交互式多模型机动目标跟踪方法的仿真

信号/数据处理

交互式多模型机动目标跟踪方法的仿真3

尹　瑞,王荫槐,王　峰

(南京电子技术研究所,　南京210013)

【摘要】　分析和研究利用CV模型和C A模型交互、CV模型和Singer模型交互、C V模型和“当前”统计模型交互分别对单机动目标进行跟踪。通过大量的计算机模拟仿真,比较了不同的模型组合在各种参数情况下的滤波性能,并且比较其和卡尔曼滤波(Singer模型)性能的优劣性,得出了一些有意义的结论。

【关键词】　多目标跟踪;卡尔曼滤波;“当前”统计模型;机动目标跟踪

中图分类号:T N957 文献标识码:A

I n teracti n g M ulti ple M odel F ilter i n g A lgor ith m for

M aneuver i n g Target Track i n g

YI N Rui,WANG Yin2huai,WANG Feng

(Nanjing Research I nstitute of Electr onics Technol ogy,　Nanjing210013,China)【Abstract】　A ne w I nteractingMulti p le Model(I M M)filtering alg orith m is p resented in this paper.Constant vel ocity model interactering with constant accelerati on model,constant vel ocity model interactering with Singer model,constant vel ocity model inter2 actering with“Current”statistical model are used f or target tracking.Thr outh a mass of co mputer e mulat oring,filtering capability in different instance is co mpared.And filtering capability of I M M is co mpared with filtering capability of Kal m an filtering.s o me useful conclusi on is obtained.

【Key words】I M M;Kal m an filtering;“current”statistical model;maneuvering target tracking

0　引　言

机动目标跟踪的方法,按跟踪滤波所采用的模型数量,可分为单模型跟踪和多模型跟踪两大类。单模型跟踪的目的是建立一种较为“理想”的机动目标运动模型来描述目标运动状态的变化过程,即运动目标位置、速度和加速度的变化,如果单一的运动模型描述与所跟踪的目标的运动情形相匹配,则可以实现对目标的跟踪。但是在实际过程中,目标的运动状态是复杂多变的,用单一的模型来跟踪处理机动情况,有时会产生较大的误差[1]。

雷达网数据处理中的目标跟踪模型有CV模型、C A 模型、Singer模型、“当前”统计模型,其中Singer模型和“当前”统计模型分别是全局统计模型和当前时刻统计模型的典型代表。由于这些模型自身的局限,单独采用一个模型进行滤波精度不高。

1　算法介绍

1)交互式多模型(I M M)算法

根据文献[2],本文给出如图1所示的I M M算法的

循环。

图1　I M M算法的一个循环

2)互式多模型(I M M)算法的步骤

(1)混合概率的计算;

(2)交互/混合计算;

(3)模型条件滤波;

(4)模型更新概率的计算;

(5)状态估计和协方差组合。

25

第29卷　第7期

　2007年7月

现代雷达

Modern Radar

Vol.29

　No.7

July2007

3收稿日期:2007203212 修订日期:2007205228

2　交互式多模型跟踪仿真及其性能分析

环境1:目标起始状态:X 0=〔9000m ,-180m /s,

130000m,-180m /s,9000m,10m /s 〕,目标运动过程历时100s,初始协方差矩阵为:p .x =〔8000,0,0;0,164,0;0,0,6〕;p .y =〔2500,0,0;0,169,0;0,0,4〕;p .z =〔2500,0,0;0,169,0;0,0,1〕。在前30次采样周期中,

目标作匀加速运动,X 方向加速度为1m /s 2

,Y 方向加

速度为2m /s 2,Z 方向加速度为3m /s 2

。在后70s 采样周期中,目标作匀速运动。统计N =100次。采样周期T =1s 。

分析:CV 模型和C A 模型交互滤波的距离均值误差为9.0474m,均方误差为0.6838m 。其滤波后的距离均方误差明显小于滤波之前。C V 模型和Singer 模型交互滤波的均值误差为8.7142m,均方误差为0.6978m 。此模型滤波的距离均方误差略大于CV 模型和C A 模型交互滤波的均方误差。C V 模型和“当前”模型交互滤波的均值误差为8.7850m,均方误差为0.7263m 。此模型滤波的距离均方误差既大于CV 模型和C A 模型交互滤波的距离均方误差也大于C V 模型和Singer 模型交互滤波的距离均方误差。同时,比较以上三种多模型滤波与单模型滤波的性能。Kal m an (Singer 模型)滤波的均值误差为9.8307m,均方误差为1.0735m 。误差均大于以上三种多模型滤波的误差。

以下把C V 和C A 模型交互滤波、CV 和Singer 模型交互滤波、CV 和“当前”模型交互滤波以及Kal m an (Singer 模型)滤波的五条曲线作比较,比较结果如图2和图3

