跟踪检测率。
倪龙强[4]2015年在《目标跟踪系统数据处理关键技术研究》文中认为综合利用来自多种传感器输出的目标和环境信息,及时、准确、有效的实施对海陆空天各路目标的状态估计与信息融合(即数据处理),是战场预警、精确打击、空中交通管制、智能监控等重要领域的关键技术之一。随着感知环境与对象复杂多变、感知手段日益丰富、感知要求日益提高,使得目标跟踪问题越来越呈现出复杂系统的不确定、非线性、多模态等复杂系统特性。本论文紧密围绕目标跟踪系统中的非线性估计、数据关联、弱小目标检测与跟踪、多传感器融合等关键技术进行研究,主要内容与创新点如下:(1)针对固定采样数目粒子滤波器效率低下以及KLD采样方法门限选择困难等的缺点,提出了一种平滑辅助的自适应采样粒子滤波方法。设计了一种基于粒子平滑器的在线度量指标,实时度量上一时刻的滤波结果,从而自适应选择下一时刻的采样粒子数量。由于采用了粒子平滑和自适应采用策略,使得算法具有较好的估计精度。仿真结果表明了算法的有效性。(2)针对雷达对某型靶机试验的机动目标跟踪问题,设计了一种交互式多模型不敏卡尔曼滤波器(IMM-UKF)。并与经典的模型切换方法进行了比较分析,通过实际工程验证,结果表明:虽然两种方法都能够对机动目标进行连续跟踪,但是基于决策逻辑的模型切换法在模型切换过程中跟踪误差超差严重,而多模型跟踪方法在整个跟踪过程中误差稳定。(3)针对传统联合概率数据关联方法(JPDA)在密集杂波环境下确认矩阵构造困难等不足,提出了一种基于粗糙集的概率数据互联方法。基于粗糙集理论来处理落在跟踪门内的回波量测,通过计算关联近似质量对目标量测进行分类,将跟踪门交叉区域内的量测区分对待,避免复杂的确认矩阵计算。通过某防空武器在复杂电磁环境下的适应能力试验表明:与JPDA算法相比较,本文提出的粗糙集概率数据互联在不损失估计精度的情况下,有效降低了计算量。(4)针对复杂环境下弱小目标检测与跟踪问题,提出了一种量测空间自适应划分的微弱多目标检测前跟踪方法。采用两层划分策略,先对量测空间进行粗划分,通过量测似然比检验目标可能存在的区域;再对目标存在区域进行细划分,设计了一种带有目标可见性和关联性指示信息的Rao-blackwellised粒子滤波器进行目标的检测和跟踪,从而自适应调整量测空间的划分粒度。仿真结果表明:本文提出的方法能够在较低的计算复杂度条件下有效提高目标检测与跟踪性能。(5)针对多传感器目标识别可能存在冲突问题,提出了一种基于局部冲突分配策略的证据合成规则。综合考虑了各传感器对不同目标识别结果之间的冲突和不同传感器对同一目标识别之间的冲突,进行冲突的局部分配和证据合成。通过多传感器联合识别算例,对该方法进行了验证。结果表明:所提出的方法具有良好的一致性,同时在冲突证据合成时,能够有效提高目标识别能力、降低决策风险。(6)针对低检测概率、密集杂波复杂环境下的多目标跟踪问题,提出了一种基于Rao-Blackwellized粒子滤波的联合多传感器多目标跟踪方法。通过建立目标数目的马尔科夫模型,多传感器多目标关联假设的贝叶斯全概率模型,采用Rao-Blackwellized粒子滤波进行统一联合处理。仿真结果表明:所提出的方法能够处理目标数目未知条件下的非线性、机动多目标检测、关联与跟踪问题。(7)工程中通常先用雷达对远距离目标进行探测和跟踪,等目标到达红外跟踪范围内以后,跟踪系统应用雷达输出的目标状态对红外跟踪系统进行导引。然而,由于红外只能输出关于目标的测角信息,要完成跟踪任务就必须要有其它辅助手段来获取目标距离信息,因此本文对雷达/红外联合跟踪方法进行了研究,设计了雷达/红外联合跟踪器,通过仿真对融合系统的性能进行分析。
