基于改进李群结构的特征协方差目标跟踪

合集下载

一种基于粒子群优化的目标跟踪特征选择算法

一种基于粒子群优化的目标跟踪特征选择算法尹宏鹏;刘兆栋;罗显科;柴毅【摘要】In this paper a novel tracking feature selection method is presented. It assumes the features that have best distinctive-ness between object and background are also best for tracking the object. A two-class variance ratio is employed to measure the distinctiveness. Particle swarm optimization algorithm is used to optimize the different features combination to generate the best tracking feature. To demonstrate the proposed method, selected feature is combined with kernel-based tracking method. Experi-mental results show that the proposed method can robustly track moving object in low discriminately background scenario.% 针对复杂背景下的运动目标跟踪特征选择问题，提出了一种基于粒子群优化的目标跟踪特征选择算法。

假设具有目标与背景间最好可分离性的特征为最好的跟踪特征。

通过构建目标与背景的图像特征分布方差的比值函数作为衡量目标与背景间的可分离性判据。

使用粒子群优化算法优化不同的特征组合实时获取最优的目标跟踪特征。

基于二次加权Mean-Shift的目标实时跟踪

基于二次加权Mean-Shift的目标实时跟踪张京爱;李群;李鹏飞;王江涛【摘要】An improved Mean-Shift trailing algorithm is proposed to resolve the short-coming of classical Mean-Shift trailing algorithm which needs multi-iterations to converge. In the object tracking systems, the color space is often adopted as the feature space, and the objects usually have unique colors so as to distinguish it selves from the background. In Mean-Shift algorithm the color feature's distributions are associated with the weights of the Mean-Shift vector. Through analyzing influences of different weights may have on the converge speeds, we reweight the weight coefficients, and permit the algorithm to accurately locate the target only through two iterations: a coarse one and a fine one. Experimental results demonstrate that the presented method is more efficient than the classical Mean-Shift algorithm, while it accelerates the speed of target convergence.%针对经典Mean.Shift跟踪算法需要多次迭代才能达到收敛的缺点.提出一种高效的Mean-Shift跟踪算法.在使用颜色空间作为目标特征的跟踪系统中,目标本身往往可以表征为区别于背景的颜色特征.而颜色特征的分布则与偏移向量的权值相对应.通过分析跟踪算法中不同的权值对收敛速度的影响.对加权系数进行了二次加权.使改进的算法只需要一次粗定位和一次精确定位2次迭代便可准确地对目标进行定位.试验结果表明.该算法在保证了经典算法准确性的同时.大大加快了向目标收敛的速度.【期刊名称】《电子设计工程》【年(卷),期】2011(019)010【总页数】5页(P9-13)【关键词】目标跟踪;Mean-Shift;核密度估计;Bhattacharyya系数【作者】张京爱;李群;李鹏飞;王江涛【作者单位】淮北师范大学物理与电子信息学院.安徽淮北235000;淮北师范大学物理与电子信息学院.安徽淮北235000;淮北师范大学物理与电子信息学院.安徽淮北235000;淮北师范大学物理与电子信息学院.安徽淮北235000【正文语种】中文【中图分类】TP391在视频序列中对运动目标进行持续跟踪是计算机视觉的一个重要任务，其被广泛应用在人机交互、智能监控、医学图像处理等领域。

