基于分层匹配的自适应跟踪算法
复杂环境下弱目标检测与跟踪算法研究
复杂环境下弱目标检测与跟踪算法研究1. 本文概述随着现代科技的发展，复杂环境下的目标检测与跟踪技术在众多领域扮演着越来越重要的角色，如智能监控、自动驾驶、军事侦察等。
在这些应用场景中，弱目标检测与跟踪，即对低对比度、小尺寸或部分遮挡目标的识别与追踪，是一项极具挑战性的任务。
本文旨在针对复杂环境下的弱目标检测与跟踪问题，提出一种新颖且高效的算法。
本文首先对现有的弱目标检测与跟踪算法进行全面的回顾与评估，分析其优缺点，并指出当前技术的瓶颈和未来发展趋势。
接着，本文将详细介绍所提出的算法，包括算法原理、实现细节以及创新点。
本文算法融合了深度学习、图像处理和多传感器数据融合等多学科知识，旨在提高复杂环境下弱目标的检测与跟踪性能。
本文将通过大量的实验验证所提算法的有效性和鲁棒性。
实验部分将包括不同场景、不同光照条件以及不同目标特性的测试，以确保算法的广泛适用性。
最终，本文将总结研究成果，讨论算法在实际应用中的潜在价值和可能面临的挑战，为复杂环境下弱目标检测与跟踪技术的发展提供新的思路和解决方案。
2. 相关工作综述在过去的几十年里，弱目标检测与跟踪在计算机视觉领域引起了广泛的关注，并且取得了显著的进展。
弱目标通常指的是在图像或视频中，由于尺寸小、对比度低、遮挡、运动模糊等原因而难以被直接观察和定位的目标。
弱目标检测与跟踪算法的研究具有重要的理论意义和实际应用价值。
在弱目标检测方面，研究者们提出了多种方法。
基于背景建模的方法通过构建背景模型来区分目标和背景，从而实现对弱目标的检测。
这类方法在处理背景复杂、目标运动不规律的场景时具有较好的效果。
基于特征学习的方法也受到了广泛关注。
通过利用深度学习等机器学习技术，提取目标的特征表示，可以提高弱目标检测的准确性和鲁棒性。
在弱目标跟踪方面，研究者们同样提出了多种算法。
基于滤波的方法，如卡尔曼滤波、粒子滤波等，通过预测目标的位置和状态，实现对弱目标的跟踪。
这类方法在处理目标运动模型已知的场景时具有较好的性能。
自适应转移概率交互式多模型跟踪算法
自适应转移概率交互式多模型跟踪算法许登荣;程水英;包守亮【摘要】针对标准的交互式多模型算法(Interacting Multiple Model,IMM)存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计(Strong Tracking Modified Input Estimation,STMIE)模型和匀速运动(Constant Ve-locity,Cv)模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.%There are two shortcomings in the standard interacting multiple model (IMM) algorithm:one is that designing models is difficult,the other is that the application of constant transition probability matrices makes the model switching speed slow and tracking accuracy decreased.To overcome these shortcomings,an IMM algorithm with adaptive transition probability is proposed.Firstly,a new model-set design method is proposed,and the strong tracking modified input estimation (STMIE) model and constant velocity (CV) model are adopted as the model sets of the IMM algorithm.By using the capability of STMIE model to track high maneuvering targets and the precision of CV model to track non-maneuvering targets,this algorithm can be comprehensively adaptive intarget tracking.Secondly,a new method is proposed to modify the Markov transition probability in real time based on the likelihood values of the models,which enhances the effect of the matching model,and weakens the influence of the mismatched model.Simulation results show that the new method improves model switching speed and tracking precision of IMM algorithm,and the tracking precision of IMM-STM1ECV algorithm is higher than that of IMM-CVCA,IMM-CVCACT and IMM-CVCS algorithms.【期刊名称】《电子学报》【年(卷),期】2017(045)009【总页数】8页(P2113-2120)【关键词】机动目标跟踪;交互式多模型算法;Markov转移概率;修正的输入估计法;强跟踪【作者】许登荣;程水英;包守亮【作者单位】国防科技大学电子对抗学院,安徽合肥230037;国防科技大学电子对抗学院,安徽合肥230037;国防科技大学电子对抗学院,安徽合肥230037【正文语种】中文【中图分类】TN95机动目标跟踪[1～5]是目标跟踪领域的重点和难点问题，相关学者对此问题展开了广泛的研究.最开始采用的是自适应单模型算法对机动目标进行跟踪，然后发展为带机动检测的单模型跟踪算法，紧接着的是多模型算法，并逐渐成为机动目标跟踪的主流方法.