杨柏胜[5]2009年在《被动多传感器探测目标跟踪技术研究》文中研究表明被动多传感器目标跟踪是多传感器数据融合的一个重要研究内容,在军用和民用领域具有广阔的应用前景,备受国内外学者和工程领域专家的关注。本文针对被动多传感器探测的目标跟踪问题,从系统参数优化设计和目标跟踪方法等方面进行了深入、系统的研究,提出了一些有效的新方法。取得主要成果如下：1在系统参数优化设计方面,提出了一种基于目标跟踪精度分析的系统参数优化设计算法,采用多传感器集中式融合方式与扩展卡尔曼滤波(EKF)相结合实现被动目标跟踪,并推导了跟踪误差的克拉美-罗下限。在此基础上,给出了监视空域内目标跟踪精度的几何分布(GDTE)。此外,通过分析系统参数对目标跟踪精度几何分布的影响,给出了提高系统性能的有效措施。2在单目标跟踪方面,提出了一种基于无迹卡尔曼滤波(UKF)的被动目标跟踪算法,将无迹变换(UT)引入卡尔曼滤波,避免了传统的扩展卡尔曼滤波的线性化近似过程,在保证目标跟踪实时性的前提下,有效提高了目标跟踪精度。针对单一坐标系下滤波算法中目标状态耦合问题,提出了一种基于混合坐标系无迹卡尔曼滤波(HC-UKF)的被动目标跟踪算法,利用无迹变换实现目标状态的坐标转换,降低了目标状态的耦合程度,有效提高了目标跟踪精度。针对基于粒子滤波(PF)的被动目标跟踪算法计算量大的问题,提出了一种基于拟蒙特卡罗采样高斯粒子滤波(QMC-GPF)的被动目标跟踪算法,通过拟蒙特卡罗采样实现高斯粒子滤波的递归计算,减少了样本点数量,在保证目标跟踪精度的前提下,有效降低了算法的计算复杂度。3在机动目标跟踪方面,提出了一种基于二次加权变结构多模型(RVSIMM)的被动机动目标跟踪算法,将二次加权过程引入到模型交互过程中,提高了模型融合精度。为了避免不匹配模型的影响,引入模型集合自适应调整过程,在降低计算复杂度的同时,提高了目标跟踪精度。提出了一种基于自适应两阶段扩展卡尔曼滤波(RTSEKF)的被动机动目标跟踪算法,采用两阶段卡尔曼滤波分别估计目标状态和机动偏差扰动,通过对机动偏差的在线估计来修正滤波输出,并引入改进的噪声自适应估计算法实时估计模型噪声参数,在不明显增加计算量的情况下,有效提高了目标跟踪精度。4在多目标跟踪方面,针对杂波环境下数目未知且时变的多个机动目标的跟踪问题,提出了一种基于交互多模型概率假设密度(IMM-PHD)滤波的被动机动多目标跟踪算法,将多目标状态和观测建模为随机有限集合,并通过概率假设密度滤波(PHD)同时估计目标数目和状态。为了避免目标机动时出现失跟现象,将交互多模型算法(IMM)引入到滤波递归过程中,有效提高了目标跟踪精度。
赵海楠[6]2016年在《视觉目标跟踪中表观建模方法研究》文中研究说明视觉目标跟踪(Visual Object Tracking)是计算机视觉和模式识别领域的重要课题之一,在智能交通、视频监控、人机交互、智能导航等领域有着广泛的应用。典型的视觉目标跟踪算法主要由表观建模、目标状态搜索和表观模型更新叁个部分组成,其中表观建模处于核心地位,直接影响目标跟踪效果。尽管研究者提出了大量针对视觉目标跟踪的表观建模方法,然而设计一个适用于实际应用中各种复杂跟踪环境的鲁棒表观模型,仍然是目标跟踪领域的难点问题之一。本文从多特征融合精度、遮挡的检测与处理、表观模型的稳定性和判别性以及多目标跟踪中不同目标物的有效区分等方面对表观建模方法展开研究与讨论,主要研究内容包括以下四点:基于多特征融合的表观建模方法研究。