本文關(guān)鍵詞：基于權(quán)重約束GM-PHD濾波的多目標跟蹤方法　出處：《計算機工程》2017年03期 　論文類型：期刊論文

  更多相關(guān)文章： 多目標跟蹤 一對一假設 高斯混合概率假設密度濾波器 權(quán)重約束 歸一化

【摘要】：針對高斯混合概率假設密度(GM-PHD)濾波器未檢查一對一假設以及難以跟蹤跨越目標的問題,在其基礎(chǔ)上提出一種約束權(quán)重的改進多目標跟蹤方法。通過構(gòu)建權(quán)重矩陣,從所有生成的目標中尋找權(quán)重最大的目標。根據(jù)權(quán)重關(guān)系,重新歸一化除最大權(quán)重外所有行的目標,并使歸一化和權(quán)重約束迭代進行。在GM-PHD濾波器的更新步驟中生成目標的相應權(quán)重,完成濾波操作。通過蒙特卡羅仿真對該方法進行評估,檢測有雜波、不同目標速度和不同幀率情況下的濾波器性能,分別對穿越和密集的目標進行仿真。實驗結(jié)果表明,與使用GM-PHD濾波器和基于序貫蒙特卡洛概率假設密度(SMC-PHD)濾波器的方法相比,該方法整體跟蹤性能較優(yōu)。
[Abstract]:For Gao Si hybrid probability assumption density density (GM-PHD) filter, the one-to-one hypothesis is not checked and it is difficult to track cross targets. On the basis of this method, an improved multi-target tracking method with constrained weights is proposed. By constructing the weight matrix, we can find the target with the largest weight from all the generated targets, according to the weight relationship. The target of all rows except the maximum weight is normalized and normalized and weighted constraint iterations are carried out. The corresponding weights of the target are generated in the update step of the GM-PHD filter. The filtering operation is completed. The method is evaluated by Monte Carlo simulation to detect the filter performance with clutter, different target speed and different frame rate. The simulation results of traversing and dense targets show that it is compared with the methods using GM-PHD filter and Sequential Monte Carlo probability assumption density density (SMC-PHD) filter. The overall tracking performance of this method is better.
【作者單位】： 哈爾濱理工大學計算機科學與技術(shù)學院;
【分類號】：TN713
【正文快照】： 進行了研究,表征目標的形式也有很多種,如顏色直方圖[5]、直方圖方向梯度[6]和協(xié)方差描述符[7]等。多目標跟蹤[1]是指在嘈雜觀測、雜波以及不確 根據(jù)這些特性可分為2種方案:整體方法[8和基于定檢測的情況下,對目標的數(shù)量以及它們的狀態(tài)進 子空間的方法[1°"]。行聯(lián)合估計,其

