搜档网
当前位置:搜档网 › 相控阵雷达多目标跟踪原理及数据关联算法研究

相控阵雷达多目标跟踪原理及数据关联算法研究

相控阵雷达多目标跟踪原理及数据关联算法研究

基于卡尔曼滤波器的雷达目标跟踪(完整资料).doc

此文档下载后即可编辑 随机数字信号处理期末大作业(报告) 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院(系):创新实验学院 专业:信息与通信工程 学生姓名:李润顺 学号:21424011 任课教师:殷福亮 完成日期:2015年7月14日

大连理工大学Dalian University of Technology

摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能,因此在目标跟踪领域有广泛应用,同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状,然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上,将其应用于雷达目标跟踪,雷达在搜索到目标并记录目标的位置数据,对测量到的目标位置数据(称为点迹)进行处理,自动形成航迹,并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真,对实验的效果进行评估,分析预测误差。 关键词:卡尔曼滤波器;雷达目标跟踪;航迹预测;预测误差;MATLAB 仿真 - 1 -

1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测,评估船舶航行的安全态势和机动试操船的安全效果。因此,雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用,各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展,尤其是在跟踪算法的研究上,理论更是日趋成熟。在跟踪算法中,主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、β α-滤波和卡尔曼滤波,其中卡尔曼滤波算法在目标跟踪理论中占据了主导地位。

多目标跟踪

多目标跟踪的基本理论 所谓多目标跟踪,就是为了维持对多个目标当前状态的估计而对所接收到的量测信息进行处理的过程。 目标模型不确定性 是指目标在未知的时间段内可能作己知的或未知的机动。一般情况下,目标的 非机动方式及目标发生机动时的不同的机动形式都可以通过不同的数学模型来加 以描述。在进行目标跟踪过程中,采用不正确的目标运动模型会导致跟踪系统跟踪 性能的严重下降。因而在目标跟踪过程中,运动模型采用的正确与否对目标的跟踪 性能是至关重要的。 观测不确定性 是指由传感器系统提供的量测数据可能是外部的干扰数据,它有可能是由杂波、虚警和相邻的目标所引起的,也可能是由被跟踪目标的对抗系统所主动发出来的虚假信息。这种不确定性在本质上显然是离散的,给目标跟踪问题提出了极大的挑战,相应地也就产生了数据关联的问题。 数据关联 数据关联的作用主要有:航迹保持、航迹建立和航迹终结。 数据关联算法主要有:“最近邻”方法,“全邻”最优滤波器方法、概率数据关联滤波器方法、多模型方法、相互作用多模型一概率数据关联滤波器方法、联合概率数据关联滤波器方法、多假设方法、航迹分裂方法。 1.“最近邻”方法的思想是:在落入跟踪波门中的所有量测中,离目标跟踪预测位置最近的量测认为是有效量测。“最近邻”方法的好处是算法最简单,但是精度差,抗杂波干扰的能力差。“最近邻”方法因为简单,算法易实现,因此也是目前广泛采用的一种数据关联算法. 2 .“全邻”最优滤波器 Singer,Sea和Housewright发展了一类“全邻”滤波器,这种滤波器不仅考虑了所有候选回波(空间累积信息),而且考虑了跟踪历史,即多扫描相关(时间累积信息)假定多余回波互不相关并且均匀分布于跟踪门内,则任何跟踪门的体积V内多余回波的数目Cx服从均值为βV的泊松分布。假定在K-1时刻,轨迹a′正确的概率为Pa(k-1)。关键问题是计算k时刻轨迹的正确概率Pa(k)。

扩展卡尔曼滤波雷达目标在线跟踪轨迹算法

基于扩展卡尔曼滤波的雷达目标在线跟踪轨迹的算法摘要:目标跟踪是指根据传感器(如雷达等)所获得的对目标的测量信息,连续地对目标的运动状态进行估计,进而获取目标的运动态势及意图。目标跟踪理论在军、民用领域都有重要的应用价值。在军用领域,目标跟踪是情报搜集、战场监视、火力控制、态势估计和威胁评估的基础;在民用领域,目标跟踪被广泛应用于空中交通管制,目标导航以及机器人的道路规划等行业。本文利用差分方程模型计算目标点的速度与加速度,基于卡尔曼滤波算法建立扩展型卡尔曼滤波算法的目标跟踪模型。 0 引言 目前,对机动目标的跟踪滤波与预测算法主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、与滤波、简化的卡尔曼滤波和卡尔曼滤波。线性自回归滤波完全忽视了状态噪声对估值的影响;两点外推滤波利用最后一个数据点和最后两个数据点分别确定目标位置与目标速度,因此,之前所测的数据点并不能起到预测作用;维纳滤波不适合机动目标的瞬间变化过程,从而在一定程度上限制了它的应用范围;与滤波是两种简单并且易于工程实现的常增益滤波方法,最大优点在于其增益矩阵可以离线计算,而且在每次滤波循环中可节约大约70%的计算量;卡尔曼滤波与预测执行的是均方根误差最小准则,并且通过协方差矩阵可以很方便的对估计精度进行度量,目前应用较多而且误差相对较小的目标跟踪算法是卡尔曼滤波算法。但基本的卡尔曼滤波算法在跟踪机动目标时存在不足:当系