基于序列Monte Carlo方法的运动目标跟踪

基于序列Monte Carlo方法的运动目标跟踪
刘国成;王永骥
【期刊名称】《武汉大学学报：工学版》
【年(卷),期】2008(41)3
【摘要】针对移动机器人中的非线性非高斯特性,提出用粒子滤波的方法对运动目标进行跟踪,研究在贝叶斯框架下进行目标跟踪的原理,分析粒子滤波算法及存在的问题.应用这种方法,针对移动机器人的实际情况,建立了具体的系统模型和测量模型,比较不同的重采样算法,实现了对运动目标的跟踪任务.仿真结果表明,粒子滤波对于非线性非高斯的动态系统有良好的估计效果,在3种常用的重采样算法中,残差重采样的准确性稍高,分层重采样的计算比较简单,而多项式重采样是一种基本的重采样算法.
【总页数】5页(P118-122)
【关键词】粒子滤波;目标跟踪;移动机器人
【作者】刘国成;王永骥
【作者单位】武汉大学动力与机械学院;华中科技大学控制科学与工程系
【正文语种】中文
【中图分类】TP242
【相关文献】
1.基于Monte Carlo法的改进型Delta并联机构运动可靠性分析 [J], 徐东涛;孙志礼
2.基于序列Monte Carlo技术的动态节点定位 [J], 吕科;张军;王钢;马琳
3.目标跟踪中的改进Monte Carlo滤波算法 [J], 朱娟;孟繁英;郝俊红;于大海;孙少甫
4.Monte Carlo法跟踪随机运动颗粒中吸附动力学的快速计算方法 [J], 孙树瑜;尹卫平
5.Monte Carlo方法模拟非直视紫外光散射覆盖范围Monte Carlo方法模拟非直视紫外光散射覆盖范围 [J], 赵太飞;柯熙政
因版权原因，仅展示原文概要，查看原文内容请购买。

基于核相关滤波的改进目标跟踪算法

算法整体的跟踪性能大幅度提升。核相关滤波的工作取图像的特征信息, 这是最基本的操作。其中池化层的主
流程如图1 所示:
要作用是减小特征维度, 从而减少过拟合。全连接层是把

图 1 核相关滤波框架图 Fig.1 Framework of kernel correlation filtering
收稿日期:2021-05-10 作者简介:王伟东(1993—),男,吉林榆树人,硕士,助教,研究方向:图像处理。
由于卷积神经网络自身的特性以及计算机计算性能的提升,优秀的卷积网络结构层出不穷。VGGNet和ResNet 凭借其优越的性能,在很多场景中大放异彩。VGGNet[6]网络结构是由Karen和Andrew在2014年提出。VGGNet包含很多级别的网络, 深度从1 1 层到1 9 层不等, 本文算法使用 VGGNet-19网络结构。VGGNet结构大致可以分为5段,每一段都有卷积层和最大池化层互相搭配, 最后连接一个 softmax层。VGGNet的结构非常清晰,在训练过程中也很容
研究的主流算法, 该方法的最大优势在于将图像中的法中具有不可替代的重要地位。1987年,Alexander[3]等提
目标和背景区分开。在判别式的跟踪方法中, 基于相关出的时间延迟网络, 这是世界上第一个卷积神经网络。为
滤波的跟踪方法无论从速度上还是鲁棒性上都有很出了解决计算机视觉相关问题,LeCun等人提出了具有跨时
(新疆第二医学院,新疆克拉玛依 834000)
摘要: 为了应对目标跟踪过程中出现的目标小、遮挡以及形变等问题, 本文实验算法采用了基于核相关滤波的二次跟踪
策略。第一次粗略跟踪将颜色特征和卷积特征融合在一起,构建了一个全局核相关滤波模型。第二次精确跟踪将粒子滤波的重

基于特征融合的改进型PointPillar_点云目标检测

第 31 卷第 19 期2023 年 10 月Vol.31 No.19Oct. 2023光学精密工程Optics and Precision Engineering基于特征融合的改进型PointPillar点云目标检测张勇，石志广*，沈奇，张焱，张宇（国防科技大学电子科学学院 A T R重点实验室，湖南长沙 410073）摘要：针对PointPillar在自动驾驶道路场景下对点云稀疏小目标检测效果差的问题，通过引入一种多尺度特征融合策略和注意力机制，提出一种点云目标检测网络Pillar-FFNet。

针对网络中的特征提取问题，设计了一种基于残差结构的主干网络；针对馈入检测头的特征图没有充分利用高层特征的语义信息和低层特征的空间信息的问题，设计了一种简单有效的多尺度特征融合策略；针对主干网络提取的特征图中信息冗余的问题，提出了一种卷积注意力机制。