所示。

　图2　五种模型均值误差比较　图3　五种模型均方误差比较

曲线1为滤波前白噪声;曲线2为C V 和C A 模型交互;曲线3为CV 和Singer 模型交互;曲线4为C V 和“当前”模型交互;曲线5为Kal m an (Singer )模型。

比较以上各图可以得到,在处理非机动问题时,在30s 以后的匀速运动中,三种多模型的交互滤波都能很

快的收敛,且其均方根位置误差比较相近。说明了在跟踪匀速运动的目标时,不能体现出某两种模型交互的优

越性。而在前30s 匀加速的运动过程中,CV 模型和C A 模型交互的跟踪误差曲线出现了比较大的波动,降低了此模型在30s 内的跟踪精度。由图中还可以看出,Kal 2man (Singer 模型)的跟踪曲线在100s 内都是比较平稳的,没有出现较大的波动,在前30s 内,它的均方根位置误差与CV 模型和Singer 模型交互、C V 模型和“当前”模型交互比较接近的。而在后70s 中,其误差又明显比后两种交互多模型要大。但总的来说以上各曲线都能较快的收敛,都可以用来处理非机动目标的跟踪。

环境2:目标起始状态:X 0=〔9000m,-180m /s,130000m,-180m /s,9000m,10m /s 〕,目标运动过程历时100s,初始协方差矩阵为:p .x =〔8000,0,0;0,164,0;0,0,6〕;p .y =〔2500,0,0;0,169,0;0,0,4〕;p .z =〔2500,0,0;0,169,0;0,0,1〕。其中Singer 模型方法和当前模型方法的自相关时间常数取0.025。统计N =100次。采样周期T =1s 。目标发生机动时刻和加速度大小如下表所示。

表1　目标机动运动情况表

加速度

目标发生机动的时刻T /s

31384961656681X 方向/m ?s -15-8100-10-55Y 方向/m ?s

-1

-10

18-2030-80

-10

分析:CV 模型和C A 模型交互滤波的均值误差为

16.1338m ,均方误差为0.7918m 。C V 模型和C A 模型交互滤波的均值误差为16.1338m ,均方误差为0.7918m 。CV 模型和Singer 模型交互滤波的均值误差为11.0658m,均方误差为0.8873m.C V 模型和“当前”模型交互滤波的均值误差为10.8424m,均方误差为0.8637m 。可见,在环境2中CV 模型和Singer 模型交互滤波的误差以及C V 模型和“当前”模型交互的误差都比CV 模型和CA 模型交互滤波的误差要小。

以下把CV 和CA 模型交互滤波、CV 和Singer 模型交互滤波、CV 和“当前”模型交互滤波以及Kal m an (Singer 模型)滤波的5条曲线作比较,比较结果如图4和图5所示

。

　图4　5种模型均值误差比较　图5　5种模型均方误差比较

3

5第7期尹　瑞,等:交互式多模型机动目标跟踪方法的仿真

曲线1为滤波前白噪声;曲线2为CV和CA模型交互;曲线3为CV和Singer模型交互;曲线4为CV 和“当前”模型交互;曲线5为Kal m an(Singer)模型。

比较以上各图可以看到,CV模型和C A模型的交互滤波在10～90s内的位置均值误差和均方根误差都比较大,直到90s以后匀速运动时,其位置均值误差和均方根误差才与C V模型和Singer模型的交互滤波、C V 模型和“当前”模型的交互滤波接近。这是因为C A模型虽然基本上能实现机动目标的跟踪,但是C A模型跟踪机动目标,往往会出现机动跟踪滞后的情况。

用C V模型和Singer模型交互的跟踪精度比C V模型和CA模型交互的跟踪精度要好。其位置滤波误差均方值比C V模型和CA模型交互跟踪的要小。

C V模型和“当前”模型的交互滤波的精度最好,然而和CV“模型”和Singer模型的交互滤波比较起来,有时前者略好于后者,有时后者略好于前者,有时两者又接近,这是由于交互式多模型所设定的先验模型集造成的[3-4],如果目标运动模型包含在该集合中,则算法的跟踪精度就比较好,反之亦然。并且,当前模型对目标机动运动的自相关时间常数的先验假设有关,当其假设与目标真实的机动运动自相关时间常数接近时,C V和当前模型交互滤波的跟踪精度较高,反之亦然。

用Kal m an模型(Singer模型)来跟踪,其跟踪精度比CV模型和Singer模型的交互滤波跟踪精度及C V模型和“当前”模型的交互滤波跟踪精度要略低一些,这说明单独用Singer模型也可以完成对机动目标的跟踪,且其实时性比较强,但其跟踪精度略低于交互式多模型。

