基于深度学习的目标跟踪算法将卷积深层输出结果作为特征,虽然准确度高但耗时长;基于融合特征的目标跟踪算法按照响应值融合目标特征,虽然跟踪速度快,但降低了准确度。为了兼顾目标跟踪算法的时效性和准确度,提出基于相似性特征估计的目标跟踪算法。首先利用重要性重采样滤波粒子构建目标观测模型,其中包括选择粒子状态、转移系统状态、构建观测模型、粒子权值更新以及重采样过程。在此基础上,提取目标的统计纹理特征、运动尺寸特征以及运动速度与方向特征,并融合目标特征构建目标特征框架。结合相似性特征估计完成目标定位,包括描述目标模型、表示候选模型、度量目标具体相似度以及目标定位过程。在完成目标定位后,基于实时压缩实现目标跟踪。本文算法的跟踪准确度均在90%以上,跟踪过程耗时保持在450ns以下,性能优于基于深度学习和融合特征的目标跟踪算法。本文算法能够快速、准确实现对目标的跟踪,应用优势较强。

为了满足对多个目标的全视景监视和跟踪需求,给出了一种基于多探测器的全视景多目标监视及跟踪系统设计方案,该方案利用视频拼接技术和多目标跟踪算法,实现对目标的360°监视和跟踪,并实时输出目标的位置信息。首先对比了四种实现全景监视和跟踪的技术途径的优劣,确定采用多探测器拼接技术构成全景监视和多目标跟踪系统,接着介绍了上述全景监视和多目标跟踪系统的组成和原理,给出系统设备在厂内和外场的试验验证效果,试验结果表明系统监视和跟踪效果满足设计要求。该系统满足军、民用全景监视和多目标跟踪领域的使用需求。

为解决扩展目标跟踪算法量测不精确的问题, 提出一种基于箱粒子滤波的ET-CBMeMBer滤波算法。该算法基于随机集理论, 首先将扩展目标的状态集和观测集随机化, 然后基于区间分析技术, 推导了适用于区间量测的多扩展目标伪似然函数和势平衡多伯努利多扩展目标状态更新方程, 并提出了适用于区间量测的模糊ART区间量测集划分方法, 继而在量测集划分的基础上对目标进行持续稳定的跟踪。最后进行了仿真实验, 结果表明了所提算法的有效性。

针对传统mean-shift 算法核窗宽在跟踪过程中无法根据目标的大小变化进行相应调整问题。本文提出了一种基于分块的核窗宽调整mean-shift 跟踪算法。该算法在跟踪窗口中心与目标形心定位的基础上, 对跟踪窗进行分块, 根据候选目标跟踪窗和分块目标跟踪窗中心距离的变化, 对核窗宽的大小进行调整, 使得跟踪窗口始终与跟踪目标的大小相匹配。实验表明算法对跟踪变大和变小的目标均取得了较好的跟踪效果。