多模型算法总结起来可分为三代[6]：自主多模型(AutonomousMultiple Model,AMM)估计、协作式多模型(Cooperating MultipleModel,CMM)估计、变结构多模型(Variable-Structure Multiple Model,VSMM)估计.在所有的多模型算法中，IMM算法通过合理的假设管理，一般被认为是混合系统中有效的混合估计方式，并得到了广泛的应用[7～9].虽然IMM算法被成功地应用，但是IMM算法跟踪性能仍受两个方面的限制.第一，由于IMM采用固定模型集，而现有的目标跟踪算法大多是基于模型的，因而IMM算法跟踪性能的好坏很大程度取决于所选的模型集.模型集的选择存在这样一个困境，即为了提高滤波精度需要尽可能多的增加模型，但是太多的模型除了大大增加计算量之外，反而降低了估计器的性能.第二，IMM算法中的Markov转移概率矩阵决定着输入交互的作用程度，一般根据先验信息人为选取为固定的主对角占优矩阵[10]，不能依据后验信息对转移概率进行实时调整，不符合实际情况.当先验信息不确定时，采用固定Markov转移概率矩阵会造成跟踪精度的下降，因此，对Markov转移概率的实时估计一直是国内外研究的一个热点问题[10～13].本文针对IMM算法性能受限的两个方面而展开研究.首先，为了弥补IMM算法在模型集设计方面的不足，提出一种新颖的模型集设计方法.将STMIE算法与IMM算法相结合，把STMIE模型和CV模型作为IMM算法的模型集，利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度，实现对目标的全面自适应跟踪；同时针对STMIE算法采取扩维方法估计目标机动加速度导致与CV模型的状态向量维数不一致，采用无偏混合[14]方法.其次，针对采用IMM算法采取固定Markov转移概率矩阵会造成跟踪精度的下降的问题，提出一种简单有效的依据模型似然函数值在线修正转移概率的方法，并给出相应的递推公式.仿真结果校验了本文算法的优越性.2.1 修正的输入估计(Modified Input Estimation,MIE)算法在无先验信息条件下，假设机动目标离散的状态方程和量测方程可表示为：式中：Fk为状态转移矩阵；Gk为输入控制矩阵；Γk为过程噪声分布矩阵；Hk+1为量测矩阵；uk为目标未知的加速度；wk、vk分别为零均值的白色过程噪声和量测噪声序列，协方差矩阵分别为Qk和Rk，且任意时刻的wk与vk不相关.以二维情况为例，假设为k时刻目标的状态向量，zk=[xk yk]T为观测向量，则：其中T为采样间隔，由于Fk、Gk、Γk、Hk+1为时不变矩阵，为方便起见，省略时间下标，下文中简写为F、G、Γ、H.若将未知输入向量uk扩展为状态向量xk的一个新的分量，就可将式(1)的机动目标状态方程转化为非机动的目标状态方程，扩展的状态方程为[4]：量测方程为：zk+1=Hxk+1+vk+1=H(Fxk+Guk+Γwk)+vk+1=[HF HG][xkuk]T+HΓwk+vk+1定义HΓwk+vk+1.则可得扩维后的状态方程和量测方程：由式(6)、(7)即可利用卡尔曼滤波对目标的状态进行递推估计.2.2 强跟踪多重渐消因子在目标高机动或连续机动时，目标的加速度幅度变化大，容易造成滤波器发散.文献[5]结合强跟踪思想对MIE算法进行了改进.即引入强跟踪滤波器时变的多重渐消因子对滤波器的预测协方差矩阵进行调整，进而调节滤波器的增益矩阵.引入多重渐消因子的一步预测协方差矩阵的计算公式为：而可采用如下计算方法：式中：tr为求矩阵迹的算子；αi≥1(i=1,2,…,n)均为预先选定的常数，由先验信息确定；η为弱化因子，可以使状态估计值更加的平滑，通常根据经验选取；为矩阵Mk+1的对角线元素；Vk+1为实际输出残差序列的协方差矩阵，在实际中是未知的，可通过下式进行估算：式中为理论输出的残差序列，0<ρ≤1为遗忘因子，通常取ρ=0.95.2.3 强跟踪输入估计算法滤波步骤由上面的分析可以得到STMIE算法滤波流程如下[4,5]：步骤1 一步预测状态的一步预测：协方差的一步预测为：步骤2 一步更新状态的一步更新协方差的一步更新其中=HΓQk+1ΓTHT+Rk+2由式(19)可知，扩维后滤波器的增益由预测协方差矩阵和共同决定.通常当目标高机动时，滤波器的残差迅速增大，一步预测协方差可以通过多重渐消因子矩阵λk+1而及时调整，进而使滤波增益能得到合理地调整，显著增强了MIE算法对高机动目标的跟踪能力.3.1 IMM-STMIECV算法模型集的设计是多模型估计中最重要的问题之一，传统的IMM算法一般选用CV 模型和匀加速度(Constant Acceleration,CA)模型的组合作为模型集进行混合估计或者选用CV模型、CA模型以及转弯速率未知的协同转弯(Coordinate Turn,CT)模型[15]作为模型集进行混合估计，来实现对目标非机动时的精确跟踪以及目标加速或转弯机动时的跟踪.另外采用相关噪声模型(如当前统计(Current Statistical,CS)模型)和CV模型的组合也比较常见，但当目标高机动时或者连续机动时，往往会因为模型竞争或模型不匹配导致滤波估计精度不理想.STMIE算法在目标多种机动情况下相比其他通用型跟踪算法拥有更高的跟踪精度，但降低了对非机动目标的滤波精度，因而从理论上来说，选用STMIE模型和CV模型的组合的作为IMM算法的模型集就能实现对目标的全面自适应跟踪，并记采用这种模型集设计的IMM算法为IMM-STMIECV算法.但由于二维空间中CV模型的状态维数为4，而STMIE模型扩维后状态向量的维数为6，状态维数不一致，而IMM算法要实现状态和协方差的混合交互，所有状态向量必须转换成一致的状态变量[16].模型状态维数不同以及状态元素不一致时如何实现IMM算法的混合估计在文献[14,16,17]都有所提及，本文采用的是文献[14]提出的无偏混合方法，该算法在混合估计过程中不会带来偏差，且具有更好的一致性.3.2 IMM-STMIECV算法步骤IMM估计算法是递推进行的.每步递推包括4个步骤，即模型条件重初始化、模型条件滤波、模型概率更新、估计融合.现给出IMM-STMIECV算法由k-1时刻到k 时刻的递推步骤.步骤1 模型条件重初始化首先计算混合概率，然后采用2.1节介绍的无偏混合方法进行混合估计，即可得到重初始化的状态和协方差矩阵.步骤2 模型条件滤波由步骤1得到CV模型和STMIE模型估计的初始条件.然后每个模型按如下步骤进行递推其中式(22)～(27)中，上标j表示其中的第j个模型，下同，j∈{1,2,…,M}，M为模型总个数，此处M=2.