目标跟踪与检测技术介绍
Posted variance
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了目标跟踪与检测技术介绍相关的知识,希望对你有一定的参考价值。
基于有限集统计学理论的目标跟踪技术研究综述
杨威,付耀文,龙建乾,... - 《电子学报》 - 2012 - 被引量: 31
有限集统计学理论为杂波背景下的目标跟踪问题提供了一种工程友好的理论工具.对近年来基于有限集统计学理论的目标跟踪技术研究现状进行了综述,包括最优多目标贝叶斯滤波器及其近似技术、参数未知与机动多目标跟踪技术、航迹生成方法、单目标联合检测与跟踪滤波器及基于有限集观测的单目标滤波器等,对相关应用亦有所介绍.最后在已有研究发展的基础上,着眼于提高目标跟踪精度和增强目标跟踪鲁棒性的发展需要,提出了基于有限集统计学理论的目标跟踪技术需重点解决和关注的若干问题,包括多目标跟踪性能评价、弱小目标跟踪、多机动目标跟踪、多传感器融合跟踪以及联合目标检测、跟踪与分类等方面.
目标跟踪 / 有限集统计学理论 / 概率假设密度滤波器 / 联合目标检测、跟踪与分类
传统目标跟踪方法通过数据关联完成观测数据与目标间的分配。再通过滤波技术完成目标状态估计。典型数据关联方法:最近邻法、联合概率数据关联(JPDA)、多假设跟踪等。
最优多目标贝叶斯滤波器:有限集统计学理论( Finite Sets Statistics:FISST)将所有个体目标状态集合视为一个集值状态 ,而一次观测所获得的观测值集合视为集值观测 . 将集值状态和集值观测建模为随机有限集( Random Finite Set : RFS) 后 ,即可利用最优贝叶斯滤波技术实现在关联不确定 、检测不确定和杂波背景下的多目标估计 ,也即最优多目标贝叶斯滤波 .基于 FISST 的目标跟踪是一种自顶向下的方法 ,它具备严格的贝叶斯理论基础 ,避免了复杂数据关联过程 ,可同时实现目标数目及目标状态的估计 ,且适用于密集多目标跟踪问题。由于多目标状态空间和观测空间是无限维的 , 最优多目标贝叶斯滤波器在实际中难以应用。近似技术:一阶矩近似技术 (用RFS的一阶矩,即概率假设密度(PHD)近似多目标的后验密度,得到概率假设密度滤波器( PHDF)。)、高阶矩近似技术(PHDF 假定目标数目服从泊松分布且带有势分布概率信息)多伯努利近似技术(在低杂波密度且杂波数服从泊松分布的假设下 ,推导了最优多目标贝叶斯滤波的近似多目标多伯努利滤波器 , 简称MeMBerF[ 8] . 与 PHDF 和 CPHDF 不同 ,MeMBerF 假设目标生灭过程服从 伯努利分布 , 且MeMBerF 递归传递多目标后验密度)
参数未知和机动多目标跟踪技术、航迹生成技术、基于FISST 的单目标跟踪技术
基于FISST 的跟踪技术未来值得重点关注的方向课概括为:
1.多目标跟踪性能评价:在多目标跟踪系统中,由于目标数目是随机变量,距离误差准则并不容易定义(基于最优分配的距离误差【76】、Lp 型距离误差度量 , 简称 WassersteinDistance( WD)【77】、一种最优亚模式分配测度 ( Optimal Sub-Pattern Assignment Metric:OSPA),克服了 WD 的缺陷 .【78】、基于信息论框架的 Cramer-Rao 下界为单目标跟踪算法提供了一种理论严格的性能预测方法 .)
2.弱小目标跟踪 :检测前跟踪( Track-Before-Detect : TBD) [ 81] 是一种被广泛采用的弱小目标跟踪方法。文献[ 82] 在 TBD 思想的启发下 ,最优多目标贝叶斯滤波器 . 在不同目标间隔较远时该滤波器比传统 TBD 算法的跟踪性能要好 ,但当目标间隔较小时性能明显下降 . 如何实现相邻 、重叠或遮挡目标的弱小目标跟踪是未来重点研究方向之一
3.多机动目标跟踪
4.多传感融合目标跟踪
5.联合目标检测、跟踪与分类
以上是关于目标跟踪与检测技术介绍的主要内容,如果未能解决你的问题,请参考以下文章
dlib库包的介绍与使用,opencv+dlib检测人脸框opencv+dlib进行人脸68关键点检测,opencv+dlib实现人脸识别,dlib进行人脸特征聚类dlib视频目标跟踪