导读:本文包含了多目标跟踪论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:目标,卡尔,概率,多维,密度,观测器,匈牙利。
多目标跟踪论文文献综述
洪磊,陈树新,吴昊,何仁珂,徐涵[1]（2019）在《多目标跟踪的观测站最优机动策略》一文中研究指出在多目标跟踪问题中,观测站的有效机动可以提高观测信息的质量,从而提升目标跟踪的精度。对此,文中提出一种基于高斯混合概率假设密度(GM-PHD)滤波器的观测站最优机动马尔可夫决策方法。首先,用Fisher信息矩阵(FIM)行列式建立代价函数;然后,计算出马尔可夫链的转移矩阵,利用马尔可夫决策过程(MDP)来获得观测站最优机动策略。其中,利用GM-PHD滤波器来估计目标的实际位置和为每一决策周期提供概率假设密度(PHD)。通过实验仿真,验证了该机动策略在提高多目标跟踪精度方面的有效性。(本文来源于《现代雷达》期刊2019年11期）
刘朝涛,宋鹏宇,狄科宏[2]（2019）在《基于深度学习与信息融合的多目标跟踪》一文中研究指出针对视频目标跟踪时的漏检、误检、发生遮挡时的丢失等问题,提出一种基于检测的跟踪算法。使用基于深度学习的YOLOv3目标检测算法,完成输入图像到待检目标的分类和位置检测,再通过融合基于马氏距离的目标运动信息与基于深度特征的表观信息,使得卡尔曼滤波算法在实现目标跟踪时获得目标间尽可能小的相似性距离,得到目标跟踪结果的最优匹配。实验表明在基本满足实时检测速度的前提下,减少了小目标的漏检、误检,也能提高在遮挡情况下目标跟踪的准确性,整体跟踪效果明显提高。(本文来源于《工业控制计算机》期刊2019年10期）
廖家才,曹立波,夏家豪,张晓,吴强[3]（2019）在《基于核相关滤波和运动模型的多目标轨迹跟踪》一文中研究指出在自动驾驶系统中,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%。(本文来源于《汽车工程》期刊2019年10期）
刘树博,刘国权,周焕银,罗先喜,杨波[4]（2019）在《基于多目标扰动观测器的不确定机器人滑模自适应轨迹跟踪控制》一文中研究指出以不确定机器人为研究对象,基于多目标扰动观测器提出一种滑模自适应控制策略。首先,根据所提出的复合滑模面,设计包含扰动估计的非抖振滑模跟踪控制策略;其次,依据H_∞和极点配置理论,设计多目标扰动观测器,来实现对扰动的估计;最后,基于李雅普诺夫方法给出了自适应律,并对系统稳定性进行了证明。仿真结果表明,该算法能够实现机器人对给定信号的有效跟踪,不依赖系统先验信息,因此具有较高的实用性和有效性。(本文来源于《组合机床与自动化加工技术》期刊2019年10期）
张丽红,周天,徐超,韩婷婷[5]（2019）在《基于声呐图像序列SIFT特征的多目标跟踪方法研究》一文中研究指出针对高频成像声呐多目标跟踪中声成像的不稳定问题,在基于检测前跟踪的声呐图像序列尺度不变特征变换(Scale Invariant Feature Transform, SIFT)的基础上,提出了一种结合对数变换的声呐图像序列SIFT特征跟踪方法。该方法利用对数变换进行图像预处理,进而利用声呐图像序列SIFT特征进行多目标跟踪。水池试验数据的处理结果表明:与中值滤波和动态亮度分配的方法相比,结合对数变换的声呐图像序列SIFT特征跟踪方法具有更好的多目标跟踪效果。(本文来源于《声学技术》期刊2019年05期）
陈辉,邓东明,韩崇昭[6]（2019）在《多目标跟踪中多传感器分布式控制策略》一文中研究指出分布式传感器网络技术在复杂的多目标跟踪系统中发挥了极其重要的作用.本文针对多传感器多目标跟踪中的分布式传感器控制问题,提出了基于信息论的多传感器控制策略.首先,本文利用随机有限集(RFS)建模,给出了多传感器多伯努利滤波器,并通过一组参数化的多伯努利过程来近似多传感器多伯努利密度.进一步的,通过多伯努利滤波器的序贯蒙特卡罗实现,设计采样方案对多伯努利密度进行粒子采样,用一组带有权值的粒子集近似多目标状态空间分布.随后,借助巴氏距离(Bhattacharyya distance)作为传感器控制的评价函数用于多个传感器的独立并行控制方案的决策制定.作为另外一个重要内容,本文提出了一种基于多目标战术重要性评估的多传感器控制策略.该控制方案旨在评估多目标战术重要性的基础上对威胁度最大的目标进行优先跟踪.最后,仿真实验验证了所提算法的有效性.(本文来源于《控制理论与应用》期刊2019年10期）