3　结　语

从本文上述CV与CA模型的交互、CV与Singer 模型的交互、CV与“当前”统计模型的交互及单独Kal m an(Singer模型)对机动目标的跟踪性能模拟仿真研究中,可以得出如下结论:

(1)Kal m an(Singer模型)跟踪简单、计算方便,实时性强,在目标跟踪滤波中具有一定的意义。

(2)CV和CA模型交互在处理非机动目标时,其跟踪精度与CV和Singer模型交互的跟踪精度是接近的。

(3)在处理机动目标时,CV和CA模型交互的跟踪精度明显要比CV和Singer模型交互的跟踪精度, CV和“当前”模型交互的跟踪精度要低。

(4)在CV、CA和Singer三个模型中,Singer模型跟踪机动目标的性能是最好的,而它属于一种全局模型,因此它的跟踪精度不高。

相比之下机动目标“当前”统计模型能更为真实地反映目标机动范围和强度的变化。因此,CV与“当前”统计模型交互是跟踪中性能比较好的一种模型,但前提是目标运动模型必须包含在多模型所设定的先验模型集里,并且其假设的自相关时间常数要与机动运动自相关时间常数接近[5]。总之,交互式多模型滤波算法是自适应的滤波算法,它的跟踪效果比较平稳,在目标发生机动的时候不会出现较大的误差,但此算法通常需要对目标的机动特性做出合理的机动假设。而在这类算法中的修正的当前统计模型算法可以不需要对目标的机动特性做出先验假设,且在目标不发生机动时也有很好的跟踪性能,但是算法的实时性还有待提高[6]。

参　考　文　献

[1]　何　友,修建娟,张晶炜.雷达数据处理及应用[M].

北京:电子工业出版社,2005.

[2]　杨万海.多传感器数据融合及其应用[M].西安:电子科

技大学出版社,2003.

[3]　Farina A,Studer F A.Radar data p r ocessing[M].Letch2

worth,Hertf ordshire England:W iley and Research Studies

Press LT D,1985.

[4]　L iang Yan,Pan Quan,Zhou Dong2hua,et al.Adap tive

multi p le model filter using I M M and STF[J].Chinese Jour2

nal of Aer onautics.2000,17(5):167-171.

[5]　M azor E,Dayan J,Bar2Shal om Y.I nteracting multi p le

model in target tracking,A Survey[J].I EEE Transacti ons

on Aer os pace and Electr onics,1998,41(3):103-124. [6]　Paei pour E,Bar2shal om Y.I M M tracking of maneuvering

target in the p resence of glint[J].I EEE Transacti ons on

Aer o s pace and Electr onics,1998,22(6):996-1003.