统达到稳态时,其预测协方差很小,使得滤波器的增益也趋于极小值,此时若目标发生机动,系统残差增大,预测的协方差和滤波器的增益不能随残差随时改变,系统将不能保证对突变状态的跟踪能力。 1用扩展卡尔曼滤波算法预测机动目标轨迹 首先由目标初始准确的状态对下一状态进行预测,得到下一状态的预测值,同时由计算所得的对应于初始状态的协方差得到下一状态的协方差预测值;接着由雷达观测误差、状态向量及所得协方差预测值可以得到卡尔曼增益值,进而最终得到下一状态的最优估算值,同时更新对应的协方差。至此,第一轮目标轨迹预测已完成,同理,进行下一轮的目标轨迹预测。模型的具体方程如下:本时刻系统的状态向量由上一时刻系统的最优预测状态向量求得,初始状态需要知道目标的状态向量。这里通过差分方程数学模型计算出目标在三个坐标上速度变化情况: 其中、、表示所测数据第i时刻速度沿着方向三个的速度分量值。 然后使用卡尔曼滤波预测目标的运动轨迹,假定离散时间控制系统状态方程和观测方程为: 式中是k时刻的非线性实值状态向量,是k时刻的系统量测向量,表示系统状态噪声,表示系统测量噪声,A和B为状态向量,H为非线性函数。 由公式4和公式5构成的系统状态方程和测量方程均为线性方程,其过程噪声都为高斯白噪声,可用标准卡尔曼滤波算法进行滤波。

TLD目标跟踪算法

TLD目标跟踪算法 一、算法的背景 TLD(Tracking-Learning-Detection)是英国萨里大学的一个捷克籍博士生Zdenek 出的一种新的单目标长时间(long term tracking)跟踪算法。该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。同时,通过一种改进的在线学习机制不断更新跟踪模块的“显著特征点”和检测模块的目标模型及相关参数,从而使得跟踪效果更加稳定、鲁棒、可靠。 对于长时间跟踪而言,一个关键的问题是:当目标重新出现在相机视野中时,系统应该能重新检测到它,并开始重新跟踪。但是,长时间跟踪过程中,被跟踪目标将不可避免的发生形状变化、光照条件变化、尺度变化、遮挡等情况。传统的跟踪算法,前端需要跟检测模块相互配合,当检测到被跟踪目标之后,就开始进入跟踪模块,而此后,检测模块就不会介入到跟踪过程中。但这种方法有一个致命的缺陷:即,当被跟踪目标存在形状变化或遮挡时,跟踪就很容易失败;因此,对于长时间跟踪,或者被跟踪目标存在形状变化情况下的跟踪,很多人采用检测的方法来代替跟踪。该方法虽然在某些情况下可以改进跟踪效果,但它需要一个离线的学习过程。即:在检测之前,需要挑选大量的被跟踪目标的样本来进行学习和训练。这也就意味着,训练样本要涵盖被跟踪目标可能发生的各种形变和各种尺度、姿态变化和光照变化的情况。换言之,利用检测的方法来达到长时间跟踪的目的,对于训练样本的选择至关重要,否则,跟踪的鲁棒性就难以保证。 考虑到单纯的跟踪或者单纯的检测算法都无法在长时间跟踪过程中达到理想的效果,所以,TLD方法就考虑将两者予以结合,并加入一种改进的在线学习机制,从而使得整体的目标跟踪更加稳定、有效。 简单来说,TLD算法由三部分组成:跟踪模块、检测模块、学习模块;如下图所示 其运行机制为:检测模块和跟踪模块互补干涉的并行进行处理。首先,跟踪模块假设相邻视频帧之间物体的运动是有限的,且被跟踪目标是可见的,以此来估计目标的运动。 如果目标在相机视野中消失,将造成跟踪失败。检测模块假设每一个视帧都是彼此独立的,并且根据以往检测和学习到的目标模型,对每一帧图片进行全图搜索以定位目标可能出现的区域。同其它目标检测方法一样,TLD中的检测模块也有可能出现错误,且错误无非是错误的负样例和错误的正样例这两种情况。而学习模块则根据跟踪模块的结果对检测模块的这两种错误进行评估,并根据评估结果生成训练样本对检测模块的目标模型进行更新,同时对跟踪模块的“关键特征点”进行更新,以此来避免以后出现类似的

基于卡尔曼滤波器的雷达目标跟踪

随机数字信号处理期末大作业(报告) 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院(系):创新实验学院 专业:信息与通信工程 学生姓名:李润顺 学号:21424011 任课教师:殷福亮 完成日期:2015年7月14日 大连理工大学 Dalian University of Technology

摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能,因此在目标跟踪领域有广泛应用,同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状,然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上,将其应用于雷达目标跟踪,雷达在搜索到目标并记录目标的位置数据,对测量到的目标位置数据(称为点迹)进行处理,自动形成航迹,并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真,对实验的效果进行评估,分析预测误差。 关键词:卡尔曼滤波器;雷达目标跟踪;航迹预测;预测误差;MATLAB仿真