齐海明,张安清[7]（2019）在《基于UKF-GM-PHD滤波算法的非线性多目标跟踪方法研究》一文中研究指出目前,基于概率假设密度(Probability Hypothesis Density,PHD)滤波的多目标跟踪技术已成为多目标跟踪研究的热门领域。论文将传统非线性处理方法无迹卡尔曼滤波(Unscentesd Kalman Filter,UKF)与高斯混合概率假设密度(Gaussian Mixture PHD,GM-PHD)滤波算法相结合,提出了无迹卡尔曼滤波高斯混合概率假设密度(UKF-GM-PHD)滤波算法,实现GM-PHD滤波器在非线性系统的应用。通过仿真验证了提出算法的有效性,将算法与扩展卡尔曼滤波GM-PHD(EKF-GM-PHD)滤波算法进行分析对比,验证了该算法的滤波精度高于EKF-GM-PHD滤波算法。(本文来源于《舰船电子工程》期刊2019年09期）
丁振平,陈秀英,薛雯[8]（2019）在《基于MDA-MHT的纯方位多目标跟踪算法》一文中研究指出水下目标所处环境复杂且可观测性较差,导致传感器测量数据易受干扰。为了解决水下纯方位多目标的快速定位跟踪问题,需正确关联各传感器的测量方位。提出了基于多维分配(MDA)-多假设跟踪(MHT)的纯方位多目标跟踪算法,利用MHT算法在高虚警条件下完成目标检测跟踪,同时利用MDA算法提前减少分支数量,从而提高计算效率。仿真结果表明,该算法不仅可提高计算效率,还可提高多轨迹交叉出现情况下多目标正确跟踪率。(本文来源于《指挥信息系统与技术》期刊2019年04期）
李霞[9]（2019）在《高速公路服务区多目标智能跟踪系统应用分析》一文中研究指出随着我国数字化和网络化的发展,逐步扩大了高清视频监测系统的使用程度,促进了多目标跟踪系统的智能化发展。这种多目标跟踪服务系统在高速公路服务区中能智能化地实现监控,监测并了解高速公路服务区实地情况,智能化地掌握高速公路服务区的有效信息。文章介绍了多目标跟踪系统的主要原理和构造,分析了这种智能化多目标跟踪系统在高速公路服务区的应用。(本文来源于《西部交通科技》期刊2019年09期）
房建武,王贺,薛建儒,许宏科[10]（2019）在《基于视觉和激光数据融合的3D多目标跟踪》一文中研究指出多目标跟踪是自动驾驶领域的一个重要研究课题。通过精准和有效的跟踪,自主车辆可以获知视野内车辆的速度并做出相应的运动规划。不同于大多数单独使用视觉或3D激光雷达数据的方法,致力于融合当前自动驾驶车辆上标准配置的相机和激光雷达获得的视觉和3D点云信息,从而达到跟踪感知物体的目的。首先,使用匈牙利算法作为基本模型来关联相邻帧间的每一个物体的3D点云。之后,使用RGB图像中的外观特征和3D点云的几何特征来纠正由于物体相近导致的目标索引(ID)互换。在新公开的BLVD数据集上进行算法评估,结果表现出了良好的跟踪性能。(本文来源于《无人系统技术》期刊2019年05期）
多目标跟踪论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对视频目标跟踪时的漏检、误检、发生遮挡时的丢失等问题,提出一种基于检测的跟踪算法。使用基于深度学习的YOLOv3目标检测算法,完成输入图像到待检目标的分类和位置检测,再通过融合基于马氏距离的目标运动信息与基于深度特征的表观信息,使得卡尔曼滤波算法在实现目标跟踪时获得目标间尽可能小的相似性距离,得到目标跟踪结果的最优匹配。实验表明在基本满足实时检测速度的前提下,减少了小目标的漏检、误检,也能提高在遮挡情况下目标跟踪的准确性,整体跟踪效果明显提高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多目标跟踪论文参考文献
[1].洪磊,陈树新,吴昊,何仁珂,徐涵.多目标跟踪的观测站最优机动策略[J].现代雷达.2019
[2].刘朝涛,宋鹏宇,狄科宏.基于深度学习与信息融合的多目标跟踪[J].工业控制计算机.2019
[3].廖家才,曹立波,夏家豪,张晓,吴强.基于核相关滤波和运动模型的多目标轨迹跟踪[J].汽车工程.2019
[4].刘树博,刘国权,周焕银,罗先喜,杨波.基于多目标扰动观测器的不确定机器人滑模自适应轨迹跟踪控制[J].组合机床与自动化加工技术.2019
[5].张丽红,周天,徐超,韩婷婷.基于声呐图像序列SIFT特征的多目标跟踪方法研究[J].声学技术.2019
[6].陈辉,邓东明,韩崇昭.多目标跟踪中多传感器分布式控制策略[J].控制理论与应用.2019
[7].齐海明,张安清.基于UKF-GM-PHD滤波算法的非线性多目标跟踪方法研究[J].舰船电子工程.2019
[8].丁振平,陈秀英,薛雯.基于MDA-MHT的纯方位多目标跟踪算法[J].指挥信息系统与技术.2019
[9].李霞.高速公路服务区多目标智能跟踪系统应用分析[J].西部交通科技.2019
[10].房建武,王贺,薛建儒,许宏科.基于视觉和激光数据融合的3D多目标跟踪[J].无人系统技术.2019
论文知识图
