海上低空突防群目标跟踪的IMM-Bayesian实现

由于海上低空突防编队目标存在低检测和高机动的特点,采用传统跟踪算法对编队内目标逐个跟踪存在航迹连续性差、关联混乱等问题。针对上述问题,基于对编队群整体跟踪的思想,将交互式多模型(IMM)与Bayesian算法相结合,采用IMM-Bayesian算法完成典型机动场景下(拐弯、合并、分裂)海上低空编队群目标整体的跟踪,同时利用随机矩阵作为群的扩展状态完成对群形状信息的估计。其中,对海上低空突防编队群目标运动过程中出现的分裂与合并现象,在IMM-Bayesian算法的基础上采用最近邻分类的思想对其进行有效跟踪。仿真结果表明了算法的有效性。     

飞行小目标自适应双波门跟踪算法

波门跟踪是一种利用实际图像处理的区域范围的视觉跟踪算法。在飞行小目标信噪比较低的情况下,现有方法往往不能获得稳定的跟踪结果。针对小目标跟踪的特点,提出了一种自适应双波门的跟踪算法。该算法采用帧间差分算法检测小目标,通过质心标定修正当前帧目标的初始位置,并利用最小二乘估计预测算法实现目标范围的估计,从而实现自适应跟踪的目的。实验结果表明,即使在飞行小目标被短时遮挡情况下,利用本算法也能稳定地检测出它的位置,能根据目标的轮廓自适应地确定目标波门形状,并能有效解决目标跟踪偏移和短时丢失等问题。     

多坐标系下目标跟踪的联合滤波

针对雷达目标观测和处理在不同的坐标系下完成，本文提出了联合滤波算法来跟踪机动目标。该算法以卡尔曼滤波器为基础，直角坐标系下和极坐标系下的算法相联合，不仅克服了两种坐标系下滤波算法的不足，而且对机动目标有很好的跟踪效果。仿真实验结果表明了该算法的有效性。     

基于注意力机制和特征匹配的空对地多目标检测与跟踪算法

多目标跟踪算法是实现无人机自主导航的关键技术，为解决现有方法存在的小目标检测能力弱、计算能耗大、鲁棒性差等问题，提出一种基于注意力机制和特征匹配的多目标空对地跟踪算法，以实现航拍视角下对目标的精准高效跟踪。首先，引入通道可分离卷积，实现目标检测模型的轻量化；其次，构造融合空间注意力机制的小目标检测分支，提高对小微目标的检测精度，最后，优化目标跟踪算法的外观重识别网络，提高多目标跟踪效率。使用Visdrone2019-MOT数据集对所提算法进行验证，实验结果表明，所提算法的MOTA值提高了0.６%，FPS值为21.31帧/s，在模型大小和跟踪精度上实现了较好的平衡。     

一种基于扩展模型的隐身目标检测前跟踪方法

现有的检测前跟踪算法对高分辨雷达隐身目标模型适应性不强,从而容易导致跟踪发散。针对该问题,把粒子滤波与检测前跟踪算法相结合应用于扩展隐身目标的检测跟踪,提出了一种隐身目标扩展模型检测前跟踪方法。首先,采用扩展模型对目标的扩展属性进行假设检验,从而判断目标是否为扩展目标;然后,把目标扩展长度引入状态向量,进行基于扩展模型的隐身目标检测前跟踪（Track-before-detect,TBD）,克服粒子滤波易发散的不足,实现对目标空间长度的估计。仿真结果表明,该算法能够准确判断目标的扩展属性并进行有效的检测跟踪。     

红外成像导引系统跟踪算法研究

实时目标跟踪是当前红外成像导引头图像处理中的关键技术,但是在目标跟踪的末端,匹配点漂移和滑动将直接影响目标跟踪精度,甚至使导弹丢失目标。本文深入分析了跟踪点滑动的原因,提出了基于特征点邻域的边缘模板匹配目标跟踪算法。该算法从红外图像中获取特征点,以特征点为中心选取参考模板,然后利用边缘检测算法获得边缘点集,最后使用改进的Hausdorff距离测度进行边缘点集的匹配,从而实现实时目标跟踪。仿真实验测试证明,该方法能够很好地解决跟踪点滑动和漂移问题,并满足实时性要求,跟踪稳定。     