1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测,评估船舶航行的安全态势和机动试操船的安全效果。因此,雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用,各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展,尤其是在跟踪算法的研究上,理论更是日趋成熟。在跟踪算法中,主要有线性自回归滤波、两点外推滤波、维纳 α-滤波和卡尔曼滤波,其中卡尔曼滤波算法在目标跟踪滤波、加权最小二乘滤波、β 理论中占据了主导地位。 雷达跟踪需要处理的信息种类多种多样。除了目标的位置信息外,一般还要对目标运动速度进行估计,个别领域中的雷达还要对目标运动姿态进行跟踪。雷达跟踪的收敛速度、滤波精度和跟踪稳定度等是评估雷达跟踪性能的重要参数。因此提高雷达跟踪的精度、收敛速度和稳定度也就一直是改善雷达跟踪性能的重点。随着科技的发展,各类目标的运动性能和材质特征有了大幅度的改善和改变,这就要求雷达跟踪能力要适应目标特性的这种变化。在不断提高雷达跟踪性能的前提下,降低雷达跟踪系统的成本也是现代雷达必须考虑的问题。特别是在民用领域中由于雷达造价不能过高,对目标跟踪进行快收敛性、高精度和高稳定性的改良在硬件上是受到一些制约的,因此雷达跟踪算法的研究就越来越引起学者们的关注。通过跟踪算法的改进来提高雷达的跟踪性能还有相当大的挖掘潜力。考虑到雷达设备的造价,民用雷达的跟踪系统首要的方法就是对于雷达的跟踪算法进行开发。

基于meanshift的目标跟踪算法——完整版

基于Mean Shift的目标跟踪算法研究 指导教师:

摘要:该文把Itti视觉注意力模型融入到Mean Shift跟踪方法,提出了一种基于视觉显著图的Mean Shift跟踪方法。首先利用Itti视觉注意力模型,提取多种特征,得到显著图,在此基础上建立目标模型的直方图,然后运用Mean Shift方法进行跟踪。实验证明,该方法可适用于复杂背景目标的跟踪,跟踪结果稳定。 关键词:显著图目标跟踪Mean Shift Mean Shift Tracking Based on Saliency Map Abstract:In this paper, an improved Mean Shift tracking algorithm based on saliency map is proposed. Firstly, Itti visual attention model is used to extract multiple features, then to generate a saliency map,The histogram of the target based on the saliency map, can have a better description of objectives, and then use Mean Shift algorithm to tracking. Experimental results show that improved Mean Shift algorithm is able to be applied in complex background to tracking target and tracking results are stability. 1 引言 Mean Shift方法采用核概率密度来描述目标的特征,然后利用Mean Shift搜寻目标位置。这种方法具有很高的稳定行,能够适应目标的形状、大小的连续变化,而且计算速度很快,抗干扰能力强,能够保证系统的实时性和稳定性[1]。近年来在目标跟踪领域得到了广泛应用[2-3]。但是,核函数直方图对目标特征的描述比较弱,在目标周围存在与目标颜色分布相似的物体时,跟踪算法容易跟丢目标。目前对目标特征描述的改进只限于选择单一的特征,如文献[4]通过选择跟踪区域中表示目标主要特征的Harris点建立目标模型;文献[5]将初始帧的目标模型和前一帧的模型即两者的直方图分布都考虑进来,建立混合模型;文献[6]提出了以代表图像的梯度方向信息的方向直方图为目标模型;文献[7-8]提出二阶直方图,是对颜色直方图一种改进,是以颜色直方图为基础,颜色直方图只包含了颜色分布信息,二阶直方图在包含颜色信息的前提下包含了像素的均值向量和协方差。文献[9]提出目标中心加权距离,为离目标中心近的点赋予较大的权值,离目标中心远的点赋予较小的权值。文献[4-9]都是关注于目标和目标的某一种特征。但是使用单一特征的目标模型不能适应光线及背景的变化,而且当有遮挡和相似物体靠近时,容易丢失目标;若只是考虑改进目标模型,不考虑减弱背景的干扰,得到的效果毕竟是有限的。 针对上述问题,文本结合Itti 提出的视觉注意模型[5],将自底向上的视觉注意机制引入到Mean Shift跟踪中,提出了基于视觉显著图的Mean Shift跟踪方法。此方法在显著图基础上建立目标模型,由此得到的目标模型是用多种特征来描述的,同时可以降低背景对目标的干扰。 2 基于视觉显著图的Mean Shift跟踪方法

雷达机动目标跟踪技术研究精编

雷达机动目标跟踪技术 研究精编 Document number:WTT-LKK-GBB-08921-EIGG-22986

1 绪论 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题,即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题,可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域,目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域,则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面,目标跟踪问题可以追溯到第二次世界大战的前夕,即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后,许多科学家和工程师一直努力于该项课题的研究,各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化,对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展,机动目标在空间飞行的速度、角度、加速度等参数不断变化,使得目标的位置具有很强的相关性,因此,提高对这类目标的跟踪性能便成为越来越重要的问题,迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究,已成为当今电子战的研

究热点之一。今天,精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场,而且还广泛应用于各种空间探测、跟踪和识别领域,以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分,机动目标的精确跟踪在过去和现在都是一个难题,最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配,导致跟踪滤波器发散,跟踪性能严重下降。本文将机动目标作为研究对象,从目标的运动建模和匹配滤波算法入手,提出或修正跟踪算法,从而实现对机动目标的精确跟踪。 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标,其运动方式在不断地发生变化,从一种形式变化为另一种形式,目标的运动可能从匀速到变速,也可能送直线到转弯,它的运动方式并不会从一而终。通俗地说,就是“目标速度的大小和方向发生变化”。 一般情况下,机动目标跟踪方法概括来讲可以分为以下两类:具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。机动目标的跟踪需要综合运用统计决策、滤波算法以及其它的数学方法,将传感器所接受到的信号数据进行处理,得到目标的位置、速度、加速度等估计信息。图给出了机动目标跟踪的基本原理图。