步骤3 模型概率更新=Pr{rk=j|Zk}==式中步骤4 估计融合需要注意的是由于STMIE算法中因此估计的状态向量取决于zk+1，造成了一个采样间隔的延迟；而基于CV模型的滤波器k时刻的状态更新值取决于zk.即模型条件滤波中STMIE模型是利用k+1时刻的量测更新k时刻的状态和协方差，而CV模型是利用k时刻的量测进行状态和协方差更新.因此模型似然函数的计算分别利用了k时刻和k+1时刻的量测，因而实际上对式(28)的模型概率计算进行了近似处理.由于量测值为位置信息，在采样间隔不是太大且目标离传感器较远时，其相对大小改变较小，这种近似是合理的.上述IMM算法中假定系统模型切换过程是一个Markov过程，即模型跳变服从Markov链[7]，设Markov概率转移矩阵为则：式中：M为模型的总个数，rk=j表示k时刻系统匹配的模型为j模型表示模型i转移到模型j的概率，且对于任意i∈{1,2,…,M}有标准的IMM算法中Markov转移概率是预先给定的，但是由于目标的机动性和先验信息不确定，这种预先设定的Markov矩阵并不能很好的反应目标真实运动模式的切换，造成估计误差增大[11].因此在滤波过程中需要利用后验信息对IMM算法的转移概率进行自适应修正，使之符合实际情况.文献[10]和文献[13]分别提出利用模型概率变化的后验信息和利用误差压缩率[13]的后验信息对模型转移概率进行修正，而本文提出一种根据模型似然函数值对模型转移概率进行修正的方法.模型似然函数值中包含了当前的量测信息，其大小很好的反应了模型与目标真实运动模式匹配程度.假设k时刻子模型j的模型似然函数值为其值相对其他模型似然函数值越大说明子模型j与目标真实运动状态越匹配，则其他模型向这一匹配模型的转移概率就应越大，反之，其他模型转向这一模型概率就应越小，而本文就是基于这思想对转移概率进行自适应调整.其具体方法为：对Markov概率转移矩阵的元素利用如下方法进行修正，即：式中为调节因子，控制调节的快慢.考虑到k时刻某一模型转向其他模型的概率总和为1，因此需要利用这一性质对式(33)进行修正.即：从式(34)可以看到，若k时刻模型j的模型似然函数值比模型i的大，即子模型j比子模型i与目标真实状态更匹配，通过修正后由模型i转移到模型j的概率也随之增大，因而在下一时刻滤波前的模型交互中，模型似然函数值大的子模型在交互估计输出中所占的比重更大；相反，若k时刻模型j的模型似然函数值比模型i的小，通过修正后由模型i转移到模型j的概率也随之减小，模型似然函数值小的子模型在交互估计输出中所占的比重减小.通过这种利用量测信息实时自适应地修正模型转移概率的方法，增强了匹配模型的作用，压缩了非匹配模型的影响.但是式(34)的转移概率设计仍存在不足，可能导致矩阵主对角元素的某些值越来越大，而某些值会越来越小，即匹配模型转移到自身的概率会越来越大，而不匹配模型转移到自身的概率会越来越小.但当目标机动使得不匹配模型变成匹配模型时，会导致当前匹配模型转移到之前的匹配模型的概率仍很大，转移到自身的概率仍较小，造成模型切换比较缓慢.鉴于此，对式(34)做如下调整，在自适应调整转移概率的同时保持Markov矩阵的主对角占优.对Markov矩阵的主对角线元素设定一个阈值Th，若主对角线元素则对其所在行的元素作如下修改：若则其所在行的元素保持不变.显然，经过修正后仍满足且的要求.同时经过式(34)、(35)修正，模型切换过程中不仅能更多地利用匹配模型的信息，削弱非匹配模型的影响，而且能增强算法的稳定性，使跟踪精度和收敛速度都得到提高.图1为提出的自适应转移概率IMM-STMIECV算法流程图.从两个方面来验证本文提出算法的性能，首先验证本文提出的转移概率自适应算法的性能，然后验证本文提出模型集设计方法性能的好坏.5.1 转移概率自适应修正算法性能分析选择文献[6]中的机动场景3来测试本文提出的自适应转移概率算法的性能，并同时与标准的IMM算法、文献[10]提出的依据模型概率的变化修正转移概率以及文献[13]提出的根据误差压缩率修正转移概率的方法进行对比分析.目标从x0=[8000,600,8000,600](m,m/s,m,m/s)出发，并在开始的20s匀速运动.接下来，目标在21～110s内进行协同转弯运动，转弯速率为1/30(rad/s).在此之后，目标保持匀速直线运动50s直至运动结束.此处目标只有两种运动模式，即匀速运动和协同转弯运动.为了测试这4种算法的性能，同时考虑到需要比较模型切换速度以及模型概率估计，所有算法都采用匹配模型集，即所有IMM算法都采用CV模型和转弯角速度已知( ω= 1/30(rad/s))的CT模型作为IMM算法的模型集.CV、CT模型过程噪声协方差矩阵为QCV=ΓCVdiag(qcv1,qcv2)(ΓCV)T,QCT=ΓCTdiag(qct1,qct2)(ΓCT)T其中：qcv1=qcv2=qct1=qct2=0.01m2·s-4.本文算法的调节因子γ=1/2，Markov概率转移矩阵主对角线元素的阈值Th=0.7.4种算法的初始Markov概率转移矩阵及模型初始概率为：量测为线性量测，即zk=[xk yk]T，量测协方差矩阵为R=diag(1002, 1002)，采样间隔T=1s.采用两点初始化[18]的方法，Monte Carlo仿真实验100次.图2为4种方法的均方根误差(RMSE)曲线，图3给出了单次实验中各算法的模型概率变化曲线.仿真结果表明，3种时变转移概率算法的跟踪性相比标准的IMM算法都用不同程度的提升.但相对来说，本文方法拥有更好的跟踪性能，具体表现在：(1)拥有更高的跟踪精度，从图2可以看到，无论是位置均方根误差还是速度均方根，本文方法的稳态误差都是最小的，跟踪精度较标准的IMM算法有大幅度提升，且好于文献[10]和文献[13]方法.(2)模型切换更迅速，收敛速度更快，模型概率估计更加准确.本文方法完成模型切换所用的时间平均只有7s左右，标准的IMM算法和文献[10]方法需要15s左右的时间才能完成模型切换，而文献[13]方法需要30s左右的时间才能实现从一个模型到另一个模型的过渡.在模型概率估计方面，本文方法拥有绝对的优势，远好于其他三种方法，除最开始10s左右滤波器在调整导致模型概率估计不太准确外，其他时间模型概率变化与目标真实的模式的变化十分接近.说明算法增强了匹配模型的作用，削弱了非匹配模型的影响.本文方法的缺陷在于峰值误差(最大误差)较大，尤其是当目标转弯运动变为匀速运动时，误差增大明显.原因在于本文提出的自适应转移概率IMM算法极大的削弱了非匹配模型的作用，但当目标机动非匹配模型变成匹配模型时，模型切换有一定时间的滞后，导致模型切换过程中误差较大.5.2 本文算法模型集设计性能分析上述实验为已知目标真实运动模式的情况下采用匹配模型集验证本文提出的自适应转移概率方法对标准的IMM算法性能的提高.