【摘要】：針對現(xiàn)有擴(kuò)展目標(biāo)跟蹤算法中,形狀估計(jì)復(fù)雜,在考慮漏檢及雜波情況下目標(biāo)跟蹤精度不高等問題,提出了一種基于高斯過程回歸的伽瑪高斯混合勢概率假設(shè)密度擴(kuò)展目標(biāo)跟蹤算法.該算法采用星凸模型對目標(biāo)進(jìn)行建模,在伽瑪高斯混合勢概率假設(shè)密度濾波器對擴(kuò)展目標(biāo)運(yùn)動狀態(tài)估計(jì)良好的基礎(chǔ)上,利用高斯過程回歸對目標(biāo)形狀進(jìn)行估計(jì),實(shí)現(xiàn)了對擴(kuò)展目標(biāo)的有效跟蹤.實(shí)驗(yàn)仿真表明,所提算法能夠?qū)δ繕?biāo)的運(yùn)動狀態(tài)進(jìn)行高效跟蹤,且在擴(kuò)展形狀的估計(jì)精度、計(jì)算速度等方面要優(yōu)于基于星凸隨機(jī)超曲面的伽瑪高斯混合勢概率假設(shè)密度濾波器.
【圖文】：

ｈｔｔｐ：／／ｗｗｗ．ｘｄｘｂ．ｎｅｔ圖１單次目標(biāo)跟蹤結(jié)果圖２目標(biāo)數(shù)目估計(jì)結(jié)果圖３ＩＯＵ結(jié)果圖４質(zhì)心ＯＳＰＡ距離在仿真時間上，１００次蒙特卡洛仿真結(jié)果，ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法與ＧＰＲ－ＧＧＭ－ＣＰＨＤ算法時間消耗比約為５∶１，運(yùn)算效率提升明顯．這是由于ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法在形狀更新中使用了無軌跡變換（ＵｎｓｃｅｎｔｅｄＴｒａｎｓｆｏｒｍａｔｉｏｎ，ＵＴ）以及對形狀進(jìn)行了約束，導(dǎo)致算法計(jì)算時間較長，而文中所提算法在形狀估計(jì)中僅使用卡爾曼濾波模型對數(shù)據(jù)進(jìn)行線性處理就能實(shí)現(xiàn)，因而計(jì)算效率較高．４結(jié)束語筆者針對擴(kuò)展目標(biāo)聯(lián)合估計(jì)運(yùn)動狀態(tài)和目標(biāo)形狀的問題，提出了一種基于高斯過程回歸的伽瑪高斯混合ＣＰＨＤ擴(kuò)展目標(biāo)跟蹤算法．該算法將目標(biāo)運(yùn)動狀態(tài)估計(jì)和擴(kuò)展?fàn)顟B(tài)估計(jì)分開進(jìn)行，充分利用了伽瑪高斯混合ＣＰＨＤ濾波器和高斯過程回歸算法的特性，實(shí)現(xiàn)了星凸模型下的擴(kuò)展目標(biāo)跟蹤及形狀估計(jì)．實(shí)驗(yàn)仿真證明了該算法能夠較好地實(shí)現(xiàn)對多形狀目標(biāo)的有效跟蹤，且形狀估計(jì)性能較基于星凸隨機(jī)超曲面的伽瑪高斯混合ＣＰＨＤ濾波器有明顯提高，，對多形狀目標(biāo)跟蹤的良好跟蹤效果使其更加具有實(shí)際意義．同時，對于形狀估計(jì)的單獨(dú)處理，使得擴(kuò)展?fàn)顟B(tài)估計(jì)模塊能夠靈活地與多種目標(biāo)跟蹤算法進(jìn)行結(jié)合，為后續(xù)算法的改進(jìn)奠定了基礎(chǔ)．下一步將對形狀估計(jì)完成后的目標(biāo)質(zhì)心優(yōu)化問題以及目標(biāo)漏檢后再次被檢測到時的識別匹配問題做進(jìn)一步深入研究．參考文獻(xiàn)：［１］ＢＥＡＲＤＭ，ＲＥＵＴＥＲＳ，ＧＲＡＮＳＴＲＯＭＫ，ｅｔａｌ．ＭｕｌｔｉｐｌｅＥｘｔｅｎｄｅｄＴａｒｇｅｔＴｒａｃｋｉｎｇｗｉｔｈＬａｂｅｌｅｄＲａ

