融合多模型的粒子滤波运动目标实时跟踪算法

提出了一种融合多模型的粒子滤波跟踪新算法(MMGPF),并将其应用于行人与汽车跟踪。此跟踪算法特点在于:(1)将Camshift跟踪算法和AdaBoost分类器的输出作为观测值优化建议概率分布;同时,改进粒子滤波的算法结构,有效地提高了粒子滤波的采样效率;在不影响跟踪性能的情况下,大幅减少了跟踪所需粒子数。(2)用两种描绘子提高对似然性的估计。(3)采用两种有效措施提高算法的实时性。通过多模型融合,有效地解决了目标跟踪过程中由于目标相互遮挡、目标消失再重现、光照变化和目标与背景颜色相近所造成的跟踪丢失。行人和汽车的跟踪试验结果证明该算法具有鲁棒性和实时性。     

一种复杂交通环境下的毫米波雷达目标跟踪方法

车载毫米波雷达是智能驾驶环境感知系统中重要的传感器,为实现车载毫米波雷达目标跟踪的稳定性、实时性和精确性,本文设计了一种基于联合概率数据关联(JPDA)的雷达目标跟踪算法,并提出了一种对传统JPDA算法的改进方式,该方式考虑了车载毫米波雷达运行的实际工况,通过改进点迹的选取方式以及利用生命周期理论简化关联事件的生成两个步骤,对传统JPDA算法进行了简化,解决了传统JPDA算法在密集目标环境下的组合爆炸问题,以及毫米波雷达虚警和漏检带来的数据不连贯、不稳定问题,实现了跟踪的稳定性和实时性;同时本文采用常加速度模型结合Kalman滤波对雷达目标运动状态进行了估计,解决了前后帧雷达目标运动状态不连续以及雷达信息中的噪声问题,实现了跟踪的精确性。实验结果表明:在复杂交通环境下,该毫米波雷达跟踪算法相较于传统JPDA算法,运算速率提升了50. 5%,稳定性提升了78. 46%。     

基于滤波器自适应更新的机场目标跟踪算法

机场场面目标跟踪常面临目标遮挡、背景干扰、低分辨率等因素的影响，导致跟踪准确性降低甚至丢失跟踪目标。针对以上问题，研究了基于滤波器自适应更新的机场目标跟踪算法。选取跟踪目标的颜色特征和深度特征，通过插值算子进行多特征融合，再将融合特征与之对应的滤波器进行卷积求和计算各区域置信度，置信度高的区域即为跟踪目标位置。为提高跟踪准确性，利用峰值旁瓣比与平均响应峰值能量建立了跟踪结果校验机制，并设计了1种滤波器自适应更新策略，使滤波器能够自适应调整学习速率，仅在结果可靠时更新。在西南某机场采集的视频数据集上进行测试，结果表明:算法在目标特征不明显或发生变化时具有更好的性能，在目标遮挡和背景干扰等9种因素下的跟踪性能有较大提升，整体精确度和成功率分别达到0.834和0.828，较原ECO算法分别提升了11.35%和11.29%，且均优于文中提到的其他5种经典算法。      

一个基于包围盒技术提高光线与物体求交效率的算法

光线跟踪算法是生成真实感图形的主要算法之一。章介绍了用于光线与物体求取交点的内包围盒技术，并对其特点进行了分析。针对这一算法仍存在大量面片需要与光线求交的不足问题，对该算法进行了改进。实验表明，改进后的算法可提高光线跟踪的求交效率。     

动力电池SOC估计的一种新型鲁棒UKF算法

针对动力电池SOC估计过程中,电压观测数据容易出现野值干扰的问题,提出了改进UKF算法,将观测噪声模型修正为归一化受污染正态分布模型,利用贝叶斯定理计算野值出现的后验概率,以此作为加权系数自适应地调整滤波增益和状态协方差。该方法能有效克服野值干扰问题。但在SOC初值设定存在误差情况下,该方法会将电压观测数据中的正常值误视为野值,而仅以很小的滤波增益控制量进行调整,导致算法收敛慢甚至引起发散。因此,在算法初始阶段又引入了基于强跟踪原理的次优渐消因子对目标进行快速跟踪,弥补上述单纯抗野值方法的不足。试验验证结果表明,改进UKF算法鲁棒性强,具有很好的跟踪速度和精度,为动力电池SOC估计过程中抗野值干扰提供了一种新的方法。     