目标跟踪算法的分类

目标跟踪算法的分类

主要基于两种思路: a)不依赖于先验知识,直接从图像序列中检测到运动目标,并进行目标识别,最终跟踪感兴趣的运动目标; b)依赖于目标的先验知识,首先为运动目标建模,然后在图像序列中实时找到相匹配的运动目标。 一.运动目标检测 对于不依赖先验知识的目标跟踪来讲,运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测 (一)静态背景 1.背景差 2.帧差 3.GMM 4.光流 背景减算法可以对背景的光照变化、噪声干扰以及周期性运动等进行建模,在各种不同情况下它都可以准确地检测出运动目标。因此对于固定

个关键技术: a)匹配法则,如最大相关、最小误差等 b)搜索方法,如三步搜索法、交叉搜索法等。 c) 块大小的确定,如分级、自适应等。 光流法 光流估计的方法都是基于以下假设:图像灰度分布的变化完全是目标或者场景的运动引起的,也就是说,目标与场景的灰度不随时间变化。这使得光流方法抗噪声能力较差,其应用范围一般局限于目标与场景的灰度保持不变这个假设条件下。另外,大多数的光流计算方法相当复杂,如果没有特别的硬件装置,其处理速度相当慢,达不到实时处理的要求。 二.目标跟踪 运动目标的跟踪,即通过目标的有效表达,在图像序列中寻找与目标模板最相似候选目标区位置的过程。简单说,就是在序列图像中为目标定位。运动目标的有效表达除了对运动目标建模外,目标跟踪中常用到的目标特性表达主要包括视觉特征 (图像边缘、轮廓、形状、纹理、区域)、统计特征 (直方图、各种矩特征)、变换系数特

多目标跟踪算法

多目标跟踪算法 先来回顾下卡尔曼滤波器: 假定k k x |表示当前k 时刻目标的状态,k 1k x |+表示下一个时刻目标的状态,k z 则表示k 时刻的实际观测。一般地模型都假定为线性的: 这里的1k x +为k+1时刻目标的状态,k x 为k 时刻的状态,为状态转移矩阵,而是服从均值为0方差为的正态分布,表示由噪声等引起的干扰。卡尔曼滤波采取初步估 计: 这里的估计只是初步的估计,状态估计与实际状态的误差矩阵等于状态1k x +的的方差,即: 更新(修正): 这里已知了实际观察,同样是假定观测与状态的似然关系是线性的,即满足: 服从一个均值为0方差为 的正态分布。 卡尔曼滤波器给出了经过更新后得到的比较合理的k+1时刻的估计为: 相应地得到了更新后方差的估计: 这里: 其实这些都是通过最小二乘法推出来的,即使得误差: 最小,而初步估计也是通过最小二乘法获得,即使得: 最小。有了上述估计方程后,便可以获得一个估计流程:

下面再介绍下贝叶斯公式 先看一个定义 马氏链: 设{} ,,,k j i E =为有限集或可列集,称()0n n X ≥为定义在概率空间()P F,,Ω上,取值于空间E 的马氏链,如果满足下面的马氏性:对一切n 10i i i ,,, 有 [][]1n 1n n n 1n 1n 00n n i X i X P i X i X i X P ----======|,,| 若左边的条件概率有定义,则称[]i X j X P 1n n ==-|为在n-1时刻状态为i,在n 时刻在j 的转移概率函数,若它与n 无关,则记为ij p ,并称为时齐的或齐次的。显然这里的马氏性接近于独立性,在一定程度上可以称为无记忆性或无后效性。 下面我们来推导贝叶斯公式: 容易由条件概率公式定义知 而 ()()()()()()( ) ()() ()( ) ()() ( )() ()()() 1 k 1 k 1k k k 1 k k 1k k k 1k k 1k k k 1k k k k k 1k 1k 1k k k 1k k k k k 1k 1k 1k k k 1k 1k 1k k k 1k 1k 1k 1k 1k z x f dx x f x z f x f x z f z f dx x f x z f x z f z f x f x z f x z f dx z x f x z f z x f x z f x f +++++++++++++++++++++++== ? == ?? ?||||||||||||||||||||||||| 就得到了更新后的公式如下: 这里记 于是就可以得到贝叶斯滤波器跟踪流程如下: 实际上可以证明,卡尔曼滤波器是贝叶斯滤波器的一种特殊形式,由于假定噪声服从正态分布,同样地观测与状态估计的误差也是服从正态分布,那么不难得:

多目标跟踪雷达

多目标跟踪雷达 GE GROUP system office room 【GEIHUA16H-GEIHUA GEIHUA8Q8-

多目标跟踪雷达 路口存在检测方案 采用多维式扫描雷达天线和先进DSP跟踪算法,对路口单方面向最少四车道、最多八车道的车辆进行精准的存在检测或感应检测,同时还能提供精准的单车及时测度、车辆位置信息以及停止线的车流量、平均速度和占有率等交通刘统计数据。路段多功能检测,能对横向四车道八车道、纵向160米范围的大视域内车辆进行实时检测。跟踪区域内所有车辆的行为轨迹、真实量化还原路况状态,提供精准的单车即时时速度、车辆位置、车型信息,同时提供精准的断面的车流量平均车速和占有率等交通流统计数据,以及对区域内多种异常事件及时报警,为交通诱导系统和交通事件检测系统提供数据支撑,