ｈｔｔｐ：／／ｗｗｗ．ｘｄｘｂ．ｎｅｔ圖１單次目標(biāo)跟蹤結(jié)果圖２目標(biāo)數(shù)目估計(jì)結(jié)果圖３ＩＯＵ結(jié)果圖４質(zhì)心ＯＳＰＡ距離在仿真時間上，１００次蒙特卡洛仿真結(jié)果，ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法與ＧＰＲ－ＧＧＭ－ＣＰＨＤ算法時間消耗比約為５∶１，運(yùn)算效率提升明顯．這是由于ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法在形狀更新中使用了無軌跡變換（ＵｎｓｃｅｎｔｅｄＴｒａｎｓｆｏｒｍａｔｉｏｎ，ＵＴ）以及對形狀進(jìn)行了約束，導(dǎo)致算法計(jì)算時間較長，而文中所提算法在形狀估計(jì)中僅使用卡爾曼濾波模型對數(shù)據(jù)進(jìn)行線性處理就能實(shí)現(xiàn)，因而計(jì)算效率較高．４結(jié)束語筆者針對擴(kuò)展目標(biāo)聯(lián)合估計(jì)運(yùn)動狀態(tài)和目標(biāo)形狀的問題，提出了一種基于高斯過程回歸的伽瑪高斯混合ＣＰＨＤ擴(kuò)展目標(biāo)跟蹤算法．該算法將目標(biāo)運(yùn)動狀態(tài)估計(jì)和擴(kuò)展?fàn)顟B(tài)估計(jì)分開進(jìn)行，充分利用了伽瑪高斯混合ＣＰＨＤ濾波器和高斯過程回歸算法的特性，實(shí)現(xiàn)了星凸模型下的擴(kuò)展目標(biāo)跟蹤及形狀估計(jì)．實(shí)驗(yàn)仿真證明了該算法能夠較好地實(shí)現(xiàn)對多形狀目標(biāo)的有效跟蹤，且形狀估計(jì)性能較基于星凸隨機(jī)超曲面的伽瑪高斯混合ＣＰＨＤ濾波器有明顯提高，對多形狀目標(biāo)跟蹤的良好跟蹤效果使其更加具有實(shí)際意義．同時，對于形狀估計(jì)的單獨(dú)處理，使得擴(kuò)展?fàn)顟B(tài)估計(jì)模塊能夠靈活地與多種目標(biāo)跟蹤算法進(jìn)行結(jié)合，為后續(xù)算法的改進(jìn)奠定了基礎(chǔ)．下一步將對形狀估計(jì)完成后的目標(biāo)質(zhì)心優(yōu)化問題以及目標(biāo)漏檢后再次被檢測到時的識別匹配問題做進(jìn)一步深入研究．參考文獻(xiàn)：［１］ＢＥＡＲＤＭ，ＲＥＵＴＥＲＳ，ＧＲＡＮＳＴＲＯＭＫ，ｅｔａｌ．ＭｕｌｔｉｐｌｅＥｘｔｅｎｄｅｄＴａｒｇｅｔＴｒａｃｋｉｎｇｗｉｔｈＬａｂｅｌｅｄＲａ
【作者單位】： 西安電子科技大學(xué)電子工程學(xué)院;中國人民解放軍95980部隊(duì);
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61372003);國家自然科學(xué)基金青年基金資助項(xiàng)目(61301289)
【分類號】：TN713

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 呂勝尚;;關(guān)于高斯過程的幾個問題[J];西北電訊工程學(xué)院學(xué)報(bào);1986年02期

2 喻鑫;柳健;田金文;;基于高斯過程的點(diǎn)匹配方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年12期

3 董曉慧;柴桂榮;孟憲春;;一種應(yīng)用稀疏高斯過程回歸模型的半監(jiān)督分類算法[J];電腦知識與技術(shù);2010年28期

4 傅啟明;劉全;伏玉琛;周誼成;于俊;;一種高斯過程的帶參近似策略迭代算法[J];軟件學(xué)報(bào);2013年11期

5 李宏偉;劉揚(yáng);盧漢清;方亦凱;;結(jié)合半監(jiān)督核的高斯過程分類[J];自動化學(xué)報(bào);2009年07期

6 黃麗平;孫永雄;申晨;;用基于中值濾波的高斯過程預(yù)測3G網(wǎng)絡(luò)性能[J];計(jì)算機(jī)工程與應(yīng)用;2013年02期