但是现实情况中，目标的机动类型，机动强度以及何时机动都是未知的，因而IMM算法存在模型集设计的难题.但目标可能的运动模式概括起来又是已知的，即主要有匀速运动，匀加速运动，以及转弯运动.因而传统的IMM算法采用CV、CA模型的组合或CV、CA、CT模型的组合实现对机动目标跟踪，利用相关噪声模型与CV模型的组合也比较常见.但是由于目标的机动程度未知，上述几种方法的性能通常不太理想，为此本文提出一种新颖的模型集设计方法，下面对本文提出模型集设计的性能进行验证.选取了包含三种运动模式的目标连续机动的运动场景，用本文提出的IMM-STMIECV算法、IMM-CVCA算法、IMM-CVCACT算法以及IMM-CVCS算法分别对目标进行跟踪，并以均方根误差为性能评价指标.需要指出的是，这里的CT模型是转弯角速度未知的转弯模型，其状态方程是非线性的，利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法进行滤波.假设目标初始状态x0=[10000,-160,2000,50](m,m/s,m,m/s)，在二维平面内运动120s.分别在0～20s、40～60s、110～120s进行匀速运动，20～40s和60～80s进行匀速转弯运动，80～110s进行匀加速运动，20～40s，60～80s时角速度分别为π/18 (rad/s)和-π/20 (rad/s)，80～110s时两个方向的加速度分别为5m/s2，5m/s2.图4为目标运动的真实航迹图.各算法的参数设置如下：CV模型的噪声协方差与4.1节相同，CA模型的过程噪声协方差为QCA=ΓCAdiag(qca1,qca2)(ΓCA)T，CT模型的过程噪声协方差为QCT=ΓCTdiag(qct1,qct2,qct3)(ΓCT)T，式中：qca1=qca2=10m2·s-4；qct1=qct2=0.01m2·s-4，qct3=0.001rad2·s-4；STMIE中wk的方差为预先选定的常数αi=1，弱化因子η=1.同时为了比较的公平性，4种IMM算法都采用本文提出的自适应转移概率方法.IMM-STMIECV、IMM-CVCA、IMM-CVCS的模型初始概率都为[0.5,0.5]T、IMM-CVCACT算法模型初始概率为[1/3,1/3,1/3]T.4中算法的初始Markov概率转移矩阵分别为：自适应转移概率算法的调节因子γ=1/3，Markov概率转移矩阵主对角线元素的阈值Th=0.7.量测为线性量测，即zk=[xk yk]T，量测协方差矩阵为R=diag(1002, 1002)，采样间隔T=1s.采用三点初始化[18]方法，Monte Carlo实验200次.图5分别显示的是这四种算法的位置和速度均方根误差曲线，同时对各算法观测时间内平均均方根误差，峰值误差(20s以后)等进行了统计，结果如表1所示.表1统计的结果表明，本文算法的平均位置均方根误差和位置峰值误差都最小，而平均速度均方根误差和速度峰值误差和IMM-CVCACT算法相当，但小于IMM-CVCA算法以及IMM-CVCS算法.从图5可以看到，无论目标在哪种运动模式，本文算法的位置均方根误差几乎都是这几种算法中最小的，而速度均方根误差只有在目标转弯机动时稍大于IMM-CVCACT算法，说明采用STMIE模型和CV模型的组合的IMM算法具有良好的适应性，能实现对目标的全面自适应跟踪，跟踪精度较传统的模型集设计方法得到了显著的提高.而在收敛速度方面，虽然当目标机动时，本文方法的跟踪误差也明显增大，但能迅速收敛，误差保持在一个较小的值，而其他方法收敛速度相对较慢，且目标机动时跟踪精度低.另外，采用STMIE模型和CV模型组合的设计，在量测误差相同但机动性更强的条件下，算法的峰值误差较4.1节得到了改善，原因在于STMIE也能实现对匀速目标的跟踪，而转弯角速度已知的CT模型不能实现对匀速目标的跟踪.综上，本文提出的自适应转移概率IMM-STMIECV算法由于采用新颖的模型集设计同时依据量测信息实时修正转移概率，算法能实现对目标全面的自适应跟踪，无论目标是否机动，相比其他三种算法跟踪精度更高，模型切换迅速，收敛速度快，同时只采用两个跟踪模型，算法复杂度相对较低.算法的跟踪性能较传统方法有较大的提高，是一种性能较为优越的机动目标跟踪算法.本文针对机动目标跟踪问题，在分析标准IMM算法存在的不足的基础上，提出一种自适应转移概率的交互式多模型算法.仿真结果表明采用STMIE模型和CV模型的组合，能提高IMM算法的适应性，无论目标是否机动以及机动程度如何，在无目标任何先验信息的条件下相对其他通用型跟踪算法拥有更高的跟踪精度.采用自适应转移概率算法，能根据量测信息实时对转移概率进行修正，增强匹配模型的作用，削弱非匹配模型的影响，使模型切换更迅速更合理，对模型概率的估计更加准确，收敛速度更快，算法的跟踪精度得到了显著的提高.【相关文献】[1]Xu L,Li X R,Duan Z.Hybrid grid multiple-model estimation with application to maneuvering target tracking[J].IEEE Transactions on Aerospace and Electronic Systems,2016,52(1):122-136.[2]Sithiravel R,Mcdonald M,Balaji B,et al.Multiple model spline probability hypothesis density filter[J].IEEE Transactions on Aerospace and Electronic Systems,2016,52(3):1210-1226.[3]Nemeth C,Fearnhead P,Mihaylova L.Sequential monte carlo methods for state and parameter estimation in abruptly changing environments[J].IEEE Transactions on Signal Processing,2014,62(5):1245-1255.[4]Khaloozadeh H,Karsaz A.Modified input estimation technique for tracking maneuvering targets[J].IET Radar Sonar Navigation,2009,3(1):30-41.