尹　瑞　女,1982年生,硕士研究生。研究方向为雷达数据处理。

王荫槐　男,1965年生,研究员高工,硕士研究生导师。研究方向为雷达系统软件开发、系统仿真、数据处理、杂波特性分析等。

王　峰　男,1978年生,博士。研究方向为信息融合,雷达数据处理,雷达系统软件开发,雷达软件总体设计。

45现代雷达29卷

三角函数描述的目标机动模型及目标运动信息估计方法

DOI ：10.19297／j .cnki .41－1228／tj .2018.04.012 三角函数描述的目标机动模型及 目标运动信息估计方法 闫昌浩1 ，田 阳2 ，任高峰 1 （1.中国空空导弹研究院，河南洛阳 471009； 2.哈尔滨工业大学深空探测基础研究中心，哈尔滨 150080） 摘 要：本文针对目标跟踪的两个基本方面，机动模型和滤波估计算法进行研究。首先通过 假设目标机动加速度具有同频率三角函数和的形式，建立了一种带有加速度变化率的目标机动模型，并推导了目标加速度与速度方向垂直情况下的机动模型具体表达式。考虑到机动模型的非线性特性，基于稀疏网格积分理论构建了一种基于稀疏网格的滤波方法，并结合三角函数机动模型实现了对目标运动信息估计，仿真结果验证了该方法的有效性。 关键词：目标跟踪；目标机动模型；目标运动估计算法；稀疏网格；三角函数中图分类号：TJ 765；V 212.13文献标识码：A 文章编号：1673－5048（2018）04－0078－06 0 引 言 随着现代航空航天技术的飞速发展和各类新型 战机的装备，现代战争中空域目标的飞行速度及机动性越来越高。常规机动目标在原有技术的基础上继续得到发展，具有了快速自主改变运动轨迹的能力［1］ ，尤其是具备了在导弹遇靶前进行大机动的能力，如转向、急拉攀升、蛇形规避等，给现代战场环境下空空导弹命中目标提出了新的挑战。 近年来，国内外学者对低空目标的机动动作设计进行了大量研究，归纳整理了机动动作库并 不断加以完善［2］ 。NASA 学者首先根据空战常用机动模式提出了基本操作动作库概念，主要包括7种基本动作：（1）最大加速；（2）最大减速；（3）最大过载爬升；（4）最大过载俯冲；（5）最大过载左转；（6）最大过载右转；（7）稳定飞行（各控制量不变），其后依照这种方式设计的动作库都可以归类 于“基本动作操作库”［2］ 。 还有一种是以经典空战战术飞行动作为依据设计的“典型战术动作库”，一般包含有（1）直线平飞；（2）定常盘旋；（3）将机头转向目标；（4）下滑增速；（5）俯冲；（6）急拉起；（7）战斗转弯；（8）瞄准跟踪；（9）急规避；（10）蛇形机动等机动动作［2］ 。由这些常规动作组合，还可以派生出新的复杂机动动作，造成跟踪算法采用的动力学模型和目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降［3］ 。 从目标的动力学角度出发，目标的机动都是由加速度的改变所引起的，因此，通过完善加速度变化的描述方法建立系统的动力学模型，是提高大机动目标跟踪能力的一个重要手段。针对机动目标的动力学建模最早可以追溯到由Bridgewater 和Ram － achandra 分别提出的匀速模型［4］ （Constant Velocity ， CV ）和匀加速模型［5］ （Constant Acceleration ，CA ）， 收稿日期：2018－04－12 基金项目：航空科学基金项目（20150177001） 作者简介：闫昌浩（1984－），男，河南洛阳人，硕士，研究方向为制导控制系统设计。 引用格式：闫昌浩，田阳，任高峰.三角函数描述的目标机动模型及目标运动信息估计方法［J ］.航空兵器，2018（4）：78－83. Yan Changhao ，Tian Yang ，Ren Gaofeng .Target Maneuvering Model and Target Movement Information Estimation Method Described by Trigonometric Function ［J ］.Aero Weaponry ，2018（4）：78－83.（in Chinese ） 2018年第4期2018年8月 航空兵器AERO WEAPONRY 2018No .4 Aug .2018 万方数据

多目标跟踪

多目标跟踪的基本理论 所谓多目标跟踪，就是为了维持对多个目标当前状态的估计而对所接收到的量测信息进行处理的过程。 目标模型不确定性 是指目标在未知的时间段内可能作己知的或未知的机动。一般情况下，目标的 非机动方式及目标发生机动时的不同的机动形式都可以通过不同的数学模型来加 以描述。在进行目标跟踪过程中，采用不正确的目标运动模型会导致跟踪系统跟踪 性能的严重下降。因而在目标跟踪过程中，运动模型采用的正确与否对目标的跟踪 性能是至关重要的。 观测不确定性 是指由传感器系统提供的量测数据可能是外部的干扰数据，它有可能是由杂波、虚警和相邻的目标所引起的，也可能是由被跟踪目标的对抗系统所主动发出来的虚假信息。这种不确定性在本质上显然是离散的，给目标跟踪问题提出了极大的挑战，相应地也就产生了数据关联的问题。 数据关联 数据关联的作用主要有：航迹保持、航迹建立和航迹终结。 数据关联算法主要有：“最近邻”方法，“全邻”最优滤波器方法、概率数据关联滤波器方法、多模型方法、相互作用多模型一概率数据关联滤波器方法、联合概率数据关联滤波器方法、多假设方法、航迹分裂方法。 1.“最近邻”方法的思想是：在落入跟踪波门中的所有量测中，离目标跟踪预测位置最近的量测认为是有效量测。“最近邻”方法的好处是算法最简单，但是精度差，抗杂波干扰的能力差。“最近邻”方法因为简单，算法易实现，因此也是目前广泛采用的一种数据关联算法． 2 .“全邻”最优滤波器 Singer,Sea和Housewright发展了一类“全邻”滤波器，这种滤波器不仅考虑了所有候选回波（空间累积信息），而且考虑了跟踪历史，即多扫描相关（时间累积信息）假定多余回波互不相关并且均匀分布于跟踪门内，则任何跟踪门的体积V内多余回波的数目Cx服从均值为βV的泊松分布。假定在K-1时刻，轨迹a′正确的概率为Pa(k-1)。关键问题是计算k时刻轨迹的正确概率Pa(k)。