单天基平台测向的空间非合作目标跟踪

针对仅含角度测量信息的单个天基平台可观测性较弱的问题,提出了一种含脉冲机动检测的空间非合作目标跟踪算法,并设计了非合作目标实时跟踪数据处理流程.该算法利用抗差估计技术和UKF（Unscented Kalman Filter,无迹卡尔曼滤波）算法构造目标跟踪滤波器,并综合残差多项式拟合和新息分布特征等方法实现目标机动检测,在天基平台观测信息类型有限和观测几何较差的情况下,可以同时排除孤立野值和成片测量野值的影响,实现非合作机动目标的连续稳定跟踪.数值实验验证了算法的可行性和有效性,也表明了跟踪精度和可靠性与测量精度密切相关.     

一种融合卡尔曼滤波的改进时空上下文跟踪算法

针对时空上下文跟踪算法对快速运动和遭受严重遮挡目标的跟踪精度下降问题,提出一种融合卡尔曼滤波的改进时空上下文跟踪算法。首先人工标记目标所在的矩形区域,然后利用改进的时空上下文算法对目标进行稳定跟踪,在跟踪过程中,基于连续两帧图像灰度的欧氏距离判定目标跟踪状态,当判定目标遭受严重遮挡时,利用卡尔曼滤波进行预测估计。算法对噪声有一定的容忍度,通过降低噪声对跟踪过程的影响,能够得到更优的目标区域。仿真实验结果表明:本文算法适用于不同光照强度下高速、高机动目标的稳定跟踪,并且对目标的尺度变化和短时严重遮挡具有鲁棒性。算法帧平均耗时为34.07ms;帧几何中心平均误差为5.43pixel,比时空上下文算法减少70.2%;目标轮廓面积平均误差为13.08%,比时空上下文算法减少52.7%。     

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

基于时空显著性建模的空中飞行器跟踪方法

以复杂背景下空中飞行器的鲁棒视觉跟踪问题为研究背景，为解决现有跟踪方法目标表征模型不够精确，算法鲁棒性严重受到目标形变、宽高比变化、复杂背景等因素干扰的问题，提出了建模跟踪场景中独立物体的显著性特性，用于构建精确的目标模型。提出的显著性估计方法有别于传统的单帧检测方法，利用跟踪算法提供的背景先验知识以及多帧图像观测数据，使用时空联合的方式进行建模估计，其结果用来指导目标跟踪算法选取有效视觉特征，建立精确目标表征模型，减小背景区域对算法模型的干扰。实验表明，提出的方法为上述难点问题提供了有效的解决方案，对空中飞行器的跟踪精度与鲁棒性优于大多数最先进的主流方法，在其他类型的目标跟踪任务中也有十分优越的性能表现。     

复杂环境下一种基于改进核相关滤波的视觉鲁棒目标跟踪方法

目标跟踪在自动驾驶和智能监控系统等实时视觉应用中发挥着重要作用。在遮挡、相似干扰等情况下，传统的基于相关滤波的跟踪算法容易发生漂移，鲁棒性有待进一步提高。基于此，提出了一种扩展特征描述的检测辅助核相关滤波目标跟踪架构。首先，在传统的核相关滤波目标跟踪算法的基础上，通过目标检测辅助对跟踪结果进行质量判断，实现对遮挡以及目标丢失的判别；然后通过拓展特征模板的构建与匹配，实现抗干扰相似目标判断及目标重定位；最终，以行人跟踪为例进行了试验，分别通过OTB数据及验证试验和移动机器人平台视觉跟踪验证试验，验证了算法的可行性，并对算法的跟踪性能进行了测试。试验结果表明，所提方法能够稳定地跟踪移动目标，对遮挡、相似干扰具有较强的鲁棒性。     