基于数据关联和改进统计模型的激光雷达目标跟踪研究

目标运动状态识别与关联匹配是智能车辆环境感知中目标跟踪的关键因素,本文中以单线激光雷达为主要传感器开展了车辆前方目标跟踪算法的研究。在最近邻法基础上构造了包含距离、尺寸和反射强度的"关联函数"进行量测值与目标值之间的关联匹配,并基于改进的当前统计模型设计了自适应卡尔曼滤波估计算法来识别目标的运动状态。仿真和试验结果表明,该目标关联匹配与运动状态识别算法能有效地抑制测量过程中引入的量测噪声,并实时、可靠地估计前方障碍物的位置、速度和加速度,实现对目标的跟踪。     

基于改进Stanley算法的无人车路径跟踪融合算法研究

针对斯坦利（Stanley）跟踪算法无法更好地同时满足无人驾驶路径跟踪的精确度和平滑性要求的问题，根据车辆的航向角、横向偏差、车速等特性，基于合适的预瞄距离，采用纯跟踪（Pure Pursuit）算法对Stanley算法中车轮转角的计算方式进行改进，提出一种新的融合算法，实时计算车辆在当前车速下合适的车轮转角。仿真结果表明，相比于Stanley算法，所提出的融合算法在不失跟踪精确度的情况下，不同车速下跟踪平滑性均有较大提升。实车试验结果表明，在20 km/h车速下，所提出融合算法的跟踪路径比原Stanley算法的跟踪路径有更好的精确度和平滑性。     

无人机视频车辆跟踪算法研究

鉴于现有算法在复杂环境下易造成目标跟踪丢失的问题,为研究精准高效的车辆跟踪算法,实现无人机视频交通参数提取,将传统KCF(核相关滤波)算法中的固定尺度检测窗口替换为多尺度检测窗口,提出多尺度KCF优化算法;与CamShift算法和KCF算法的对比结果表明,在不同场景下多尺度KCF优化算法的跟踪效果均优于其他两种算法,在目标遮挡和存在阴影的情况下表现更优异,具有较强的鲁棒性和适用性。     

基于改进DBSCAN算法的激光雷达目标物检测方法

传统的DBSCAN聚类算法是基于密度的聚类算法,原始算法在搜索精度和搜索效率上存在一定的局限性。基于LUX4线激光雷达数据点的点云特点,结合DBSCAN算法存在的不足与路面目标物的实际情况,提出了1种基于改进的DBSCAN聚类算法,选取4个代表点取代对所有点的搜索和改进搜索半径使其随扫描的距离而变化的方法,实现激光雷达目标物的快速、准确检测。通过改进DBSCAN算法对雷达数据进行去噪声和聚类处理,根据检测物在激光雷达探测中的形状特征模型进行形状匹配。实验结果表明该改进算法能较好的识别出目标物,行人检测率由原始算法的61.90%提高到了80.95%,搜索时间较原始算法缩短了44.7%,解决了原始算法精度低、搜索慢的缺点。     

基于K均值和不变矩的粒子滤波视频目标跟踪

针对传统的粒子滤波算法存在的粒子退化现象和需要大量粒子才能保证状态预估计的精度,导致视频序列目标实时跟踪难以实现的问题进行了研究,提出了一种基于K均值和不变矩的粒子滤波实时目标跟踪算法。首先对最初采样的粒子集采用K均值算法进行聚类,将N个粒子分配到K个聚类中心;然后将不变矩算法引入到粒子的选取中,通过与上一帧目标位置最接近的三类聚类中心进行不变矩匹配,选择其中与目标模块最接近的那一类进行粒子滤波跟踪运算。实验结果表明文中提出的改进算法能够很好的解决粒子退化的问题,只需要采用较少的粒子就能达到很好的跟踪精度,大大的减少了计算量,改善了粒子滤波的实时性的问题。同时,在一定程度上解决了目标跟踪中相似背景的干扰和目标遮挡的问题。     