为验证所提算法的性能，在KITTI和DAIR-V2X-I数据集上进行实验。

实验结果表明，所提出的算法在KITTI数据集上与PointPillar 相比，汽车、行人和骑行者的平均精度最大提高分别为0.84%，2.13%和4.02%；在DAIR-V2X-I数据集上与PointPillar 相比，汽车、行人和骑行者的平均精度最大提高分别为0.33%，2.09%和4.71%，由此证明了所提方法对点云稀疏小目标检测的有效性。

关键词：小目标检测；点云稀疏；PointPillar；残差结构；多尺度特征融合；卷积注意力中图分类号：TP391.1 文献标识码：A doi：10.37188/OPE.20233119.2910Improved PointPillar point cloud object detectionbased on feature fusionZHANG Yong，SHI Zhiguang*，SHEN Qi，ZHANG Yan，ZHANG Yu （National Key Laboratory of Science and Technology on Automatic Target Recognition，College of Electronic Science and Technology， National University of Defense Technology，Changsha 410073， China）* Corresponding author， E-mail： szgstone75@Abstract： A point cloud object detection network， Pillar-FFNet， is proposed by introducing a multiscale feature fusion strategy and an attention mechanism to address the ineffectiveness of PointPillar in detecting small sparse objects in point clouds in autonomous driving road scenarios.First，a backbone network based on a residual structure is designed for feature extraction in the network. Second， a simple and effec⁃tive multiscale feature fusion strategy is designed to address the problem that the feature maps fed into the detection head do not make full use of the semantic information of high-level features and the spatial infor⁃mation of low-level features. Finally， a convolutional attention mechanism is proposed to treat information redundancy in the feature maps extracted using the backbone network. To validate the performance of the proposed algorithm，experiments are conducted on the KITTI and DAIR-V2X-I datasets.The results 文章编号1004-924X（2023）19-2910-11收稿日期：2023-03-30；修订日期：2023-05-04.基金项目：国家自然科学基金资助项目（No.62075239）第 19 期张勇，等：基于特征融合的改进型PointPillar点云目标检测show that the proposed algorithm achieves maximum average accuracy improvements of 0.84%， 2.13%，and 4.02% for cars， pedestrians， and cyclists， respectively， on the KITTI dataset and maximum average accuracy improvements of 0.33%， 2.09%， and 4.71% for cars， pedestrians， and cyclists， respectively，on the DAIR-V2X-I dataset compared with the PointPillar results. Experimental results demonstrate the effectiveness of the proposed method for the detection of sparse small objects in point clouds.Key words： small object detection；point cloud sparse；PointPillar；residual structure；multi-scale fea⁃ture fusion； convolutional attention1 引言近年来，随着深度学习的发展，点云处理技术取得了重大突破［1］。

基于协同表示的目标跟踪算法

基于协同表示的目标跟踪算法
王海军;张圣燕
【期刊名称】《中国科学院研究生院学报》
【年(卷),期】2016(033)001
【摘要】提出一种基于协同表示的新的目标跟踪算法.在贝叶斯框架下,采用基于重构误差的观测似然函数和考虑遮挡的模型更新机制设计一个鲁棒的跟踪器.用l1范数来建模重构误差以更好地容忍奇异值,同时用协同表示对编码系数进行约束.实验结果表明,和其他算法相比,本文算法能够战胜遮挡、尺度变化、光照变化、背景混乱等干扰因素,具有较高的准确度和鲁棒性.
【总页数】9页(P135-143)
【作者】王海军;张圣燕
【作者单位】滨州学院山东省高校航空信息技术重点实验室,山东滨州256603;滨州学院山东省高校航空信息技术重点实验室,山东滨州256603
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于核协同表示的快速目标跟踪算法 [J], 王海军;葛红娟;张圣燕
2.基于协同表示的目标跟踪算法 [J], 王海军;张圣燕;
3.基于目标和背景子空间组合的目标跟踪算法 [J], 毛以芳
4.一种基于深度学习目标检测的长时目标跟踪算法 [J], 邵江南;葛洪伟
5.基于目标和背景子空间组合的目标跟踪算法 [J], 毛以芳
因版权原因，仅展示原文概要，查看原文内容请购买。