[5]杨金龙,姬红兵,樊振华.强跟踪输入估计概率假设密度多机动目标跟踪算法[J].控制理论与应用,2011,28(8):1164-1170.Yang Jin-long,Ji Hong-bing,Fan Zhen-hua.Strong tracking modified input estimation probability hypothesis density for multiple maneuvering targets tracking [J].Journal of Control Theory and Applications,2011,28(8):1164-1170.(in Chinese)[6]Lan J,Li X R,Mu C.Best model augmentation for variable-structure multiple-model estimation[J].Aerospace and Electronic Systems,IEEE Transactions on,2011,47(3):2008-2025.[7]Li W,Jia Y.An information theoretic approach to interacting multiple model estimation[J].IEEE Transactions on Aerospace and Electronic Systems,2015,51(3):1811-1825.[8]刘先省,胡振涛,金勇,等.基于粒子优化的多模型粒子滤波算法[J].电子学报,2010,38(2):301-306. Liu Xian-xing,Hu Zhen-tao,Jin Yong,et al.A novel multiple model particle filter algorithm based on particle optimization[J].Acta Electronica Sinica,2010,38(2):301-306.(in Chinese) [9]万九卿,梁旭,马志峰.基于自适应观测模型交互多模型粒子滤波的红外机动目标跟踪[J].电子学报,2011,39(3):602-608.Wan Jiu-qing,Liang Xu,Ma Zhi-feng.Infrared maneuvering target tracking based on IMM-PF with adaptive observation model[J].Acta Electronica Sinica,2011,39(3):602-608.(in Chinese)[10]郭志,董春云,蔡远利,等.时变转移概率IMM-SRCKF机动目标跟踪算法[J].系统工程与电子技术,2015(1):24-30.Guo Zhi,Dong Chun-yun,Cai Yuan-li,et al.Time-varying transition probability based IMM-SRCKF algorithm for maneuvering target tracking[J].Journal of Systems Engineering and Electronics,2015(1):24-30.(in Chinese)[11]Wang G.ML Estimation of transition probabilities in jump markov systems via convex optimization[J].IEEE Transactions on Aerospace and Electronic Systems,2010,46(3):1492-1502.[12]Guo R,Shen M,Huang D,et al.Recursive estimation of transition probabilities for jump Markov linear systems under minimum Kullback-Leibler divergence criterion[J].Iet Control Theory & Applications,2015,9(17):2491-2499.[13]臧荣春,崔平远.马尔可夫参数自适应IFIMM算法研究[J].电子学报,2006,34(3):521-524. Zang Rong-chun,Cui Ping-yuan.Research on adaptive markov parameter IFIMM algorithm[J].Acta Electronica Sinica,2006,34(3):521-524.(in Chinese)[14]Yuan T,Bar-Shalom Y,Willett P,et al.A multiple IMM estimation approach with unbiased mixing for thrusting projectiles[J].IEEE Transactions on Aerospace Electronic Systems,2012,48(4):3250-3267.[15]Zhu L,Cheng X.High manoeuvre target tracking in coordinated turns[J].IET Radar Sonar Navigation,2015,9(8):1078-1087.[16]Blackman S S,Popoli R.Design and Analysis of Modern TrackingSystems[M].Boston:Artech House,1999.224-240.[17]Farrell W.Interacting multiple model filter for tactical ballistic missile tracking[J].IEEE Transactions on Aerospace and Electronic Systems,2008,44(2):418-426.[18]何友,修建娟,关欣,等.雷达数据处理及应用(第三版)[M].北京：电子工业出版社,2013.44-47.。
检测跟踪文献综述
近年来，智能视频监控技术的研究与应用备受人们关注。
作为其基本处理部分，视频监控图像的运动目标检测是一个非常活跃的研究方向，属于计算机视觉领域的重要研究内容,在智能监控、视频压缩、自动导航、人机交互、虚拟现实等方面有着广泛的应用前景.随着计算机软硬件技术的发展，计算机技术与监控技术相结合成为了一个新兴的应用研究方向。