【參考文獻】

相關(guān)期刊論文 前6條

1 胡子軍;張林讓;張鵬;王純;;基于高斯混合帶勢概率假設密度濾波器的未知雜波下多機動目標跟蹤算法[J];電子與信息學報;2015年01期

2 劉哲;陳懇;鄭紫微;;基于HOG與多實例在線學習的目標跟蹤算法[J];計算機工程;2015年01期

3 瑚成祥;劉貴喜;董亮;王明;張菁超;;區(qū)域雜波估計的多目標跟蹤方法[J];航空學報;2014年04期

4 劉云鵬;張三元;王仁芳;張引;;視覺注意模型的道路監(jiān)控視頻關(guān)鍵幀提取[J];中國圖象圖形學報;2013年08期

5 崔波;張家樹;楊宇;;基于集合卡爾曼濾波的非線性目標跟蹤算法[J];計算機仿真;2013年04期

6 呂學斌;周群彪;陳正茂;熊運余;蔡葵;;高斯混合概率假設密度濾波器在多目標跟蹤中的應用[J];計算機學報;2012年02期

相關(guān)碩士學位論文 前1條

1 張君威;基于數(shù)據(jù)融合的多模復合制導攔截技術(shù)的研究[D];哈爾濱工業(yè)大學;2009年

【共引文獻】

相關(guān)期刊論文 前10條

1 劉芳;;翻轉(zhuǎn)課堂“翻而不轉(zhuǎn)”——基于傳播學的釋疑[J];江蘇高教;2017年05期

2 盧小萱;;淺談MOOC對我國高等教育的影響[J];北方經(jīng)貿(mào);2017年04期

3 王靜;肖露;楊蔚華;;基于慕課的《機械制圖》課程混合式教學模式探究[J];高教學刊;2017年07期

4 伍倪燕;劉麗;劉蜀;;基于門把手的三維建模數(shù)字化設計與制造[J];模具制造;2017年04期

5 蔡文伯;周維莉;;高等教育轉(zhuǎn)型中師生教學關(guān)系的轉(zhuǎn)變[J];中國高等教育;2017年07期

6 蘇晨;姚艷丹;葉玲;;基于MOOC開展翻轉(zhuǎn)課堂教學改革的研究與實踐[J];中國醫(yī)學教育技術(shù);2017年02期

7 王靜;;基于慕課的混合式教學創(chuàng)新的若干思考[J];科技資訊;2017年02期

8 戴心來;郭卡;劉蕾;;MOOC學習者滿意度影響因素實證研究——基于“中國大學MOOC”學習者調(diào)查問卷的結(jié)構(gòu)方程分析[J];現(xiàn)代遠距離教育;2017年02期

9 程嶺;;創(chuàng)課:培養(yǎng)中學生核心競爭力的教學模式[J];中國教育信息化;2017年06期

10 翟懷遠;張秀媛;劉志萍;;MOOCs在實踐教學體系中的運用探索[J];教育教學論壇;2017年08期

相關(guān)碩士學位論文 前9條

1 鄧梅;慕課在高校思想理論課中的應用研究[D];湖南師范大學;2016年

2 韋鯤鵬;基于Moodle的部隊學習平臺的設計與實現(xiàn)[D];廣西大學;2016年

3 程秀花;用戶使用MOOC的影響因素研究[D];曲阜師范大學;2016年

4 馬莎莎;MOOC中學習者學習動機現(xiàn)狀及其改善策略[D];湖南師范大學;2016年

5 陳果;廣西民族大學“民族理論與政策”“慕課”研究[D];廣西民族大學;2016年

6 王敏;基于行為日志數(shù)據(jù)的MOOC學習者學習行為分析研究[D];華東師范大學;2016年

7 榮憲舉;我國高校慕課發(fā)展策略研究[D];信陽師范學院;2016年

8 戴曉宇;關(guān)于高校思想政治教育MOOC課程的建設研究[D];山西財經(jīng)大學;2016年

9 張北舟;互聯(lián)網(wǎng)思維視閾下的在線高等教育發(fā)展模式研究[D];山西財經(jīng)大學;2016年

【二級參考文獻】

相關(guān)期刊論文 前4條

1 約翰·丹尼爾;王志軍;趙文濤;;讓MOOCs更有意義:在謊言、悖論和可能性的迷宮中沉思[J];現(xiàn)代遠程教育研究;2013年03期

2 (美)NMC地平線項目;龔志武;吳迪;陳陽鍵;蘇宏;王寒冰;Johnson, L.;Adams Becker, S.;Cummins, M.;Estrada, V.;Freeman, A.;Ludgate, H.;;2013地平線報告高等教育版(上)[J];廣州廣播電視大學學報;2013年02期

3 王左利;;MOOC:一場教育的風暴要來了嗎?[J];中國教育網(wǎng)絡;2013年04期

4 宋健峰;白秀廣;;現(xiàn)代高校教學管理機制研究——對學生評教的再思考[J];黑龍江教育學院學報;2011年11期

【相似文獻】

相關(guān)期刊論文 前10條

1 尤小泉;彭映杰;;一種基于指令預測的目標跟蹤方法[J];電視技術(shù);2010年02期

2 邵文坤;黃愛民;韋慶;;目標跟蹤方法綜述[J];影像技術(shù);2006年01期

3 梁德群;阮文;;基于模型的線性組合目標跟蹤方法[J];模式識別與人工智能;1995年04期

4 王思，

本文編號：1401143