改进mean-shift算法在目标跟踪中的研究

专题论述
ห้องสมุดไป่ตู้
改进ｍｅａｎ－ｓｈｉｆｔ算法在目标跟踪中的研究
周春云’ 。丁伟。房伟。，谢林柏。
（１．国家高性能计算中心扬州分中心，万方电子技术有限责任公司，扬州２２５００６；
２．扬州大学；３．江南大学）
Ｌｔｄ．，Ｙａｎｇｚｈｏｕ２２５００６，Ｃｈｉｎａ；２．ＹａｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙ；３．ＪｉａｎｇｎａｎＵｎｉｖｅｒｓｉｔｙ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｉｍｐｒｏｖｅｄｍｅａｎ－ｓｈｉｆｔａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｅｘｔｕｒｅａｎｄｃｏｌｏｒｍｏｄｅｌｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｃａｎｏｖｅｒｃｏｍｅｔｈｅｄｉｓａｄｖａｎｔａｇｅｏｆｓｉｎ — ｇｌｅｔａｒｇｅｔｆｅａｔｕｒｅｉｎｔｈｅｔｒａｄｉｔｉｏｎａｌｔａｒｇｅｔｔｒａｃｋｉｎｇ．Ｉｎｔｈｅｆｒａｍｅｗｏｒｋｏｆｔｒａｄｉｔｉｏｎａｌｍｅａｎ－ｓｈｉｆｔａｌｇｏｒｉｔｈｍ，ｔｈｅｓｙｓｔｅｍｅｓｔａｂｌｉｓｈｅｓｔｈｅｍａｔｃ — ｈｉｎｇｆｅａｔｕｒｅｆｒｏｍｍｕｌｔｉｐｌｅｐｅｒｓｐｅｃｔｉｖｅｓ，ｂｙｆｕｓｉｎｇｃｏｌｏｒｍｏｄｅｌａｎｄｔｅｘｔｕｒｅｍｏｄｅｌｏｂｔａｉｎｅｄｆｒｏｍＣｏｎｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍ．Ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏ — ｒｉｔｈｍｈａｓｂｅｅｎｒｅａｌｉｚｅｄｏｎａｎｅｍｂｅｄｄｅｄｐｌａｔｆｏｒｍ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｔｒａｃｋｉｎｇｅｆｆｅｃｔｉｓｉｍｐｒｏｖｅｄ．Ｋｅｙｗｏｒｄｓ：ｔａｒｇｅｔｔｒａｃｋｉｎｇ；ｍｅａｎ－ｓｈｉｆｔａｌｇｏｒｉｔｈｍ；Ｃｏｎｔｏｕｒｌｅｔｔｒａｎｓｆｏｒｍ；ｅｍｂｅｄｄｅｄｓｙｓｔｅｍ

改进的IMMPF算法在目标跟踪中的应用研究

改进的IMMPF算法在目标跟踪中的应用研究作者：焦迎雪来源：《电子技术与软件工程》2016年第08期摘要：改进的交互多模型粒子滤波（IMMPF）算法通过利用最新观测量得到的残差值设置一个自适应系数来调整滤波器的似然函数分布，使得采样点向高似然区域移动，增加了采样区域和似然函数的重叠部分，在一定程度上保持了粒子的有效性和多样性，克服了粒子样本的贫化问题，从而改善了传统的IMMPF算法在滤波采样过程中没有考虑到当前最新的观测信息而导致使滤波性能下降的问题。

经过仿真实验验证，该改进方法应用在机动目标跟踪中，可以有效地提高了跟踪性能的稳定性。

【关键词】交互多模型粒子滤波算法目标跟踪残差似然函数随着科学技术的发展，人们对智能机器人的研究也越来越多，其中用于机器人运动路径研究的机动目标跟踪技术是不可或缺的。