第一章 目标跟踪基本原理与机动目标模型1

第一章目标跟踪基本原理与机动目标模型1.1 引言目标跟踪问题作为科学技术发展的一个方面，设计的主要目的是可靠而精确的跟踪目标，其历史可以追溯到第二次世界大战前夕，即1937 年世界上出现第一部跟踪雷达站SCR-28 的时候、之后各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。传统的跟踪系统是一对一系统，即一个探测器仅连续地瞄准和跟踪一个目标。随着科学技术的进步和现代战略战术的发展，人们发现提出新的目标跟踪概念和体制是完全可能的，在过去20 多年中，多目标跟踪的理论和方法已经获得很大发展，并已成为当今国际上十分活跃的热门研究领域之一，有些成果也已付诸于工程实际。简单地说，目标跟踪问题可以划分为下列四类：一个探测器跟踪一个目标（OTO）一个探测器跟踪多个目标（OTM）多个探测器跟踪一个目标（MTO）多个探测器跟踪多个目标（MTM）1.2 目标跟踪的基本原理1.2.1 单机动目标跟踪基本原理发展现代边扫描边跟踪（TWS）系统的目的是，仅在一个探测器条件下同时跟踪多个目标。然而，为达此目的，边扫描边跟踪系统必须首先很好地跟踪单个目标。一般地说，常速直线运动目标的跟踪与估计问题较为简单，而且易于处理。困难的情况表现在被跟踪目标发生机动，即目标速度的大小和方向发生变化的场合。图 1.1 为单机动目标跟踪基本原理框图。图中目标动态特性由包含位置、速度和加速度的状态向量X 表示，量测（观测）量Y 被假定为含有量测噪声V 的状态向量1的线性组合（HX＋V）；残差（新息）向量 d 为量测（Y）与状态预测量H X k k 之差。我们约定，用大写字母XY 表示向量，小写字母xy表示向量的分量。一般情况下，单机动目标跟踪为一自适应滤波过程。首先由量测（观测）量（Y）和状态预1测量H X k 构成残差（新息）向量d，然后根据d 的变化进行机动检测或者机k动辨识．其次按照某一准则或逻辑调整滤波增益与协方差矩阵或者实时辨识出目标机动特性，最后由滤波算法得到目标的状态估计值和预测值，从而完成单机动目标跟踪功能。图 1.1 单机动目标跟踪基本原理框图1.2.2 单机动目标跟踪基本要素单机动目标跟踪基本要素主要包括量测数据形成与处理，机动目标模型，机动检测与机动辨识，滤波与预测以及跟踪坐标系和滤波状态变量的选取。现分别简述之。1.2.2.1 量测数据形成与处理量测数据通常指来自探测器输出报告的所有观测量的集合。这些观测量一般包括目标运动参数，如位置和速度，目标属性，目标类型，数目或形成以及获取量测量的时间序列等。在单机动目标跟踪技术中，量测数据主要指目标运动学参数。量测数据既可以等周期获取，也可以变周期获取。在实际问题中常常遇到等速，为了提高目标状态率数据采集。量测数据大多含有噪声和杂波（多目标检测情况）估计精度，通常采用数据预处理技术以提高信噪比。目前常用的方法有数据压缩，包括等权和变权预处理以及量测资料中野值的剔除方法等技术。1.2.2.2 机动目标模型众所周知，估计理论特别是卡尔曼滤波理论要求建立数学模型来描述与估计问题有关的物理现象。这种数学模型应把某一时刻的状态变量表为前一状态变量的函数。所定义的状态变量应为能够全面反应系统动态特性的一组维数最少的变量。一般地，状态变量与系统的能量有关，譬如在目标运动模型中，状态变量中所包含的位置元素与势能有关，速度元素与动能有关。在目标模型构造过程中，考虑到缺乏有关目标运动的精确数据以及存在着许多不可预测的现象，如周围环境的变化及驾驶员主观操作等，只是需要引入状态噪声的概念。当目标作匀速直线运动时，加速度常常被看作是具有随机特性的扰动输入（状态噪声），并假设其服从零均值白色高斯分布，这时，卡尔曼滤波可直接使用。当目标发生诸如转弯或逃避等机动现象时，上述假设则不尽合理，机动加速度变成为非零均值时间相关的有色噪声。此时，为满足滤波需要常常采用白化噪声和状态增广方法。机动目标模型除了考虑加速度非零均值时间相关噪声假设外，还要考虑加速度的分布特性。客观上，要求加速度函数应尽可能的描述目标机动的实际情况。从目前的机动目标模型来看，所有建模方法均考虑了目标发生机动的可能性，并建立了一种适合任何情况和任何类型目标的机动模型，我们称这种模型为全局统计模型，其典型代表是传统的Singer 模型。然而，根据全局统计模型思想，每一种具体战术情况下的每