基于Canny边缘检测的Mean-Shift跟踪核窗宽确定方法

传统核窗宽固定的Mean—Shift跟踪算法不能很好地对做复杂运动、尺寸变化的目标进行有效地跟踪,变核窗宽是解决这一问题的途径。图像的边缘表征了目标的重要特征,可以通过提取目标的边缘来确定核窗宽并用于跟踪。基于Canny边缘检测算法确定跟踪窗宽加快了Mean—Shift跟踪算法的运算速度,仿真结果验证了该跟踪算法的有效性。     

基于图像与电子侦察的云模型运动目标检测

运动目标检测是分析特定目标行为的基础。提出一种立足图像特征分析,通过构建图像本身的梯度方向直方图特征完成图像初始建模,采用电子侦察结果对目标位置进行纠正,而后采用云模型的概念模型进行特征合并,完成目标的检测。实验结果表明:与其他类似算法比较,该算法在检测速度和检测准确性方面具有一定的提高和优势。     

基于联合双边滤波的融合图像跟踪算法研究

为了提高跟踪精度,提出一种基于联合双边滤波的融合图像自动跟踪算法.采用帧问差分法并通过形态学处理获得运动目标大致区域,在此基础上采集目标区域及相邻背景区域的代表颜色集合,由此生成草图作为联合双边滤波的引导图,进而生成完整的目标描述,通过边缘检测获得精确的跟踪结果.实验结果表明,方法能够获得清晰准确的跟踪结果,能够较好地避免跟踪中的漂移问题,且算法复杂度低,跟踪精度高.     

随机集的概率假设密度粒子滤波

多目标跟踪问题中,当目标数已知时,可以用概率数据互联(PDA)或联合概率数据互联(JPDA)算法。而当目标数未知或随时间变化时,需要对不同目标数的跟踪进行比较。可以把目标集看作随机集进行讨论,目标数N是随机变量。随机集的跟踪通过有限集统计(FISST)理论来完成。文中讨论了用粒子滤波实现跟踪随机集的方法。实验表明,在杂波环境下,粒子滤波可以稳健跟踪目标状态和目标数。     

飞船返回舱红外跟踪

提出一种联合大底检测的改进的Mean-Shift（均值移位）算法,将其应用于返回舱红外跟踪。新算法采用非均匀量化加权直方图构造目标特征矢量,以提高目标描述的准确性。为避免跟踪到大底上去,使用＂滑窗式＂大底检测算法实时修正Mean-Shift跟踪坐标。通过对飞船返回实况判读验证,提出的新算法处理速度达到20帧/s以上,并且能够可靠和准确地跟踪返回舱。     

一种基于背景自适应的运动目标检测与跟踪算法

背景图像差分法是运动目标实时检测中常用的方法,但缺乏背景图像随监视场景光照变化而及时更新的合理方法,限制了该方法的适应性。对此,文章首先提出了一种自适应背景更新方法;然后利用最大类间方差法实现运动目标的自适应阈值分割,并利用基于形态学方法的连通区检测算法检测运动目标;最后以Kalman滤波为运动模型实现对运动目标的连续跟踪。实验结果表明:所提方法可随着光照条件的变化,实时、准确地检测出运动目标并实现稳定跟踪。     

空间多分辨率模糊目标跟踪

提出了一种新的模糊目标跟踪算法--CPDA算法。这个算法在空间多分辨率框架下应用概率数据互联算法,在粗分辨率上实现模糊目标跟踪。在不同虚警密度的模糊目标环境下,利用仿真实验分析了CPDA算法的跟踪性能,同时将其与单分辨率上的联合概率数据互联方法进行了性能比较。仿真结果表明,CPDA算法的跟踪性能在达到与单分辨率上JPDA算法同样性能的条件下,能够以较小的计算量跟踪模糊目标。     

基于重构算法的一种微弱目标检测后处理方法

 重点研究了形态学重构算法在微弱目标检测和跟踪中的应用，主要体现在对原始图像的背景估计过程和检测后处理过程。对于经过背景估计和二值化后的图像，若直接进行跟踪算法，由于虚警点数目太多，会严重影响跟踪算法的效率，同时也给跟踪结果造成了负面效应。因此，考虑在二值化之后，跟踪之前，引进后处理过程，以消除虚警点。在已知目标大致尺寸的情况下，选用不同的两个标记重构，同时消除小于目标的虚警点和大于目标的虚假目标。