将交互多模型算法与粒子滤波算法结合的IMMPF算法在强机动、非高斯的目标运动环境下有很好的应用前景。

传统的IMMPF算法粒子退化现象严重，针对这一问题，本文对传统的IMMPF算法进行改进，给出了该改进算法的理论推导过程和运算步骤，并通过实验仿真对比改进算法和传统算法，验证了的该改进算法的有效性。

1 传统的IMMPF在机动目标跟踪中的应用在智能检测跟踪等许多实际问题中，目标跟踪算法经常采用状态态空间法对目标运动轨迹进行描述。

状态空间方法是利用状态转移模型和量测模型来构造某个目标的动态空间模型，并且将状态视为抽象空间的“点”。

其中，用状态方程表示状态转移模型，描述状态随时间演变的过程，用量测方程表示量测模型，用噪声协方差矩阵描述与状态有关的噪声变量。

传统的交互多模型粒子滤波算法在进行滤波时是借助于一个易于采样的先验分布来得到满足后验概率分布的粒子样本，该方法的粒子采样和权值更新都很容易实现，但是它在滤波过程中没有考虑最新的观测信息，在运算过程中权值与似然函数成比例，从而导致出现较高的权值方差。

所以，当大量的粒子位于似然函数的尾部或者观测模型要求具有很高的精度时，粒子的退化现象严重，造成滤波性能和效率的下降。

一种基于多特征融合的目标跟踪新方法

一种基于多特征融合的目标跟踪新方法郑宇杰;孙勇成【期刊名称】《信息化研究》【年(卷),期】2015(0)3【摘要】仅利用单一的目标特征进行跟踪是大多数跟踪算法鲁棒性不高的重要原因。

文章提出了一种基于粒子滤波框架的多特征融合跟踪方法。

该方法以log-Gabor滤波器作为粒子判别级,同时融合局部二元模式(Local Binary Pattern,LBP)特征和方向梯度直方图(Histograms of Oriented Gradients,HOG)特征在内的粒子加权级,实现目标跟踪。

运用log-Gabor滤波器对粒子做出总体评估,同时结合LBP和HOG局部特征对目标做出细节把握,有效突出后验概率分布中的峰值状态。

该算法在一种特征受到背景干扰导致目标鉴别能力降低时,其他特征仍能稳定可靠的跟踪目标。

实验结果表明,该算法能快速去除无效粒子,实现复杂背景下的目标跟踪。

【总页数】5页(P14-17 62)【关键词】目标跟踪;粒子滤波;log-Gabor滤波【作者】郑宇杰;孙勇成【作者单位】中国电子科技集团公司第28研究所【正文语种】中文【中图分类】TP391.41【相关文献】1.一种基于多特征融合的视频目标跟踪方法 [J], 柳培忠;阮晓虎;田震;李卫军;覃鸿2.一种基于多特征融合的自适应目标跟踪策略 [J], 刘杰3.一种基于背景加权的多特征融合目标跟踪算法 [J], 龚红; 杨发顺; 王代强; 丁召4.一种基于特征融合的点特征目标跟踪算法 [J], 王进花;曹洁;李宇;任崇玉5.一种基于多特征融合的粒子滤波目标跟踪算法 [J], 高秀斌;丁盼盼;蒋长帅;杜宇人因版权原因，仅展示原文概要，查看原文内容请购买。