随着城市车辆快速增长,路口的管理压力越来越大,配套的信号控制系统、交通诱导、交通仿真系统等对数据的要求也越来越高。而路口车辆存在信息是实现高效、稳定信号控制的基本要求,也是现阶段国内外主流交通信号控制系统应用最为成熟的数据模型之一。因此,交叉路口的车辆存在信息就显的尤为重要。 城市路口车辆存在检测系统通过建立覆盖路口特定位置的采集点位,配备前端感知检测,实时吧存在信息传送之信号机控制及系统,对路口信号配时,优化提供支撑。同时,公安交通管理部门可以根据车流量历史统计数据、分析路口车辆运行规律,针对性制定控制管理策略。 需求说明: 城市路口存在检测系统,主要完成路口停车线、或特定断面的车辆存在信息采集,可以及时掌握路口特定位置车流量状态,为信号机控制、交通诱导等系统提供数据支撑。 1、在城市重要路口设立和完善的存在检测点、检测各方的车流量信息。 2、建立城市的数据传输、应用接口模块。实现无缝对接信号机控制系统。 3、用户可以通过实时数据库、以及客户端管理进行查看每个路口车辆存在信息、车流量、占有率等,可以连续24时实时检测。 4、具备数据存储功能。可以作为路口管理的数据支撑。 系统说明:

一种用于多目标跟踪的特征关联方法_聂烜

收稿日期:2008211225;修回日期:2009201212 基金项目:航空科学基金资助项目(20061353017) 作者简介:聂烜(19762),男,陕西西安人,博士,主要研究方向为图像处理、计算机视觉(xuannie@g mail .com );陈怀民(19642),男,安徽涡阳人,副教授,硕士,主要研究方向为导航与制导. 一种用于多目标跟踪的特征关联方法 3 聂 烜1 ,陈怀民 2 (1.西北工业大学软件与微电子学院,西安710072;2.西北工业大学无人机特种技术国防科技重点实验室, 西安710065) 摘 要:在基于图像序列的多目标跟踪问题中,传统目标链算法利用目标的运动特征和面积特征对其进行关联,取得了较好的效果,但在如新目标进入视场,旧目标离开视场,多个目标靠近、融合,单目标发生分裂等复杂跟踪情况中,以上特征存在一定的失效情况。为此,提出一种计算目标形状相似度的方法,在传统目标链算法的基础上引入描述目标形状的新特征,构造了一个计算目标形状相似度的函数,可以解决形状不同的目标在靠近或交叉通过等复杂情况下的准确关联问题。实验表明,在对刚体目标的跟踪中得到了更可靠的目标关联效果。关键词:图像序列;目标关联;特征匹配;形状特征 中图分类号:TP391 文献标志码:A 文章编号:100123695(2009)0923545203 doi:10.3969/j .issn .100123695.2009.09.099 Track multi p le objects with feature 2correlati on algorithm s N IE Xuan 1 ,CHE N Huai 2m in 2 (1.College of Soft w are &M icroelectronics,N orthw estern Polytechnical U niversity,X i ’an 710072,China;2.N ational Laboratory of UAV Spe 2 cial Technology,N orthw estern Polytechnical U niversity,X i ’an 710065,China ) Abstract:This paper p r oposed a method t o compute objective cont our feature .Conventi onal objective chain algorith m s corre 2 lated the moti on with area characteristics of the objectives t o reach the goals .Nevertheless,they m ight not be efficient under certain circu m stances of comp licated tracking .This paper incor porated the cont our characteristic of the objective int o conven 2ti onal methods and thus constructed a functi on t o esti m ate the si m ilarity of the objective .Experi m ents were conducted t o show that more reliable results are obtained when rigid objects are tracked .Key words:i m age sequence;objective correlati on;feature matching;geometric feature 在基于图像序列的目标跟踪中,所观测目标出现在与其相似的目标群中的概率经常大于其独自出现的概率,故多目标的跟踪具有很强的实用性,它在交通监控、军事侦察和监视、飞机导航以及天文观察等领域都有着重要的实用价值[1,2]。同时, 多目标的跟踪也是一个相当具有挑战性的课题,因为多目标存在的场景中,图像中各运动目标区域在时、空域变化特性不同,使得观测场景内运动状态呈多样性变化,如新目标进入视场,旧目标离开视场,多个目标靠近、融合,单目标发生分裂等[3]。 在多目标跟踪中,特征关联是一类重要的方法,其主要解决各目标在不同帧之间彼此关联的问题,即运动目标之间的对应关系通过目标的特征匹配来建立。常用的匹配特征有目标的位置、大小以及颜色等。对于这类算法的研究很多,一般都基于目标和背景之间存在明显区分的假设,其关联效果取决于对目标特征的选择。图1给出了特征关联在多目标跟踪中的作用 。 在特征关联算法中,为从多幅图像寻找对应于同一目标的匹配,通常采用最近邻法或全邻域法。其使用的匹配函数通常利用每个目标质心位置信息,即考虑待跟踪目标与下一帧各目标质心间的欧氏距离,距离最小的两个目标认为是同一个目 标。该方法较少考虑目标自身的特征属性,易出现跟踪错误。也有学者提出在目标检测与提取基础上,同时利用目标质心位置与目标所占图像区域面积作为特征进行匹配的方法[4],尽管较单独利用目标质心位置有一定的改进,但仍无法处理同类 目标交叉通过的情况。为此,本文提出一种基于特征关联新方法,可较好地处理复杂情况下目标关联的问题。  基于目标链的特征跟踪算法 在对图像中的目标进行检测和提取后,可建立每个目标的目标链,以确定同一目标在相邻帧图像中的联系。具体方法为:a )在跟踪开始时,为检测到的每个目标相应建立一个特征向量并作为一个节点记录在一个链表中,该链表被称为目标链,同时设置一个计数器来记录目标数目;b )利用目标链进行目标匹配,具体地,计算当前帧中每个目标的特征参数向量,与上一帧的各个目标链节点进行匹配,以确定目标间的关联,并用同一目标的新特征向量更新目标链中相应的特征向量节点;c )如果已被记录的特征向量不被任何目标匹配,则判断该目 标离开场景,此时删除其特征向量节点,并对目标计数减1;d )如果有的目标匹配不到已记录的特征向量,则判断有新目标出现,此时建立新的特征向量节点,且对目标计数加1。这样,对每一个目标,其在被跟踪过程中始终与一个代表它的特征向量 第26卷第9期2009年9月  计算机应用研究 App licati on Research of Computers Vol .26No .9Sep.2009