多特征融合方法是表观建模的常用方法,其核心问题是如何准确评估不同特征对目标的描述能力,从而在目标跟踪过程中自适应调整特征融合权重,利用特征之间的互补性提高表观模型的鲁棒性。为了提高多特征融合方法中特征融合的精度,本文提出了一种基于局部核加权的多特征融合表观建模方法。将目标区域分解为多层次的子图像块,在每个子图像块上分别提取背景加权特征直方图,以子图像块为单位调整特征间的融合权重。该方法突出了图像特征对目标局部区域的描述能力,提高了目标整体表观模型的特征融合精度。实验结果表明所提出的方法相比于传统的多特征融合方法具有更好的跟踪精度和稳定性。目标跟踪过程中的遮挡检测与处理方法。遮挡一直是视觉目标跟踪中的一个难点问题。本文针对基于稀疏表示的目标跟踪方法中普遍采用的单位噪声矩阵对目标遮挡描述能力较差的问题,提出了一种局部稀疏表示表观模型对目标遮挡区域进行检测。以此为基础,在候选观测似然计算过程中以及目标观测模板更新过程中,显式地对遮挡区域进行限制与修正,在一定程度上减轻了遮挡对目标跟踪定位的负面影响。实验结果表明,所提出的方法对目标跟踪过程中的各种遮挡情况具有较好的鲁棒性。基于稀疏编码的表观建模方法研究。在前面的方法中,我们利用稀疏表示对目标局部图像块的表观特征进行描述,取得了较好的遮挡检测效果。然而该方法只考虑了如何有效地对目标的局部图像特征进行描述,并没有考虑局部特征之间的空间结构信息对目标的描述能力,以及局部特征对目标表示的判别能力。为了提高表观模型的稳定性和判别能力,本文提出了一种基于判别式稀疏编码的表观模型。首先,提出一种判别式基函数学习方法,使得局部图像块的稀疏编码系数向量对目标和背景具有更好的区分度。然后,将所有局部图像块的稀疏编码向量按照结构化方式进行聚集,生成目标整体特征向量。并在聚集过程中,提出了一种基于特征维度可分性统计的降维方法,对稀疏编码向量中的噪声进行过滤,从而进一步提高整体目标特征向量的类间区分度。最后,将目标跟踪问题转化为一个二分类问题实现目标定位。实验结果表明,所提出的方法对光照变化、严重遮挡、混乱背景等复杂跟踪环境具有较好的适应力。多目标跟踪中的表观建模方法研究。在对单目标跟踪任务中表观建模方法进行了研究与讨论的基础上,我们将研究内容扩展到多目标跟踪任务中。相比于单目标跟踪,多目标跟踪更为复杂。除了要应对来自目标自身和外界环境的各种变化以外,多个跟踪目标之间经常出现的相互遮挡和交替并行等情况,使得多目标跟踪面临着更大的挑战。为了解决多目标跟踪中由于目标物外观相似、空间距离相近等因素造成的目标之间区分困难的问题,本文提出了一种基于SRC(Sparse Representation based Classification)和MFH(Multiple Features Hashing)的联合表观模型。首先,将多个目标物的区分问题转化为一个SRC问题,构造了一个基于SRC的判别式全局表观模型,用以区分所有目标。其次,针对空间距离较近,区分较为困难的二元目标对,构造了一个基于MFH的局部二元区分模型,提高算法对困难二元目标对的区分能力。最后,给出了一种启发式优化算法,求解联合表观模型下的较优关联矩阵。实验结果表明,所提出的方法能够有效提升多目标跟踪效果,尤其在减少目标身份变换方面效果较为明显。