T-11-V5-多目标追踪微波车辆检测器技术方案

微波交通检测器应用方案——T-11 V5 多目标追踪雷达 江苏志德华通信息技术有限公司 编辑者：高志鹏

1．Tracteh T-11 V5多目标追踪微波车辆检测器简介 1．1功能概述 ●Tractech T-11 V5多目标追踪微波车辆检测器（以下简称T-11 V5），是利用二维主动扫描式阵列雷达 微波检测技术，对路面发射微波，以每秒20次的扫描频率可靠地检测路上每一车道的目标，准确区分机动力、非机动力、行人等，可同时识别及跟踪最多64个目标对象。 ●可同时测量每车道的流量、平均速度、占有率、85%位速率、车头时距、车间距等交通数据，以及排队 长度、逆行、超速、ETA等报警信息，并可准确地测量区域内每个目标的位置坐标（X,Y）与速度（Vx, Vy）。 ●能进行大区域检测，沿来车方向正常检测区域至少可达160米，能同时检测至少6个车道，其中中间的 4个车道每条车道可以有4个精确的检测点，4条车道就可以配置16个精确的检测点。每个检测点就是一条线，这条线与路交叉成90度夹角，也就是垂直于路的方向。这些垂直于路的方向的检测线，就可以作为雷达的检测点，可以非常精确检测车辆接近并经过这些检测点时的状态 ●自动检测交通流的运行方向，进行车辆逆行检测统计。 ●采用前向安装的方式，可方便地利用既有杆件：信号灯杆、电警杆横臂、任一标志标牌、路灯杆上，具 有安装维护方便，不破坏路面，不影响交通，技术先进，成本低等特点。 ●可在全天候环境下工作，外壳达到IP67防护标准，并具有自校准以及故障自诊断功能。 ●可视化的图形化操作界面能实时显示每个目标在检测区域内被跟踪情况以及车辆即时速度、车辆长度等 实时信息。 1．2应用场合 T-11 V5 是一款革命性的通用交通管理雷达，可以用在交通管理领域的很多方面： 公路和交通管理系统

目标追踪基础知识

静态背景：只动目标 动态背景：动目标和camera；复杂相对运动 静态背景： 1.背景差分：先获得背景后根据差值取阈得图像（背景影响较大） 背景获得：（1）时间平均 （2）参数建模 阴影消除：色度值代替亮度值； 2.帧间差分：相邻两幅图差值进行计算获得运动物体位置与形状（部分信息，不适用于运动缓慢物体） 3.光流法：带有灰度的像素点在图像平面上运动产生的瞬时速度场（最复杂，不适于实时估计，抗噪性差） 动态背景： 基于块的运动估计与补偿：假定同一图像块上运动矢量相同，通过像素域搜索得到最佳运动 矢量估算。 关键技术：（1）匹配法则：最大相关，最小误差 （2）搜索方法：三步搜索，交叉搜索 （3）块大小确定：分级，自适应 Tracking：通过目标有效表达寻找最佳相似目标。 目标特征：（1）视觉特征：边缘，轮廓，形状，纹理，区域 （2）统计特征：直方图，各种矩特征 （3）变化系数特征：傅里叶描绘子，自回归模型 （4）代数特征：图像矩阵的奇异值分解 相似度度量算法（匹配法则）：欧氏距离，街区距离，棋盘距离，加权距离，巴特查理亚系 数，Hausdorff距离。（欧氏距离最简单） 搜索算法：预测下一帧物体可能存在的位置。kalman滤波，扩展的Kalman滤波，粒子滤波。Kalman算法：线性最小方差估计。通过状态方程和观测方程来预估。无偏，稳定，最优。粒子滤波算法：非线性，非高斯系统。递归方式进行处理，节省空间，有较好鲁棒性。均值漂移算法（Meanshift）：梯度优化，非刚性目标，非线性运动目标，变形，旋转均可。连续自适应均值漂移算法（Camshift）：基于Meanshift，结合色彩信息。可有效解决变形 和遮挡问题。 分类：（1）基于主动轮廓追踪（Snake模型）：定义可变形Snake曲线，通过对其能量函数最小化，使其轮廓逐渐变成与目标轮廓一致。跟踪可靠性增加，但计算量较大，并 且对快速运动或形变较大物体跟踪情况不理想。 （2）基于特征的跟踪： 特征提取：特征：有直观意义，有分类意义，计算相对简单，有图像平 移旋转尺度变换等不变性。主要有颜色，纹理边缘， 块特征，光流特征，周长面积，质心，角点。 特征匹配：基于二值化、边缘特征、角点特征、灰度、颜色特征匹配。 对尺度、形变、亮度变化不敏感。只要有一部分特征能被提 取就可以。但对噪声敏感，连续帧间关系难以确定。 （3）基于区域的追踪：得到人为或图像分割的矩形或不规则图形模版，再用算法跟 踪目标。费时，未被遮挡时精度很高，目标变形或有遮挡精 度下降。