基于小波提升框架的交通目标检测与跟踪

交通图像分析是智能交通领域的关键技术之一。为实现复杂交通场景中的多目标检测与跟踪,设计了一种结合小波提升框架和KLT特征点跟踪的多运动目标检测与跟踪算法。对序列图像中相邻两帧图像的融合图像进行小波提升变换,求取水平和垂直方向上的小波能量,通过合理阈值二值化小波能量矩阵,再利用贴标签方法检测出运动目标;利用KLT特征点集合代表目标,通过跟踪后的特征点集合与目标检测区域的相互关联,实现多目标的跟踪。实验结果表明了所提算法的有效性。     

基于头部姿态特征的列车司机疲劳驾驶检测系统研究

列车司机疲劳驾驶严重威胁列车行车安全.为弥补人眼检测方法存在的不足,提出了1种基于头部姿态特征的列车司机疲劳驾驶检测方法.该方法首先采用AdaBoost算法检测人脸区域,然后采用Camshift算法对人脸进行跟踪,并对人脸的旋转角度进行计算,得出其旋转角速度以及旋转角加速度,最后根据其头部的倾斜角度以及旋转角速度综合判断列车司机的疲劳状态.建立了头部旋转物理模型,得到头部自由旋转时角速度与角加速度随旋转角度的变化曲线.在上述方法的研究基础上,研发了1个基于头部偏转情况判断疲劳驾驶的系统.该方法的疲劳检测成功率为87.5％,但其只能对头部缓慢倾斜和头部突然向两侧倾斜这2种疲态状态进行报警,尚不能对打呵欠、低头、闭眼等其他疲劳状态做出反应,需与其他检测方式结合使用.     

车载激光雷达的应用算法

伴随着无人驾驶领域的迅速发展,激光雷达（LIDRA）在这一行业上的应用越来越广泛。激光雷达的快速发展,为智能网联汽车在目标跟踪与识别等方面提供了另一种方式。文章以车载激光雷达在自动驾驶行业上的应用为切入点,介绍了车载激光雷达的三种应用算法。目标跟踪与识别算法,通过目标跟踪算法对障碍物运动状态做出估计和预测,实时评估障碍物和无人驾驶车辆的安全等级,作出相应的决策。即时定位与地图构建（SLAM）相关算法,应用于解决机器人在未知环境中定位自身位置和姿态的一种高级算法。点云分割往往是物体识别、地图构建的基础,通过对六种常用分割算法的描述,分析了算法各自的特点,为不同应用场景算法的选择提供了一定参考。     

基于小型化YOLOv3的实时车辆检测及跟踪算法

为了研究现有车辆目标检测算法的检测精度与检测速度相矛盾的问题,提出了一种小型化的改进YOLOv3深度卷积网络的实时车辆检测及跟踪算法。采用构建卷积层数少的网络架构以及进行多目标跟踪的方法,分析了大网络模型结构时正向推理速度慢、小网络模型结构时检测精度低的原因。在不同尺度卷积特征多层次提取车辆特征信息来保证准确率的基础上,利用K-means++算法改进聚类先验框中心点的提取,同时借鉴darknet19骨干网络结构,构建一种网络深度更小的基础卷积网络结构,采用更少的重复残差块结构单元,使网络模型结构小型化。在采用卡尔曼滤波算法对目标检测后下一时刻的车辆位置进行跟踪的基础上,利用匈牙利匹配算法进行分配关联视频相邻帧中的车辆,确定被检测目标唯一标签ID,实现对多个目标的精确定位与跟踪,以此改善检测不连续、漏检、目标被遮挡等检测不稳定的情况。结果表明:在实车自采集数据和公开数据集KITTI上进行测试,相较于YOLOv3网络,在平均准确率基本保持不变情况下,网络参数减小,网络模型大小缩小为1/4,为57.2 MB,检测速度提高一倍,达到101.7 f/s。整体算法检测速度达到11.3 ms/帧,检测率为97.50%。该小型化网络检测跟踪算法在复杂道路环境中有较强的鲁棒性,可以满足实际智能驾驶过程中对车辆检测跟踪的精度、速度的要求。     

智能汽车轨迹跟踪控制算法研究综述

轨迹跟踪和控制技术一直是智能汽车研究的热点。通过3个基本的建模方法,即几何动力学、运动学、动力学,将智能车辆轨迹跟踪控制算法进行分类,详细阐述了各种算法的原理、研究现状和优缺点,在此基础上继续讨论了轨迹跟踪算法的改进优化方向以及改进方向研究现状。结果表明,单一的控制方法不能满足智能汽车实际场景的操作需求,未来智能汽车的发展趋向于多种智能控制算法整合解决单一控制算法缺点。     