张国亮[7]2016年在《红外多光谱多个弱小运动目标的检测与跟踪技术研究》文中研究表明随着目标隐身和诱饵干扰等反导技术的快速发展,探测包括诱饵和目标在内的多个运动目标变得越来越重要。但是由于目标的信噪比很低,使得现有的红外宽带探测技术无法满足复杂背景下目标的检测与跟踪。因此本文利用目标的多个光谱信息,针对低信噪比条件下的多个弱小运动目标的检测和跟踪进行研究,主要工作如下:本文利用二维经验模态分解(BEMD)方法在处理非线性非平稳数据方面的优势,对红外多光谱图像进行融合处理,在此基础上提出基于二维经验模态分解的异常检测算法,实现红外弱小目标的检测。该算法由于利用了红外多光谱图像的多尺度信息,可抑制背景杂波和消减高频噪声,进而可以提高检测概率。通过仿真数据和获得的真实图像对提出的算法进行了测试。实验结果表明,相比传统异常检测算法,本文提出的算法对检测弱小目标有更好的性能。同时该算法可为后续序列图像中弱小运动目标的检测与跟踪提供先验知识。针对红外多光谱图像序列中单个弱小运动目标的检测和跟踪问题,建立了单个运动目标的动力学模型和多光谱图像序列的量测模型。通过分布式估计融合策略对各传感器形成的局部航迹进行融合,在此基础上提出粒子滤波跟踪新算法。提出了基于序贯式量测融合策略的粒子滤波检测算法,该方法由于利用了各个波段所有的原始量测数据,因此检测概率高。提出的两种算法新生粒子建议密度函数由当前时刻的检验统计量生成,可以有效地减小粒子搜索空间,进而提高计算效率。相比传统单波段检测和跟踪算法,本文算法通过融合光谱信息能够进一步提高低信噪比条件下弱小运动目标的检测和跟踪能力。研究了红外多光谱图像序列中多个弱小运动目标的检测问题。在单目标运动模型和量测模型的基础上建立多目标运动模型和量测模型。应用马尔科夫链对目标的存在变量进行建模,将多目标的联合检测和跟踪变为混合滤波问题。通过混合滤波获得目标的存在概率和状态估计,在贝叶斯滤波框架下提出了多个弱小运动目标的检测前跟踪方法,由交互式混合粒子滤波算法推导出目标出现个数后验概率的解析解,并最终实现多个弱小运动目标的检测。仿真实验验证了该算法的有效性。对红外多光谱图像序列中多个弱小运动目标的跟踪问题展开研究。由于概率假设密度滤波器(PHD)可将多目标跟踪问题在单目标状态空间中计算,而且不需要数据关联,因此其计算复杂度大大降低。首先研究了随机有限集理论和PHD滤波器,其次推导了概率假设密度滤波器的序贯蒙特卡洛实现方法,在此基础上建立了概率假设密度滤波器检测前跟踪算法。然后应用集中式融合策略提出了自适应多光谱概率假设密度滤波器检测前跟踪算法,该算法中的检测概率可通过图像数据自适应的计算。仿真实验结果表明本文所提算法对红外多光谱图像序列中的多个弱小运动目标的跟踪具有良好性能。
卢胜男[8]2016年在《复杂交通视频场景中的车辆轨迹提取及行为分析》文中研究说明基于视频的车辆运动轨迹提取及行为分析作为一个多学科交叉融合形成的研究领域,涵盖了数字图像处理技术、人工智能以及模式识别等多学科知识。然而,由于该领域研究对象复杂,涉及学科众多,目前仍有很多难点问题亟待解决。复杂交通场景中运动车辆检测、跟踪和行为识别一直是该领域研究的热点和难点,许多方法和技术还不够成熟和完善。本文围绕基于视频的车辆轨迹提取与行为分析中的目标车辆检测、运动车辆跟踪、车辆轨迹相似性度量和轨迹聚类等关键问题进行了深入研究,取得了以下主要研究成果:1)针对复杂交通场景下的车辆目标检测,本文提出一种基于车辆对称特征和阴影特征的车辆目标检测方法。该方法在SURF特征提取算法的基础上,利用水平镜像矩阵构造新的SURF特征描述算子。由于视觉上具有对称特性的特征点处于不同尺度时,其匹配误差会比较大。