机动目标的追踪与反追踪的模型完整版123

（由组委会填写）第十一届华为杯全国研究生数学建模竞赛 学校大连理工大学 参赛队号10141005 队员姓名1.鲁欢 2.候会敏 3.程帅兵

（由组委会填写） 第十一届华为杯全国研究生数学建模竞赛 题目机动目标的跟踪与反跟踪模型的建立及求解 摘要： 本文主要对机动目标追踪与反追踪模型的建立及求解问题进行了相关计算，讨论结果大致如下： 问题一，根据附件中的数据，利用数值法求解各个时刻点处的加速度，挑出加速度数量较大的时刻，并绘出矩形图，以加速度持续较大的时刻点为机动时间范围，并进行统计其大小以及方向，追踪模型则是依据现时刻以及前一时刻估计出的的物理量如位置速度加速度等，并根据数据统计出目标的机动能力即两时刻加速度最大该变量作为下一时刻的加速度，来计算在这种极限状态下目标向四周逃离的最远边界，因而形成一个区域，其中心即为雷达天线下时刻所指方向。航迹计算将三雷达测得的数据转换到同一坐标系中在进行拟合得到。 问题二，首先进行了航迹起始的确定。采用联合概率数据关联(JPDA)算法，通过对确认矩阵拆分得到互联事件及互联矩阵，计算互联事件的概率来进行数据关联，然后按照确定航迹。为避免雷达对于仅有一个回波信号的失跟情况，采取调动多种检测手段对目标密切关注，并改进雷达的内部控制计算算法。 问题三，我们建立了微分方程模型。着重分析了在空间范围内的机动目标的切向加速度以及方向加速度随时间的变化规律。通过运用Excel进行数据的处理计算得出切向加速度以及法向加速度的数值，利用Matlab编程得出其变化规律的轨迹图像。再结合问题一中的追踪模型，得到在数据3情况下的变化规律。通过对比，得出模型一的结论应用于问题三，其结果产生较大的偏差。 问题四，我们建立了卡尔曼滤波预测模型。利用卡尔曼滤波对机动目标进行预测，经过多次循环得出200对的位置坐标，利用Matlab软件给出了模拟后的卡尔曼滤波波形图。再进行对坐标的空间及时间复杂度进行分析，得出最终的结

目标跟踪相关研究综述

Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2015, 4(3), 17-22 Published Online August 2015 in Hans. https://www.wendangku.net/doc/7f2403605.html,/journal/airr https://www.wendangku.net/doc/7f2403605.html,/10.12677/airr.2015.43003 A Survey on Object Tracking Jialong Xu Aviation Military Affairs Deputy Office of PLA Navy in Nanjing Zone, Nanjing Jiangsu Email: pugongying_0532@https://www.wendangku.net/doc/7f2403605.html, Received: Aug. 1st, 2015; accepted: Aug. 17th, 2015; published: Aug. 20th, 2015 Copyright ? 2015 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.wendangku.net/doc/7f2403605.html,/licenses/by/4.0/ Abstract Object tracking is a process to locate an interested object in a series of image, so as to reconstruct the moving object’s track. This paper presents a summary of related works and analyzes the cha-racteristics of the algorithm. At last, some future directions are suggested. Keywords Object Tracking, Track Alignment, Object Detection 目标跟踪相关研究综述 徐佳龙 海军驻南京地区航空军事代表室，江苏南京 Email: pugongying_0532@https://www.wendangku.net/doc/7f2403605.html, 收稿日期：2015年8月1日；录用日期：2015年8月17日；发布日期：2015年8月20日 摘要 目标跟踪就是在视频序列的每幅图像中找到所感兴趣的运动目标的位置，建立起运动目标在各幅图像中的联系。本文分类总结了目标跟踪的相关工作，并进行了分析和展望。

目标跟踪算法的分类

目标跟踪算法的分类

主要基于两种思路： a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标； b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。 一．运动目标检测 对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测 （一）静态背景 1.背景差 2.帧差 3.GMM 4.光流 背景减算法可以对背景的光照变化、噪声干扰以及周期性运动等进行建模，在各种不同情况下它都可以准确地检测出运动目标。因此对于固定

个关键技术： a)匹配法则，如最大相关、最小误差等 b)搜索方法，如三步搜索法、交叉搜索法等。 c) 块大小的确定，如分级、自适应等。 光流法 光流估计的方法都是基于以下假设：图像灰度分布的变化完全是目标或者场景的运动引起的，也就是说，目标与场景的灰度不随时间变化。这使得光流方法抗噪声能力较差，其应用范围一般局限于目标与场景的灰度保持不变这个假设条件下。另外，大多数的光流计算方法相当复杂，如果没有特别的硬件装置，其处理速度相当慢，达不到实时处理的要求。 二．目标跟踪 运动目标的跟踪，即通过目标的有效表达，在图像序列中寻找与目标模板最相似候选目标区位置的过程。简单说，就是在序列图像中为目标定位。运动目标的有效表达除了对运动目标建模外，目标跟踪中常用到的目标特性表达主要包括视觉特征 (图像边缘、轮廓、形状、纹理、区域)、统计特征 (直方图、各种矩特征)、变换系数特