这种监控系统与传统意义上的监控系统的本质区别在十其智能性.视频监控的目的主要是用十对入侵者的监视、交通流量的监测,以及大门出入人员的保安监控等。
传统的监控系统大都需要人工配合进行监控，存在各种问题。
采用红外传感器等半自动的检测方法又存在对猫犬等动物产生误报警等问题.因此，对智能化的监控系统的研究就非常有必要。
简言之，不仅仅用摄像机来代替人眼简单的获取现场图像信息，应用计算机技术来协助监控人员甚至代替监控人员来完成监控任务，从而既获得良好的监控效果，又大大地减轻监控中的人力投入。
由此可见，智能监控系统有着广泛的应用前景和潜在的市场价值。
然而要使监控系统达到智能化，就必须使计算机能够从监控摄像机里所获取的视频图像序列中提取出感兴趣的目标，并对其进行目标分类和跟踪，从而达到对目标行为进行理解与描述的目的。
智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题。
视频监控技术的发展大致经历了以下二个阶段：(1）第一代视频监控系统:早期的视频监控都是以模拟设备为主的闭路电视监控系统，称其为模拟视频监控系统。
通常采用同轴电缆的传输方式进行信号传输,但是这种模拟方式的传输要保证宽带信号具有高的信噪比和较小失真是十分困难的，所以第一代监控系统的可靠性和抗干扰性都较差，功能也相对简单。
(2)第二代视频监控系统：随着数字技术的发展，图像数据压缩编码技术及标准的改进，芯片成本的不断下降，数字视频监控系统也迅速发展起来。
人们利用计算机的高速数据处理能力进行视频采集和处理，大大提高了图像质量，增强了视频监控的能力,提高了系统的可靠性，增强其可扩展性,其功能也越来越专业化、多样化。
基于匹配跟踪置信度的自适应对应像素距离图像匹配跟踪算法
基于TLD的自适应单目标跟踪算法研究
基于TLD的自适应单目标跟踪算法研究摘要针对因光照变化、目标形态变化和遮挡等问题引起的目标自动跟踪失效问题，本文采用优化后的TLD算法在opencv2.4.9和VS2010搭建的平臺上进行仿真实验。
结果表明，利用扩展Kalman滤波器进行目标预测，Mean-shift算法替代TLD算法中跟踪模块的光流法，可减少TLD的计算量，增强TLD算法的稳定性和鲁棒性并且能够自适应的进行目标跟踪。
关键词TLD；目标跟踪；自适应前言目标自动跟踪技术是一项融合图像处理、模式识别、人工智能、自动控制、大规模集成电路等多种不同领域先进成果的综合性技术。
和目标识别一样，目标自动跟踪被广泛应用在军事中。
但战场环境复杂多变，再加上目标本身会发生诸如姿态、大小、运动轨迹、运动速度以及如目标被遮挡等其他各种因素的影响，使得对运动目标的跟踪成为一个难点。
虽然目前已有的算法有很多，但是他们只能在一定条件下或特定场合中对解决某一个或某几个问题效果较好，很难解决复杂场景中各种不确定情况及适应不同场合的运动目标跟踪。
为此，本文对TLD算法进行了改进与优化，使其能较好地解决上述问题[1]。
1 TLD算法的优化由于TLD（Tracking-Learning-Detection）能够较好地实现单目标长时间稳定跟踪，适应目标形态发生的变化，近年来在计算机视觉领域被广泛应用。
相比传统的只能在高斯运动场下使用的粒子滤波、卡尔曼滤波等算法而言，跟踪模块采用光流法的TLD算法则可应用于各种运动场。
但其也有诸多缺点，例如，光流法计算量较大，存在对快速移动目标跟踪准确度不高，有外观相似物体干扰时不能实现较好的稳定跟踪等问题。
为此，本文采用计算量相对较少的Mean-shift算法替代TLD算法中跟踪模块的光流法，同时利用扩展Kalman滤波器进行目标预测，以减少TLD的计算量，增强算法的可靠性。
改进后的算法主要思路如下：初始化Kalman滤波器并进行目标位置的预测，再用得到新的系统状态预测量和新的系统状态测量对Kalman滤波器进行校正。
基于分层光流场的运动车辆检测与跟踪
基于分层光流场的运动车辆检测与跟踪
聂小燕
【期刊名称】《实验技术与管理》
【年(卷),期】2012(029)011
【摘要】针对LK(Lucas Kanade)算法不能稳定跟踪快速移动目标的局限性,采用一种图像分层光流的跟踪方法,能获得针对目标的大尺度运动的较好预测结果.为了减少计算量,提出一种基于特征角点的光流跟踪技术,首先提取运动车辆的特征角点,计算其光流场,对角点实施跟踪极大地减少了光流计算量,可以满足目标检测实时性的要求.实验表明,当运动车辆转弯和移动时,角点始终稳定可靠,并且跟踪算法能够快速、准确地匹配特征焦点,实现了复杂交通场景下对运动车辆的实时稳定跟踪.【总页数】4页(P50-53)
【作者】聂小燕
【作者单位】电子科技大学成都学院电子信息工程系,四川成都 611731
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于自适应轮廓匹配的视频运动车辆检测和跟踪 [J], 杨建国;尹旭全;方丽;李健;王兆安
2.基于光流的运动车辆检测和跟踪技术的研究 [J], 张利平;赵俊梅
3.一种基于帧间差分和光流技术结合的运动车辆检测和跟踪新算法 [J], 王振亚;曾黄麟
4.基于运动检测的多车辆跟踪方法研究 [J], 单玉刚;汪家宝;李世兴;董爽
5.一种基于运动目标检测的视觉车辆跟踪方法 [J], 杨敏;裴明涛;王永杰;董震;武玉伟
因版权原因，仅展示原文概要，查看原文内容请购买。
基于多层特征嵌入的单目标跟踪算法
基于多层特征嵌入的单目标跟踪算法1. 内容描述基于多层特征嵌入的单目标跟踪算法是一种在计算机视觉领域中广泛应用的跟踪技术。
该算法的核心思想是通过多层特征嵌入来提取目标物体的特征表示，并利用这些特征表示进行目标跟踪。
该算法首先通过预处理步骤对输入图像进行降维和增强，然后将降维后的图像输入到神经网络中，得到不同层次的特征图。
通过对这些特征图进行池化操作，得到一个低维度的特征向量。
将这个特征向量输入到跟踪器中，以实现对目标物体的实时跟踪。
为了提高单目标跟踪算法的性能，本研究提出了一种基于多层特征嵌入的方法。
该方法首先引入了一个自适应的学习率策略，使得神经网络能够根据当前训练状态自动调整学习率。
通过引入注意力机制，使得神经网络能够更加关注重要的特征信息。
为了进一步提高跟踪器的鲁棒性，本研究还采用了一种多目标融合的方法，将多个跟踪器的结果进行加权融合，从而得到更加准确的目标位置估计。
通过实验验证，本研究提出的方法在多种数据集上均取得了显著的性能提升，证明了其在单目标跟踪领域的有效性和可行性。
