针对跟踪复杂机动目标过程中由于目标运动状态发生变化导致的跟踪误差较大的问题,提出一种自适应交互多模型无迹卡尔曼滤波(interacting multiple model unscented Kalman filter,IMM-UKF)算法,使用模型概率后验信息和模型似然函数自适...针对跟踪复杂机动目标过程中由于目标运动状态发生变化导致的跟踪误差较大的问题,提出一种自适应交互多模型无迹卡尔曼滤波(interacting multiple model unscented Kalman filter,IMM-UKF)算法,使用模型概率后验信息和模型似然函数自适应修正马尔可夫转移概率矩阵(transition probability matrix,TPM)。设计模型概率校正方法和模型转移加速方法,两种方法分别作用于模型稳定阶段和模型转移阶段,提高模型概率准确度和模型转移响应速度,减小状态估计误差。最后,通过两种场景下的实验验证所提算法在目标具有复杂运动状态下的性能,并与传统方法进行对比分析,在目标做机动运动时,位置精度和速度精度分别提高了15%和26%,验证了算法的有效性和可行性。展开更多
文摘针对跟踪复杂机动目标过程中由于目标运动状态发生变化导致的跟踪误差较大的问题,提出一种自适应交互多模型无迹卡尔曼滤波(interacting multiple model unscented Kalman filter,IMM-UKF)算法,使用模型概率后验信息和模型似然函数自适应修正马尔可夫转移概率矩阵(transition probability matrix,TPM)。设计模型概率校正方法和模型转移加速方法,两种方法分别作用于模型稳定阶段和模型转移阶段,提高模型概率准确度和模型转移响应速度,减小状态估计误差。最后,通过两种场景下的实验验证所提算法在目标具有复杂运动状态下的性能,并与传统方法进行对比分析,在目标做机动运动时,位置精度和速度精度分别提高了15%和26%,验证了算法的有效性和可行性。
文摘近年来,随着羊只养殖向大规模和精细化的方向发展,羊场对智能化管理的需求日益增加。因此,精准的个体识别和行为监测变得尤为重要,对多目标跟踪(Multiple object tracking, MOT)算法的准确性提出了更高要求。然而,现有的MOT算法在目标遮挡和动态场景下的性能仍不理想。本文提出两种跟踪线索:深度调制交并比(Depth modulated intersection over union, DIoU)和轨迹方向建模(Tracklet direction modeling, TDM),旨在补充交并比(Intersection over union, IoU)线索,提高多目标跟踪的精准度和鲁棒性。DIoU线索通过引入目标的深度信息改进了传统的IoU计算方法。TDM聚焦于目标的运动趋势,预测其未来的移动方向。本文将DIoU和TDM跟踪线索集成到BoT-SORT算法中,形成改进的多目标跟踪算法。在两个私有数据集上,改进算法相比基线方法,MOTA(Multiple object tracking accuracy)指标分别提高1.6、1.7个百分点,IDF1(Identification F1 score)指标分别提高1.9、1.0个百分点。结果显示,改进算法在复杂场景中的跟踪连续性和准确性显著提升。