雷达跟踪算法论文目标跟踪算法论文

雷达跟踪算法论文目标跟踪算法论文 雷达多目标跟踪算法 摘要:文章简述了雷达多目标跟踪系统中状态估计和航迹数据关联两大问题的研究现状并对主流算法进行分析对比。状态估计问题主要分析了线性滤波及非线性滤波的主流算法。数据关联问题主要分贝叶斯类和最大似然概率类进了行讨论分析。 关键词:雷达;目标跟踪;卡尔曼滤波;数据关联 1引言 将数学算法引入到雷达系统,已经有百年历史,雷达数据处理方法始于高斯将最小二乘算法应用于神谷星的轨道预测,随后R.A.Fisher的极大似然估计法、N.Wiener的维纳滤波法都曾给雷达数据处理带来巨大变革,而由Kalman滤波逐步完善而来的卡尔曼滤波估计理论已经在雷达数据处理中占有非常重要的地位。雷达目标跟踪算法主要有状态估计、航迹点迹处理两个部分。 2状态估计 状态估计是对目标过去的运动状态进行平滑、对目标现在运动状态进行滤波以及对目标未来的运动状态进行预测的方法。 2.1线性滤波算法 在所有的线性形式的滤波器中,线性均方估计滤波器是最优的。线性均方误差准则下的滤波器包括:维纳滤波器和卡尔曼滤波器,稳态条件下两者是一致的,但卡尔曼滤波器适用于有限观测间隔的非平稳问题,它是适合于计算机计算的递推算法。[1]表1列出详细对比。

2.2 非线性滤波 无源探测系统不能测距,欲获得目标状态良好估计需用到非线性滤波方法,包括扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及粒子滤波(PF)[2]。表二列出了详细对比分析。 由以上对比可知,速度上,EKF具有明显优势,但当系统的非线性强度增大导致线性化误差增大时,EKF的估计精度下降,甚至发散;精度上UKF和PF性能相似,但就计算量而言PF远远超过UKF[3]。综上,在一般的非线性高斯环境中宜采用UKF,在更复杂的非高斯环境中,PF将具有更广泛的应用前景。 3 多目标跟踪 多目标跟踪的基本方法,可以分为极大似然类数据关联算法和贝叶斯类数据互联算法。极大似然类数据关联算法包括人工标图法、航迹分叉法、联合极大似然算法、0-1整数规划法、广义相关法等。贝叶斯类互联算法包括最近邻域法、概率数据互联算法、联合数据互联算法、最优贝叶斯算法、多假设方法等[4]。 3.1 极大似然类多目标数据关联算法 在极大似然类数据关联算法中,目前主要应用的是航迹分叉法、两盒极大似然算法、0-1整数规划法和广义相关法这四种算法。表三就这几种线性关联算法进行对比分析。 通过实验,在测量杂波环境相同的条件下,航迹分叉法的计算耗时最长,计算量最大,这是由于它无区别地分配有效测量,不处理同

雷达机动目标跟踪技术研究

1 绪论 1.1 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题,即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题,可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域,目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域,则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面,目标跟踪问题可以追溯到第二次世界大战的前夕,即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后,许多科学家和工程师一直努力于该项课题的研究,各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化,对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展,机动目标在空间飞行的速度、角度、加速度等参数不断变化,使得目标的位置具有很强的相关性,因此,提高对这类目标的跟踪性能便成为越来越重要的问题,迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究,已成为当今电子战的研究热点之一。今天,精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场,而且还广泛应用于各种空间探测、跟踪和识别领域,以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分,机动目标的精确跟踪在过去和现在都是一个难题,最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配,导致跟踪滤波器发散,跟踪性能严重下降。本文将机动目标作为研究对象,从目标的运动建模和匹配滤波算法入手,提出或修正跟踪算法,从而实现对机动目标的精确跟踪。 1.2 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标,其运动方式在不断地发生变化,从一种形式变化为另一种形式,目标的运动可能从匀速到变速,也可能送直线到转弯,它的运动方式并不