7 夏戰(zhàn)國;夏士雄;蔡世玉;萬玲;;類不均衡的半監(jiān)督高斯過程分類算法[J];通信學(xué)報(bào);2013年05期

8 何志昆;劉光斌;趙曦晶;王明昊;;高斯過程回歸方法綜述[J];控制與決策;2013年08期

9 劉輝;白峰杉;;基于混合高斯過程模型的高光譜圖像分類算法[J];高校應(yīng)用數(shù)學(xué)學(xué)報(bào)A輯;2010年04期

10 張樂;劉忠;張建強(qiáng);任雄偉;;基于人工蜂群算法優(yōu)化的改進(jìn)高斯過程模型[J];國防科技大學(xué)學(xué)報(bào);2014年01期

相關(guān)會議論文 前5條

1 劉信恩;肖世富;莫軍;;用于不確定性分析的高斯過程響應(yīng)面模型設(shè)計(jì)點(diǎn)選擇方法研究[A];中國計(jì)算力學(xué)大會'2010（CCCM2010）暨第八屆南方計(jì)算力學(xué)學(xué)術(shù)會議（SCCM8）論文集[C];2010年

2 劉冬;張清華;;基于高斯過程的精密衛(wèi)星鐘差加密[A];第二屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會電子文集[C];2011年

3 李雅芹;楊慧中;;一種基于仿射傳播聚類和高斯過程的多模型建模方法[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

4 趙級漢;張國敬;姜龍;魏巍;;基于疊加高斯過程的數(shù)字噪聲產(chǎn)生方法FPGA實(shí)現(xiàn)[A];第二十四屆全國空間探測學(xué)術(shù)交流會論文摘要集[C];2011年

5 何志昆;劉光斌;姚志成;趙曦晶;;基于高斯過程回歸的FOG標(biāo)度因數(shù)溫度漂移建模新方法[A];第25屆中國控制與決策會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 王建民;礦山邊坡變形監(jiān)測數(shù)據(jù)的高斯過程智能分析與預(yù)測[D];太原理工大學(xué);2016年

2 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學(xué);2016年

3 潘偉;基于高斯過程的高爐煉鐵過程辨識與預(yù)測[D];浙江大學(xué);2012年

4 賀建軍;基于高斯過程模型的機(jī)器學(xué)習(xí)算法研究及應(yīng)用[D];大連理工大學(xué);2012年

5 夏戰(zhàn)國;基于高斯過程的提升機(jī)軸承性能評測方法研究[D];中國礦業(yè)大學(xué);2013年

6 趙偉;復(fù)雜工程結(jié)構(gòu)可靠度分析的高斯過程動態(tài)響應(yīng)面方法研究[D];廣西大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李紅麗;回歸分析中的貝葉斯推斷技術(shù)的研究[D];江南大學(xué);2015年

2 李勵耘;基于高斯過程的抓取規(guī)劃方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 王雪茹;基于高斯過程的風(fēng)電機(jī)組部件建模與監(jiān)測研究[D];華北電力大學(xué);2015年

4 于立鑫;基于高斯過程—差異進(jìn)化算法的隧道施工多元信息反分析研究[D];大連海事大學(xué);2015年

5 戈財(cái)若;基于高斯過程的高光譜圖像分類算法研究[D];東華理工大學(xué);2015年

6 葉婧;基于高斯過程回歸的鋰電池?cái)?shù)據(jù)處理[D];北京交通大學(xué);2016年

7 張棟;基于在線學(xué)習(xí)高斯過程有桿泵油井動態(tài)液面建模方法研究[D];東北大學(xué);2014年

8 王奉偉;改進(jìn)的局部均值分解和高斯過程在變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用研究[D];東華理工大學(xué);2016年

9 曹瑜;基于高斯過程的非線性不確定延遲系統(tǒng)的模型預(yù)測控制[D];華中科技大學(xué);2014年

10 張莉萍;基于廣義高斯過程回歸的函數(shù)型數(shù)據(jù)分析[D];東南大學(xué);2016年

本文編號：2524490