1.1 研究背景随着计算机视觉和深度学习技术的快速发展，目标跟踪在许多领域(如安防、智能监控、自动驾驶等)中发挥着越来越重要的作用。
单目标跟踪(MOT)算法是一种广泛应用于视频分析领域的技术，它能够实时跟踪视频序列中的单个目标物体，并将其位置信息与相邻帧进行比较，以估计目标的运动轨迹。
传统的单目标跟踪算法在处理复杂场景、遮挡、运动模糊等问题时表现出较差的鲁棒性。
为了解决这些问题，研究者们提出了许多改进的单目标跟踪算法，如基于卡尔曼滤波的目标跟踪、基于扩展卡尔曼滤波的目标跟踪以及基于深度学习的目标跟踪等。
这些方法在一定程度上提高了单目标跟踪的性能，但仍然存在一些局限性，如对多目标跟踪的支持不足、对非平稳运动的适应性差等。
开发一种既能有效跟踪单个目标物体，又能应对多种挑战的单目标跟踪算法具有重要的理论和实际意义。
1.2 研究目的本研究旨在设计一种基于多层特征嵌入的单目标跟踪算法，以提高目标跟踪的准确性和鲁棒性。
harp跟踪方法
harp跟踪方法HARP跟踪方法HARP跟踪方法（Hierarchical Adaptive Real-time Tracking，分层自适应实时跟踪）是一种用于目标跟踪的计算机视觉算法。
它通过分层的方式，实时地跟踪目标在视频序列中的位置和形状变化。
本文将介绍HARP跟踪方法的原理和应用，并分析其优缺点。
一、原理HARP跟踪方法基于分层的思想，将目标跟踪问题分为两个层次：全局层和局部层。
全局层负责整体目标的跟踪，而局部层负责目标的细节部分跟踪。
全局层通过颜色和纹理特征对目标进行建模，并使用粒子滤波器进行跟踪。
局部层则通过局部特征（如边缘和角点）对目标进行建模，并使用卡尔曼滤波器进行跟踪。
两个层次的跟踪结果通过融合方法得到最终的目标位置和形状。
具体来说，全局层首先在视频序列的初始帧中手动选择目标，并提取目标的颜色和纹理特征。
然后，通过粒子滤波器对目标进行跟踪，不断更新目标的位置和形状信息。
局部层则在每一帧中通过边缘和角点检测算法提取目标的局部特征，并使用卡尔曼滤波器对目标进行跟踪。
最后，通过融合全局层和局部层的跟踪结果，得到最终的目标位置和形状。
二、应用HARP跟踪方法在许多领域有广泛的应用。
在视频监控领域，它可以用于实时跟踪行人、车辆等目标，帮助安全管理和犯罪侦查。
在无人驾驶领域，它可以用于实时跟踪其他车辆和行人，帮助自动驾驶系统做出正确的决策。
在虚拟现实领域，它可以用于实时跟踪用户的手部和头部动作，实现更加自然和沉浸的交互体验。
三、优缺点HARP跟踪方法具有以下优点：1. 高效性：HARP跟踪方法通过分层的方式，充分利用了全局信息和局部信息，提高了跟踪的准确性和效率。
2. 鲁棒性：HARP跟踪方法在目标形状变化、光照变化和背景干扰等情况下，仍能保持较好的跟踪效果。
3. 实时性：HARP跟踪方法采用了粒子滤波器和卡尔曼滤波器等实时算法，能够在实时视频流中进行目标跟踪。
然而，HARP跟踪方法也存在一些缺点：1. 对目标的先验知识要求较高：HARP跟踪方法需要手动选择目标，并提取目标的颜色和纹理特征，对目标的先验知识要求较高。
一种基于MACA的自适应跟踪算法
踪 技术 ， 取得 了理 想 的跟 踪 效 果． ＭＡＣ 算 法 应 用 于 自适 应 实 时跟 踪 系 统进 行 验 证 性 实 验 表 将 Ａ 明， 该算 法具 有 良好 的实 时性和 鲁棒 性．
关键 词 ： ＭＡＣ Ｃ ｍＳ ｉ ； Ａ； ａ ｈｆ 多模 式 ； ｔ 自适 应 ； 跟踪 中 图分类 号 ： ３ ３ 文献标 志码 ： ＴＰ ９ Ａ 文章 编号 ：６ ４３ ８ ２ １ ） ３０ ４ — ６ １ ７ — ５ Ｘ（ Ｏ ０ ０ －０ １０
算 ， 到 目标 的三 帧差 分法 目标 图像 Ｔ （ ． ， 去除 图像 中残余 的 噪声 点 和 目标 中的空 洞 ， 进一 步 对 此 得 ｙ 为 ， ） 可
二值 图像 进行 形态 学 滤波 ； 将三 帧差 分法 提取 的 目标 同背景差 分 法提取 的 目标进 行再 次逻辑 “ ” 或 运算 ， 到 得
干扰 ， 为此 提 出一 种 析取 函数对 帧差 法进 行二 值化 处理 ：
Ｅｌ Ｉ ， ）一 １— ２ （ ；
１十 』
， （ ｙ 一 Ｂ ｚ， ）
』ｏｔｈｅｒｗｉｅ． ＞丁 ｌ ＥＪ ’ ‘¨ 当 ｒ ’ ｌ ０， ｓ
（ １ ）
式 中 ， Ｈ ， ） Ｅ（ 为析取 函数 ， ｚ， 为输 出的 二值 化 差 值 图像 ． Ｂ （ ） 将得 到 的两 组 二 值 图像 再 做 逻 辑 “ 运 与”
法 的可靠 性 ．
１ 变 背 景 运 动 目标 提 取
１ １ 运 动 目标 提 取 ．
在视 频序 列 图像跟 踪 中 ， 精确 提取 运动 目标 是实 现快 速 跟踪 的关键 ． 目标 出现 后 ， 前 ｋ帧连 续 图像 当 将 （ 忌 ０， 取 ＞１ ） 利用 自适应 的 Ｓ ｒｎ ｒ ｕ ｅ ｄａ算法 ［ 建 立背 景 图像 Ｂ （ ） 从第 是 ７ ｚ， ， ＋１帧 开始用 当前 帧与 背景 Ｂ 进 行背 景减 除运算 ， 到运 动 目标 差值 图像 ＤＢ （ ） 这 时 的二值 目标 图像往 往含 有很 大 噪声Ｌ ． 得 ｚ， ， ８ 为此进 一 ］
鲁棒的自适应尺度和方向的目标跟踪方法
鲁棒的自适应尺度和方向的目标跟踪方法单玉刚;汪家宝【摘要】针对在视频序列图像目标跟踪中,跟踪目标尺寸和跟踪目标相对背景运动的方位角都在实时变化,常规目标跟踪算法会引起尺度和方向定位偏差,导致跟踪漂移,甚至跟踪失败问题,提出鲁棒的目标尺度和方向自适应的跟踪方法.在Kalman滤波框架下,通过将运动目标的最小外接矩形信息转化为Kalman滤波参数,对目标运动进行建模.采用基于最小外接矩形的两步块匹配搜索方式实现对目标的中心定位,然后采用增量式搜索匹配方法根据最优尺度和角度的判别条件修正目标尺度和方向角度.通过动态评估不同目标模型在不同跟踪场景中的置信度,对目标模型进行动态更新.使用公用视频图像序列测试,实验结果验证了该方法的有效性.【期刊名称】《计算机工程与应用》【年(卷),期】2018(054)021【总页数】9页(P208-216)【关键词】目标跟踪;尺度自适应;方向自适应;块匹配【作者】单玉刚;汪家宝【作者单位】湖北文理学院教育学院,湖北襄阳 441053;湖北文理学院教育学院,湖北襄阳 441053【正文语种】中文【中图分类】TP391.411 引言视频图像序列目标跟踪[1-2]是计算机视觉领域的核心问题，广泛地应用在智能监控、人机交互、机器人导航、医学诊断以及精确制导武器等领域。