目标跟踪算法

clc; clear; x=[0 16 25 33 50 65 75 82 100]; y=[0 172.5 227.5 324.2 330.7 286.1 237.7 201.7 0]; plot(xx,yy); 的图为 xx = 0:.01:100; yy = spline(x,y,xx); plot(xx,yy)

Matlab画平滑曲线的两种方法(拟合或插值后再用plot即可) 分类:MATLAB2012-12-02 11:15 25540人阅读评论(4) 收藏举报自然状态下,用plot画的是折线,而不是平滑曲线。 有两种方法可以画平滑曲线,第一种是拟合的方法,第二种是用spcrv,其实原理应该都一样就是插值。下面是源程序,大家可以根据需要自行选择,更改拟合的参数。 clc,clear; a = 1:1:6; %横坐标 b = [8.0 9.0 10.0 15.0 35.0 40.0]; %纵坐标

plot(a, b, 'b'); %自然状态的画图效果 hold on; %第一种,画平滑曲线的方法 c = polyfit(a, b, 2); %进行拟合,c为2次拟合后的系数 d = polyval(c, a, 1); %拟合后,每一个横坐标对应的值即为d plot(a, d, 'r'); %拟合后的曲线 plot(a, b, '*'); %将每个点用*画出来 hold on; %第二种,画平滑曲线的方法 values = spcrv([[a(1) a a(end)];[b(1) b b(end)]],3); plot(values(1,:),values(2,:), 'g');