基于压缩特征的稀疏表示运动目标跟踪

基于压缩特征的稀疏表示运动目标跟踪
张红梅;温荟然;张向利;李鹏飞
【期刊名称】《郑州大学学报（工学版）》
【年(卷),期】2016(037)003
【摘要】为了应对目标跟踪中光照、遮挡、以及自身运动等因素的影响,采用积分图方法提取目标模板的haar-like特征,用满足有限等距条件(RIP)的随机稀疏矩阵对特征投影压缩,简化目标特征字典的构建;同时,在字典中融入背景信息,利用目标与背景的简单关系提高跟踪的精度;最后,利用块正交匹配追踪(BOMP)算法进行成块重构目标,加快了对稀疏表示的求解,增强了跟踪的实时性.通过实验发现,使用基于压缩特征的块正交匹配跟踪算法(CF-BOMP)能构建一个有效的目标外观模型,增强跟踪的稳定性,提高跟踪的实时性.
【总页数】6页(P21-26)
【作者】张红梅;温荟然;张向利;李鹏飞
【作者单位】桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004;桂林电子科技大学信息与通信学院,广西桂林541004
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于稀疏表示的视觉机器人运动目标跟踪研究* [J], 许文龙;朱加雷;王飞;陈国华
2.判别稀疏表示与在线字典学习的运动目标跟踪 [J], 吉训生;陈赛;黄越
3.基于方向向量和稀疏表示的运动目标跟踪方法研究 [J], 徐金成;林凌锋
4.基于方向向量和稀疏表示的运动目标跟踪算法 [J], 徐金成;邓海杰
5.结合稀疏表示的跨摄像头运动目标跟踪算法 [J], 逯彦;廖桂生;黄庆享
因版权原因，仅展示原文概要，查看原文内容请购买。