近十几年随着信息技术的快速发展，目标跟踪吸引了众多研究者的关注，成为热点研究问题。
块匹配跟踪方法简单，运算时间短，跟踪效果好，已在工程中应用。
但当存在视频跟踪的目标外观的变化，包括：目标运动过程中目标姿态的改变、目标的形变、视角的改变、目标尺度变化等时，跟踪精度会下降[3]，因此，要对目标进行长时间稳定的跟踪，就需要合理地处理目标尺度和旋转变化，否则会导致跟踪失败。
针对目标尺度和旋转变化问题，国内外学者取得了大量研究成果。
这些方法可以在各种跟踪算法中应用。
Ning[4]等人提出通过计算候选区域像素点的权重分布图，从而估计出目标的最佳尺度，但尺度估计的精度仍有待提高。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｋｅ ｙ ｗｏｒ ｓ：ａ ａ ｉｅ ｔ ｒ ｓ ｏ ｄ；ｌｙ ｒ ｄ ｗｅ ｇ ｉｇ；ｔ ｍｐ ｅｅ ａ ａ ｔ ｐ－ ａ ｅ ｄ ｄ ｐｔ ｅ ｈ ｌ ｖ ｈ ａ ｅ ｅ ｉｈｔ ｎ ｅ ｌｔ ｄ ｐ ｉ ｕ ｄ ｔ ｖｅ
的 目标 区 域作 为 目标 模 板 ， 选 的 目标 区 域 作 为 首
Ａｂ ｔａｃ ：Ｔｏ ｄ ｐｔ ｅ ｙ ｅ ｒ ｈ ｈ ｏ ｔ ｓｒ ｔ ａ ａ ｉ ｌ ｓ ａｃ ｔ ｅ ｐｉ ｖ ｍｕｍ ｄｙ ａ ｃ ｈ ｅ ｈ ｄ ｎ ｕ ａｅ ｈｅ ｅ ｌｔ ｉ ｉ ｇ ｎ ｍｉ ｔｒ ｓ ｏｌ ａ ｄ ｐｄ ｔ ｔ ｔ ｍｐ ａｅ ｎ ｍａ ｅ
ｓ ｑ ｅ ｃ ａ ａ ｇ ｔ ｒ ｃ ｎｇ ｅ ｕ ｎ ｅ， ｔｒ ｅ ｔａ ｋｉ ｍｅ ｈ ｄ ｓ ｅ ｅｏ ｅ ｔ ｏ ｉ ｄ ｖ ｌ ｐ ｄ．Ｔｈ ｃ ｒｅａ ｉ ｎ ｂａ ｅ ｍ ｅｈ ｄ ｏ ｓｓｓ ｆ ｄａ ｔｖ ｅ ｏ ｒ ｌｔｏ － ｓ ｄ ｔ ｏ ｃ ｎ ｉｔ ｏ ａ ｐ ｉ ｅ ｈ ｅ ｈ ｌ ｒ ｇ ｏ ｔ ｒ ｓ ｏ ｄ ｅ ｉ ｎ ｍ ａｃ ｉ ｇ，ｌ ｙ ｒ ｄ－ ｉ ｈ ｉ ｇ ｉ ｔ ｍ ａｃ ｎ ｒ ｇ ｏ ｔｈｎ ａ ｅ ｅ ｗｅ ｇ ｔｎ ｎ ｈｅ ｔｈｉ ｇ ｅ ｉ ｎ， ａ ｄ ｕ ｄａｉ ｇ ｔ ｅ ｔｍ ｐ ｅｅ ｎ ｐ ｔｎ ｈ ｅ ｌｔ ａ ａ ｔｖ ｌ Ｅｘ ｒｍ ｅ ｔｓ ｗｓ ｔ ａ ｈ ａ ｉｒ ｍ ａｃ ｎ ｎ ｇ ｒ ｍ ａｃ ｎｇ ａ ｃ ａ ｙ ａ ｅ ｒ ａ ｈ ｄ ｄ ｅ ｔ ｄ ｐ ｉ ｅｙ． ｐｅ ｉ ｎ ｈｏ ｔｔ ｅ ｅ ｓｅ ｔｈｉｇ ａ ｄ ｈｉｈｅ ｔｈｉ ｃ ｕｒｃ ｒ ｅ ｃ ｅ ｕ ｏ ｈ
ｔ ｍ ａｌ ｒｔ ｒ ｅ ｔｈｉｇ ｒ ｇ ｏ ｎ ｏ ｅ ｉｔ ｇ ｉｈ ｄ ｍ ａｃ ｉ ｇ ｅ ｔｒ ｏ ｔｉ ｅ ｉ ｔ ｍ ｅｈｏ ．Ａ ｈｅ ｓ ｌｅ ａ ｇ ｔ ｍａ ｃ ｎ ｅ ｉ ｎ ａ ｄ ｍ ｒ ｄ ｓｉ ｕ ｓ ｅ ｔ ｈ ｎ ｃ ｎ ｅ ｂ ａｎ ｄ ｎ ｈｅ ｎ ｔ ｄ
刘 颖 ．王 明 波
（ １０ ９４ ４部 队 ， 北 秦 皇 相 关 的 区域 分 层 匹 配 和 模 板 自适 应 更 新 的 目标 跟 踪 方 法 ， 方 法 能 在 序 列 图 像 中 自适 应 地 提 种 该
寻 找 最 佳 的 动 态 阈 值 与 更 新 模 板 ， 时 区域 分 层 快 速 搜 索 能 较 大 地 提 高 匹 配 速 度 。 算 法 在 ＭＡ Ｌ Ｂ软 件 环 境 下 进 同 ＴＡ 行 了 仿 真 实 验 。 实 验结 果 表 明该 方 法 匹 配 精 度 高 、 配 速 度 快 ， 背 景 亮 度 、 比 度 发 生 变 化 以 及 存 在 水 面 杂 波 干 匹 在 对 扰 的 情 况 下 ， 现 出 良好 的稳 定 性 ， 有 较 强 的 实 用 价 值 。 表 具 关键 词 ：自适 应 阈值 ；分 层 匹 配 ； 板 自适 应 更 新 模
２１ ０ １年 ７月
系 统 仿 真 技 术
Ｓ ｓｅ Ｓ ｍｕ ａ ｉｎ Ｔ ｃ ｎ ｌ ｇ ｙ ｔｍ ｉ ｌ ｔ ｅ ｈ ｏｏ ｙ ｏ
Ｊ１．０ １ ｕ ． ２ １
Ｖｏ ． Ｎｏ ３ １ ７． ．
第 ７卷 第 ３期
中 图分 类 号 ： Ｐ １ Ｔ ８
文献标识码 ： Ａ
基 于分 层 匹配 的 自适 应 跟踪 算 法
Ａ Ｃｏ ｒ ｌｔ ｎ ｂ ｓ ｄ Ｌ ｙ ｒ ｄ Ｍａ ｃ ｉｇ ａ ｄ Ｔ ｒ ｅ ａ ｋｎ ｔ ｏ ｒｅａ ｉ － ａ ｅ ａ ｅ ｅ ｔ ｈｎ ｎ ａ ｇ ｔＴｒ ｃ ｉｇ Ｍｅ ｈ ｄ ｏ
Ｌ Ｕ Ｉ ， ＷＡＮＧ Ｍ ｉｇ ｏ ｎ ｂ
（ ａ ｙＵ ｉ ９ ４ ４ ｉｈ ａ ｇ ａ ６ ０ １ Ｃ ｉａ Ｎ ｖ ｎｔ １ ０ ，Ｑ ｎ ｕ ｎ ｄ ｏ ６ ０ ， ｈｎ ） ０
ｔ ｔｏｎ ｅ ｏ ｓ ｅ ｉｔｎ ｂ ｌ ｙ ａｅ ｏ ｔ ｉ ｅ ｙ ｔ ｅ ｍ ｅｈ ｄ ｉ ｈ ｉｆ ｒ ｎ ｉ ｔｉ ｔｎ ｉｙ ｂ ｃ ｒ ｕ ｄｓ ｈｅ ｓｒ ｇ ｒ ｎ ｉｅ ｒ ｓｓａ ｔａ ｉｉ ｒ ｂ ａ ｎ ｄ ｂ ｈ ｔ ｏ ｎ ｔ ｅ ｄｆｅ ｅ ｔｌ ｔ ｇｈ ｎ ｅ ｓｔ ａ ｋｇ ｏ ｎ ．
够 合 理 。 因 为 在 选 择 目标 区 域 时 ， 常 要 包 含 整 通
研 究 在 实 验 室 中跟 踪 、 别 的效 果 很 好 。但 在 实 识 际应 用 中 ， 于许 多 不 可 预 知 的环 境 条 件 （ 照 、 由 光
气 候 、 见 度 等 ） 及 目标 被 遮 挡 、 目标 干 扰 等 能 以 伪 情 况 的 影 响 ， 图像 识 别 变 得 困 难 ， 而 影 响 了 使 进 目标 跟 踪 的 稳 定 性 和 实 时 性 。在 各 种 基 于 相 关 的 匹配 算 法 中 ， 常 是 采 用 标 准 模 板 或 首 选 锁 定 通
１ 引 言
运 动 目标 的 跟 踪 算 法 很 多 ， 是 ， 多 算 法 但 大
的研 究 还 存 在 很 大 的 局 限 性 。对 于 某 类 目标 的
模 板 时 ， 为 区 域 中 每 个 像 素 的 贡 献 都 是 均 等 认 的， 即每 一 点 权 重 是 相 同 的 。这 就 等 于 说 目标 的 中心 区域 与 边 缘 区域 的 贡 献 是 相 同 的 ， 显 然 不 这
ｒ ｇ ｏ ａ ｅ — ａ ｅ ｅ ｒ ｈ ａｇ ｒｔ ｍ ｓ ａｓ ｐ ｅ ｅ ｔｄ． ｅ ｆ ｓ ａ ｃ ｉ ｇ ｓ ｅ ｄ ｗ ｉ ｉ ｈ ｒ ａ ｃ ｒ ｃ ｎｄ ｅ ｉ ｎ ｌｙ ｒｂ ｓ ｄ ｓ ａ ｃ ｌｏ ｉ ｈ ｉ ｌｏ ｒ ｓ ｎ ｅ Ｔｈ ａ ｔｍ ｔｈ ｎ ｐ ｅ ｔ ｈ ｇ ｅ ｃ ｕ ａ ｙ ａ ｈ