因此,本文从减少Haar特征累加次数和降低尺度对特征点表示的影响两方面入手,对S-SURF算法进行改进和优化。然后采用优化的S-SURF算法对车辆的对称特征进行提取,并利用车辆对称特性对车辆的中心位置进行定位,最后,根据车辆底部阴影特征对车辆目标进行识别和区域定位。实验结果表明,该方法利用局部不变特征集合来描述车辆目标,有效地避免了复杂场景下的目标分割难题,同时简化了局部特征检测方法中的聚类问题,复杂度较低,且具有较高的准确性。2)运动车辆的可靠稳定跟踪是车辆轨迹提取的关键。本文提出一种融合特征匹配和光流法的车辆目标跟踪方法,该方法在基于双向可逆性约束的KLT算法的基础上,构造新的偏移量估算方法,对稳定性较差的特征点进行剔除,提高了特征点跟踪的可靠性和稳定性。同时,采用SURF特征匹配算法作为补偿机制对目标特征点集进行更新和校正。最后,结合初始帧中特征点之间相对位置和相对角度的关系,确定当前帧中目标的尺度变化和旋转变化,并采用层次聚类的方法,对特征点进行聚类,以此删除异常特征点,从而确定当前帧中的目标区域。该算法将两个匹配策略相结合,既提高了跟踪算法的稳定性,也很好地解决了目标在被跟踪过程中发生的形变、部分遮挡等问题,对目标的尺度和旋转变化也具有较强的鲁棒性。3)运动轨迹的相似性度量是轨迹聚类过程中的一个核心问题,由于车辆轨迹的复杂性和多样性,现有度量方法都有其局限性。本文提出一种融合多特征和编辑距离的轨迹相似性度量方法。该方法在EDR编辑距离的基础上,结合轨迹点的速度和方向特征,对轨迹进行分段处理,并给具有不同特征意义的分段赋予不同的编辑操作代价值。最后,对基于分段表示的IEDR算法进行了进一步的定义和分析。该算法保留了EDR算法的允许时间伸缩、抗噪性等优点的同时,将轨迹点的位置、速度和方向特征合理地融入到车辆运动轨迹的相似性度量中,进一步提高了轨迹相似性度量的准确性和鲁棒性。4)车辆行为模式学习的目的是提取出具体交通场景的常态运动模式,从而为车辆异常行为识别研究提供前提条件。本文提出一个基于增量式DPMM的贝叶斯最大后验概率估计方法的轨迹聚类模型。该方法采用DFT系数作为轨迹的特征表示方法,提出一种基于DPMM的轨迹聚类方法,并在此基础上,对Gibbs抽样过程进行改进,以已分类轨迹作为先验知识,对新增轨迹类别进行划分。同时,在分类过程中,学习轨迹的常态运动模式,通过运动模式和方向模式匹配策略,对车辆异常行为进行判别。该算法不需要训练样本,而且随着新增轨迹的到来而变化,聚类模型能够实现自适应变化及模型参数学习和分类数目自动更新的任务,很好地解决了由于交通异常行为的不可预知、不常发生性引起的数据稀疏情况下的模型训练困难问题。同时,利用已有聚类结果,将每次新增轨迹划分到已有类别或新类中,不需要每次对所有轨迹进行重新聚类,聚类效率大大提高。
司冠楠[9]2013年在《面向多目标跟踪的多传感器数据融合方法研究》文中认为目标跟踪技术产生于战争年代，发展至今已经取得了不少丰硕的成果。由于监控区域内大多情况下存在着多个目标，且目标个数随时间变化，因而针对多个目标跟踪一直以来都是目标跟踪问题中的热点与难点。对于多个目标跟踪需要大量的传感器监测数据，因而单个传感器往往不能满足需求，需要多个传感器获取监控区域内多个目标全方位、多层次的探测数据。利用数据融合的方法，将多个传感器所获得的具有冗余性、互补性的数据进行关联与滤波，最终形成监控区域内多个目标的轨迹信息。