基于核相关滤波和运动模型的多目标轨迹跟踪

在自动驾驶系统中,基于视觉的车辆前方多目标检测和轨迹跟踪能够为前方目标的姿态估计、行为分析提供有效信息。针对协同运动信息和核相关滤波跟踪信息的多目标跟踪的不足,使用卷积神经网络YOLOv2检测目标,提出了融合核相关滤波和目标运动信息的多目标轨迹跟踪方法,目的是将运动信息融入到图像特征跟踪容器中,优化运动模型,减少环境噪声造成的目标跟踪丢失、偏离。提出了基于运动信息改进核相关滤波跟踪尺度不变性算法。建立了多目标的检测跟踪容器,提出了结合目标属性、重合度、运动状态、跟踪状态的多目标匹配方法。实验表明,本文算法能够实现一定场景下的多目标的持续实时轨迹跟踪,平均有效跟踪率为92.5%。     

基于改进Dijstra 法的路径优化仿真研究

在分析传统Dijkstra算法的基础上,针对该算法在路径优化中存在的不足,主要采用邻接表与循环链表相结合的方式存储数据,同时通过改进的快速排序算法对权值进行排序,实现了对邻接节点的快速搜索,得到了一种改进的Dijkstra算法.将其应用于最优路径的搜索,通过实例对该算法进行仿真分析,验证了算法的有效性.     

大跨度悬臂浇筑钢筋混凝土拱桥多目标索力优化研究

为实现对某库区大跨度悬臂浇筑钢筋混凝土拱桥的合理索力优化,基于多目标优化理论建立了该拱桥的索力优化数学模型,采用改进的多目标粒子群算法联合ANSYS参数化模型对其进行数值求解。计算结果表明：改进后的多目标粒子群算法对该拱桥的索力寻优模型具有良好的适应性,Pareto收敛前沿以较快速度逼近各目标函数最小值,输出的最优索力组合有效降低了各拱圈节段的峰值拉应力,改善了成桥状态下的内力分布,且在维持了合理拱圈线形的基础上进一步实现了对拱圈变形的控制。     

基于改进GM(1,1)模型的车辆视频跟踪

提出了运用GM(1,1)模型进行车辆视频跟踪的方案.针对传统的GM(1,1)模型短期跟踪效果好而长期跟踪误差较大的问题,将每次预测值与真实值的偏差作为影响因子,对GM(1,1)算法进行了改进,改进后的预测值更加接近真实值,并能保证长期跟踪的效果.最后通过车辆跟踪试验验证了改进算法的有效性,减小了预测值与真实值的误差.     

基于压缩感知尺度自适应的多示例交通目标跟踪算法

针对大多数跟踪算法对车辆等交通目标在行驶过程中的尺度变化、姿态变化的适应性差及在跟踪过程中使用固定尺度的跟踪框,导致所构造的目标模板包含大量背景信息,引起跟踪漂移甚至丢失的问题,提出一种基于压缩感知理论与超像素目标性度量的尺度自适应多示例交通目标跟踪算法,该算法首先利用压缩感知理论对多示例学习中的特征维数进行降维,减少算法计算的复杂度。其次,采用超像素目标性度量进行局部尺度自适应调整,解决多示例跟踪算法中的尺度适应问题。此外,引入基于目标判别机制的分类器更新,利用连续帧中目标的相似性判断跟踪目标是否存在遮挡或漂移问题。依据目标判别的结果,实现变学习率的分类器参数更新。试验结果表明：该方法具有较高的跟踪精度和良好的跟踪鲁棒性,在车辆目标发生遮挡、尺度变化、三维旋转等情况时均能较好地跟踪目标,通过对不同的交通视频序列进行测试,算法的平均中心位置误差远小于对比算法,仅为3.92像素,其对比算法CT跟踪、MIL跟踪及WMIL跟踪算法的平均位置误差分别为56.96像素、35.36像素及58.54像素,平均重叠率达80.1%,较CT跟踪、MIL跟踪及WMIL跟踪算法分别高44.9%、45.3%和45%,满足智能交通监控的实际需求。