多目标跟踪方法研究综述

经过近40多年的深入研究和发展,多目标跟踪技术在许多方面都有着广泛应用和发展前景,如军事视觉制导、机器人视觉导航、交通管 制、 医疗诊断等[1-2]。目前,虽然基于视频的多运动目标跟踪技术已取得了很大的成就,但由于视频中图像的变化和物体运动的复杂性,使得对多运动目标的检测与跟踪变得异常困难,如多目标在运动过程中互遮挡、监控场景的复杂性等问题,解决上述难题一直是该领域所面临的一个巨大挑战,因此,对视频中多目标跟踪技术研究仍然是近年来一个热门的研究课题[3-5]。 1、多目标跟踪的一般步骤 基于视频的多目标跟踪技术融合了图像处理、模式识别、人工智能、 自动控制以及计算机视觉等众多领域中的先进技术和核心思想。不同的多目标跟踪方法其实现步骤有一定的差异,但多目标跟踪的主要 流程是相同的,如图1所示,其主要包括图像预处理、 运动目标检测、多目标标记与分离、多目标跟踪四个步骤。 图1多目标跟踪基本流程图 2、多目标跟踪方法 多目标跟踪方法可以根据处理图像或视频获取视点的多少分为两大类,一类是单视点的多目标跟踪,另一类就是多视点的多目标跟踪。 2.1单视点的方法 单视点方法是针对单一相机获取的图像进行多目标的检测和跟踪。该方法好处在于简单且易于开发,但由于有限的视觉信息的获取,很难处理几个目标被遮挡的情况。 块跟踪(Blob-tracking)是一种流行的低成本的跟踪方法[6-7]。这种方法需要首先在每一帧中提取块,然后逐帧寻找相关联的块,从而实现跟 踪。 例如BraMBLe系统[8]就是一个基于已知的背景模型和被跟踪的人的外表模型计算出块的似然性的多块跟踪器。这种方法最大的不足之处在于:当由于相似性或者遮挡,多个目标合并在一起时,跟踪将导致失败。因此,可以取而代之的方法是通过位置、外观和形状保留清晰目标的状态。文献[9]利用组合椭圆模拟人的形状,用颜色直方图模拟不同人的外观,用一个增强高斯分布模拟背景以便分割目标,一旦场景中发现对应于运动头部的像素,一个MCMC方法就被用于获取多个人的轮廓的最大后验概率,在单相机的多人跟踪应用中取得了非常有意义的结果。Okuma等人提出了一种将Adaboost算法和粒子滤波相结合的方法[10]。该方法由于充分利用了两种方法的优点,相比于单独使用这两种方法本身,大大降低了跟踪失败的情形,同时也解决了在同一框架下检测和一致跟踪的问题。Brostow等人提出了一个用于在人群中检测单个行人的特征点轨迹聚类的概率框架[11]。这个框架有一个基本假设是一起运动的点对可能是同一个个体的一部分,并且把它用于检测和最终的跟踪。对于完全和部分遮挡目标以及外观变化,这些方法和另外一些相似的方法都有很大的局限性。 为了解决遮挡问题,一系列单视点跟踪技术应运而生。典型的方法 是利用块合并来检测遮挡的发生[12]。当被跟踪的点消失, 跟踪特征点的方法就简单的将其作为一个被遮挡特征点。近年来,基于目标轮廓和外观的跟踪技术利用隐含的目标到相机的深度变化来表示和估计目标间的遮挡关系。但大多数方法都只能解决部分遮挡,不能解决完全被遮挡 的情况。 另外,小的一致运动被假设为是可以从遮挡视点中可以预测运动模式的,这些给没有预测运动的较长时间的遮挡的处理带来问题。尽管这些单视点的方法有较长的研究历史,但这些方法由于不能明锐的 观察目标的隐藏部分,因此不能很好地解决有2或3个目标的遮挡问题。 2.2多视点的方法 随着复杂环境中对检测和跟踪多个被遮挡的人和计算他们的精确 位置的需要,多视点的方法成为研究的热点。 多视点跟踪技术的目的就是利用不同视点的冗余信息,减少被遮挡的区域,并提供目标和场景的3D信息。尽管通过相机不能很好地解决目标跟踪问题,但却提出了一些很好的想法,如选择最佳视点,但这些方法都以实际环境模型和相机校正为特征。 90年代后半期,在很多文献中给出了多视点相关的多目标跟踪方法。 比如利用一个或多个相机与观察区域相连的状态变化映射,同时给出一系列的行为规则去整合不同相机间的信息。利用颜色在多个视点中进行多目标的跟踪的方法,该方法模拟了从基于颜色直方图技术的 背景提取中获得的连接块并应用其去匹配和跟踪目标。 除此之外,也有在原来的单视点跟踪系统进行扩展的多视点跟踪方法。该方法主要是通过一个预测,当预测当前的相机不在有一个好的视点时,跟踪就从原来凯斯的那个单相机视点的跟踪转换到另外一个相机,从而实现多视点的跟踪。基于点与它对应的极线的欧氏距离的空间匹配方法、贝叶斯网络和立体相对合并的方法都是多目标多视点跟踪的常见方法。尽管这些方法都试图去解决遮挡问题,但由于遮挡的存在,基于特征的方法都不能根本解决,其次,这些方法中的遮挡关系的推理一般都是根据运动模型,卡尔曼滤波或者更普遍的马尔科夫模型的时间一致性来进行的。因此,当这个过程开始发散,这些方法也不能恢复遮挡关系。 最近一种基于几何结构融合多个视点信息的Homegraphicoccupancyconsrraint(HOC)[12]方法,可以通过在多场景平台对人的定位来解决遮挡问题。仅采用随时间变化的外表信息用于从背景中检测前景,这使得在拥挤人流的场景中的外表遮挡的解决更健壮。利用多视点中的前景信息,主要是试图找到被人遮挡的场景点的图像位置,然后这些被遮挡的信息用于解决场景中多个人的的遮挡和跟踪问题。在这种思想指导下,Mittal,Leibe,Franco等的研究工作和机器人导航中基于遮挡网格的距离传感器的并行工作是相似的,这些方法在融合3D空间信息的时候需要进行校正相机。但HOC方法是完全基于图像的,仅需要2D结构信息进行图像平面的融合。当然也有另外一些不需要进行相机校正的算法被提出,但需要学习一个与相机最小相关的信息。在目标跟踪过程中,由于这些方法依赖于单个相机的场景,对于拥挤场景中目标分布密度增加九无能为力了。在HOC的多视点的目标跟踪中,对于任何单一相机的场景,或者相机对的场景,都不需要进行定位和跟踪目标,而是从所有相机的场景中收集证据,形成一个统一的框架,由于该方法能够从多个时间帧的场景中进行场景被遮挡概率的全局轨迹优化,因此可以同时进行检测和跟踪。 3、总结 动态目标检测与跟踪是智能监控系统的重要组成部分,它融合了图像处理、模式识别、自动控制及计算机应用等相关领域的先进技术和研究成果,是计算机视觉和图像编码研究领域的一个重要课题,在军事武器、工业监控、交通管理等领域都有广泛的应用。尤其是对于多目标检测与跟踪中的遮挡与被遮挡的处理,对提高智能监控中目标的行为分析有着重要的意义。随着监控设备的发展和设施的铺设,多视点的场景图像是很容易得到的,因此借助信息融合的思想,充分利用不同角度对目标的描述信息,可以很大地改进目前基于单视点的多目标检测和跟踪的精度,能够很好地解决单视点方法中不能很好解决的遮挡问题。参考文献 [1]胡斌,何克忠.计算机视觉在室外移动机器人中的应用.自动化学报,2006,32(5):774-784. [2]A.Ottlik,H.-H.Nagel.InitializationofModel-BasedVehicleTrackinginVideoSequencesofInner-CityIntersections.InternationalJournalofComputerVision,2008,80(2):211-225.多目标跟踪方法研究综述 苏州联讯图创软件有限责任公司 陈宁强 [摘要]文章对目前现有的多目标跟踪方法从信息获取的不同角度进行了综述。主要分析比较了目前单视点和多视点目标跟踪方 法对于目标遮挡问题的处理性能,并指出多视点的基于多源信息融合的思想,可以较好地解决场景中目标的遮挡问题。[关键词]单视点多视点目标跟踪信息融合基金项目:本文系江苏省自然科学基金(BK2009593)。 作者简介:陈宁强(1973-),男,江苏苏州人,工程师,主要研究方向:GIS、模式识别和图像处理与分析。 目标跟踪多目标标记与分离 匹配 目标模型 运动检测当前帧图像 背景提取 去噪 ROI 预处理 视频序列 (下转第26页)

相关主题