此外还应考虑由传感器本身特点或被跟踪目标属低空、弱小目标的范畴导致的传感器低检测概率，给多目标跟踪问题带来的巨大困难。本文首先在研究传统的混合式与多级式数据融合处理结构的基础上，提出了一种新形式的串联型混合式数据融合处理结构。该融合处理结构兼具分布式与集中式融合处理结构的特点。基于该新形式的融合处理结构以及分布式融合处理结构，给出了概率假设密度滤波状态估计方法的两种可实现的融合处理结构。其次，依据数据融合中心前端的系统数据融合处理结构，将数据关联方法分为分布式航迹关联与集中式数据关联，并分别进行深入研究。对基于模糊推理的数据关联与联合概率数据关联进行仿真对比，验证了在复杂环境下的多目标跟踪，前者关联表现更优。最后，对贝叶斯滤波框架下的卡尔曼滤波、粒子滤波等传统的状态估计滤波方法进行了研究，并重点对基于随机有限集的概率假设密度滤波方法进行了分析研究。针对非线性非高斯系统的多目标跟踪，提出了一种改进的边缘化粒子概率假设密度滤波方法，解决了多目标跟踪中目标漏跟的问题。针对传感器低检测概率下的多目标跟踪，提出了一种概率假设密度平滑器的解决方案，降低了传感器低检测概率下的目标漏跟率和误跟率。
白东炜[10]2006年在《多传感器数据融合系统中的目标跟踪技术研究》文中研究说明多传感器数据融合是对多源信息进行处理的一门综合性学科,多目标跟踪是其中最活跃的研究领域。本论文主要研究在多传感器数据融合系统中如何提高目标跟踪的精度。本文介绍了数据融合、目标跟踪的基本原理,研究了单雷达环境下机动多目标的跟踪方法,给出了雷达组网的数据准备以及雷达组网环境下目标航迹关联和融合的方法。针对已有杂波环境中机动多目标跟踪算法运算量大的不足,提出了一种基于自适应a-β滤波和模糊数据关联的新方法,并利用滤波过程中获得的机动参数来实时地调整波门的大小。该方法计算量小,易于工程实现。针对多传感器数据融合在目标航迹融合时存在的模糊性,提出了一种基于模糊聚类的多传感器航迹融合方法,该方法将航迹关联和航迹融合有机地结合为一个整体,综合考虑了距离信息和方位信息,有效地降低了融合的模糊度,提高了融合精度。Monte Carlo仿真结果表明了该方法良好的性能。
参考文献：
[1]. 数据融合多目标跟踪方法研究[D]. 沈健. 西北工业大学. 2003
[2]. 面向无人驾驶汽车的雷达—视觉集成控制器研究[D]. 李墨. 吉林大学. 2017
[3]. 面向目标跟踪的信息反馈融合方法研究[D]. 申屠晗. 浙江大学. 2014
[4]. 目标跟踪系统数据处理关键技术研究[D]. 倪龙强. 西北工业大学. 2015
[5]. 被动多传感器探测目标跟踪技术研究[D]. 杨柏胜. 西安电子科技大学. 2009
[6]. 视觉目标跟踪中表观建模方法研究[D]. 赵海楠. 哈尔滨工业大学. 2016
[7]. 红外多光谱多个弱小运动目标的检测与跟踪技术研究[D]. 张国亮. 哈尔滨工业大学. 2016
[8]. 复杂交通视频场景中的车辆轨迹提取及行为分析[D]. 卢胜男. 长安大学. 2016
[9]. 面向多目标跟踪的多传感器数据融合方法研究[D]. 司冠楠. 沈阳理工大学. 2013
[10]. 多传感器数据融合系统中的目标跟踪技术研究[D]. 白东炜. 西安电子科技大学. 2006
标签：自动化技术论文; 数据融合论文; 红外传感器论文; 仿真软件论文; 传感器技术论文; 红外技术论文; 概率计算论文; 运动估计论文; 卡尔曼滤波论文; 人工智能论文; 视觉检测论文; 平滑滤波论文; 图像滤波论文; 雷达论文; 算法论文;