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)。

要：最近的研究发现，在对称正定流形上可构造 ‘ 改进的李群结构，并赋予具有双不变度量性质的对数一几里得黎种欧
曼度量，所得到的距离公式和黎曼均值均呈现简单形式。据此，利用目标的综合特征构建区域协方差阵为目标建模，提出一种基于改进李群结构的特征协方差目标跟踪方法。实验表明，这种跟踪方法实用有效，在相同的条件下，因为算法的计算量
Ｒｅｎｉａｅａｃｉｌｒ１Ｗｅｄｌｅｔｃｅｂｅｔｉｓｏａｉｃａｒｆｅｎｅ－ｉｍａｎａｍｅｎｔｍｕｈｓｎｋａｍｐｅｆｎ．ｅｔａｋｄｏｊｃｔｉｖｒｎｅｅｔｅｔｒｒｏｍｏｒｈｗｈｔｃａｆｕｏｔｉｈ
Ｔａｇｔｔａｋｉｔｆａｕｅｅｖａｉｎｃｓｄｎｎｐｒｖｄｒｅｒｃｎｇｗｉｈｅｔｒｏｒａｅｂａｅｏａｉｍｏｅ
ＬｉｏｐｓｒｃｕｅｅＧｒｕｔｕｔｒ
Ｌｕｎｗｉ２Ｌｕｕｐｎ，ＹｎｉＳｉｅｎｉａｇｅｌ＇ｉＹｎｅｇＧＩ４一ｉＪｎ，ｈＺｌａｉ
ｆ．ｈｎａｇｎｔｕｅｆｕｏｔｎｔｈｎｓＡａｅｙｏＳｉｃｓＳｅｙｎ０１，ｈｎ；ｉＳｅｅ，ｈｎａｇ１０６Ｃｉａｉｏｅｅ１
２ＤｅａｔｅｔｆｎｇｍｅｔｃｅｃｎｎｉｅｒｇＱｎｄｏＵｉｅｓｙ２６７，ｈｎ；．ｐｒｎＭａａｅｎｉｎｅｄＥｇｎｅｉ，ｉｇａｎｖｒｉ，６０１ＣｉｍｏＳａｎｔａ
ｅｔｒｇｏｎｒｐｅａｆａｒｏｒａｅｔａｋｎｔｏａｅｈｍｐｏｅｅｇｏｔｃｕｅｓｅｉｎａｄｐｏｏｓｅｔｅｃｖａｉｎｃｒｃｉｇｍｅｈｄｂｓｄｏｎｔｅｉｒｖｄＬｉｒｕｐｓｒｔｒ．Ｅｘｅ — ｕｕｐｒｉｍｅｔ１ｅｕｌｓｓｗｈｔｔｓｍｅｈｓｐａｔａｎｆｃｅｔＵｎｅｈａｒｃｎｏｎｉｉｎｔｅｆｒａｃｎａｓｔｈｏｔａｈｉｔｏｄｉｒｃｉｌｄｅｒｃａｉｉｎ．ｄｒｔｅｓｍｅｔａｋｇｃｄｔｏ．ｉｓｐｒｏｎｅｉｍｉｌｈｔｕｐｒｏｈｔｆｔｅｍｅｈｏａｅｎｗｉｅｙｕｓｄａｎｎｒａｔＲｉｍａｎａｔｉ．ｓｓｉｌｓｅｒｔｔａｔｄｂｓｄｏｄｌｅｍｅｉｖａｉｎｅｎｉｎｍｅｒｃｇｙｉｏｏｈＫｅｒ：ｔｒｅａｋｎｆａｕｅｃａｉｎｃ；ｅｇｏｐ；ｅｎｎａｎｆｌｅｐｎｅｔａｐｉｇｙｗｏｄｓａｇｔｒｃｉｇ；ｅｔｒｏｖｒａｅＬｉｒｕＲｉｍａｉｎｍａｉｏｄ；ｘｏｎｉｌｔｍａｐｎ
的减少，跟踪性能略优于基于仿射黎曼度量的协方差目标跟踪。关键词：目标跟踪；特征协方差；李群；曼流形；指数映射黎中图分类号：Ｔ２２６Ｐ４．２文献标识码：Ａ国家标准学科分类代码：５０４２１．０
ＧｒｄａＳｈｏｏｈｈｎｓＡａｅｙｏＳｉｃ＆ＢｉｎＯ０ＥＣｉ）ａｕ￣ｃｏｌｆｔＣｉｅｃｄｍｃｎｅｅｉｌ０３ｈｎｅｅｆｅｊｇａ
Ａｂｔａｃ：ＲｅｅｔｒｓａｃｈｏｓｔａｎｉｐｏｅｅｇｏｕｔｕｔｅｃｎｂｏｓｒｃｅｎｔｅｓｍｍｅｒｃｓｒｔｃｎｅｅｒｈｓｗｈｔａｍｒｖｄＬｉｒｐｓｒｃｕｒａｅｃｎｔｕｔｄｏｈｙｔｉｐｉｖｅｍａｉｏｄ．Ｔｈｉｉｌｌａｏａｂ —ｎｖｒａｔｌｇＥｕｌｄａｅｒｃｏｓｔｎｆｌｉｓｗｌｅｄｔｉｉａｉｎｏ — ｃｉｅｎｍｔｉ，ｗｈｃａｅｈｓａｃｏｍｕａａｄｉｈｍｋｓｔｅｄｉｔｎｅｆｒｌｎ
第３卷第１１期
２１００年１月
仪
器
仪
表
学
报
Ｖ＿】ｏ．１ｏ．Ｎ３ｌＪｎ．ａ２０１０
ＣｈｉｅｅＪｒｌｏｉｎｉｉｎｓｒｅｔｎｓｏｕｎａｆＳｃｅｔｆＣＩｔｕｍｎ
基于改进李群结构的特征协方差目标跟踪半
３ＴｅｅｅｒｈＩｓｔｔｏｅｅａｖｌｍｎｄｒｕｅｔｔｎｏｅｕｍｅｔｆｉＦｒｅＢｉｎ００６Ｃｉ；．ｈｓａｃｔｕｅｎＧｎｒｌＲｎｉＤｅｅｐｅｔｎｇｍｎａｉｑｉｎＡｒｏｃ，ｅｉ１０７，ｈｎｏａＡｏｆｐｏｊｇａ
李广伟，刘云鹏，尹
（中国科学院沈阳自动化研究所１３空军装备研究院总体所摘
健史泽林，
青岛２６７；６０１北京１０３）００９
沈阳１０１；２青岛大学管理科学与工程系１０６北京１０７：４中国科学院研究生院００６