博聪多目标智能跟踪系统

博聪多目标智能跟踪系统 产品组成 注：因产品更新较快，产品图片仅供参考，实际产品外观请在购买前与销售人员确认。 系统概述 博聪多目标智能跟踪系统系列产品，由广角摄像机、高速跟踪球机、多目标智能跟踪处理器和一体化支架组成，是厦门博聪信息技术有限公司自主研发的新一代智能监控产品。 其采用了国内先进的 高速跟踪球机 [20x 光学放大倍数] 广角摄像机 [全景视频采集设备] 一体化支架 多目标智能跟踪处理器 [多目标智能跟踪算法程序]

图像检测、识别和跟踪技术，通过先进的视频分析算法和多目标跟踪算法程序，配合精密、精准的云镜控制系统，实现对全景区域内多个移动目标或选定目标的自动、快速、精准、连续、流畅的跟踪和捕捉；并同步完成对全景区域的监控需要，实现对高等级要求的安保需求。 传统球机通过预置位巡航转动，对于视野内的移动目标拍摄效率很低，而且拍摄的很多内容都是无效的静止物体，实际利用率不高。博聪多目标智能跟踪系统采用了广角摄像机与高速跟踪球机搭配的摄像机组合方式，结合国际领先的复杂环境运动物体检测技术和多目标跟踪技术，可同时锁定广角摄像机画面内多个移动目标，多目标智能跟踪处理器驱动高速跟踪球机锁定移动目标并对其进行自动跟踪、放大以得到更清晰的目标特征。这样既有反映目标移动轨迹的监控大场景全局画面，又保留具有监控价值的运动目标局部清晰特写画面，使得监控画面的效用极大提高。 博聪多目标智能跟踪系统支持鼠标点控的球机操作方式，使球机控制操作更简单、更迅捷，降低用户与球机交互过程中的成本，给用户带来持续的、良好的人机交互体验，为人工干预球机及时看清感兴趣目标提供了非常便捷的工具。 功能特点 1.多目标自动跟踪特写拍摄（无人值守） 多目标自动跟踪特写拍摄功能可自动锁定警戒区内多个移动目标，并结合博聪独有的专利技术控制高速跟踪球机平滑跟踪各个运动目标，获得清晰特写画面，自动监控闯入警戒区的每个目标。很好地解决了传统球机没有人工干预时形如摆设的问题，并且有效利用起存储设备，只将关键有用信息抓拍存储，减轻了事后取证的难度。高速跟踪球机抓拍细节，同步广角摄像机监控大范围场景，实现“点面结合、动静兼顾”。

目标追踪综述

01目标跟踪简介 目标跟踪是计算机视觉领域的一个重要问题，目前广泛应用在体育赛事转播、安防监控和无人机、无人车、机器人等领域。下面是一些应用的例子。 02目标跟踪任务分类 了解了目标跟踪的用途，我们接下来看目标跟踪有哪些研究领域呢？目标跟踪可以分为以下几种任务： ?单目标跟踪- 给定一个目标，追踪这个目标的位置。 ?多目标跟踪- 追踪多个目标的位置 ?Person Re-ID- 行人重识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合。 ?MTMCT - 多目标多摄像头跟踪（Multi-target Multi-camera Tracking），跟踪多个摄像头拍摄的多个人 ?姿态跟踪- 追踪人的姿态 按照任务计算类型又可以分为以下2类。 ?在线跟踪- 在线跟踪需要实时处理任务，通过过去和现在帧来跟踪未来帧中物体的位置。 ?离线跟踪- 离线跟踪是离线处理任务，可以通过过去、现在和未来的帧来推断物体的位置，因此准确率会在线跟踪高。 03目标跟踪的困难点 虽然目标追踪的应用前景非常广泛，但还是有一些问题限制了它的应用，我们看下有哪些问题呢？ ?形态变化- 姿态变化是目标跟踪中常见的干扰问题。运动目标发生姿态变化时, 会导致它的特征以及外观模型发生改变, 容易导致跟踪失败。例如:体育比赛中的运动员、马路上的行人。 ?尺度变化- 尺度的自适应也是目标跟踪中的关键问题。当目标尺度缩小时, 由于跟踪框不能自适应跟踪, 会将很多背景信息包含在内, 导致目标模型的更新错误:当目标尺度增大时, 由于跟踪框不能将目标完全包括在内, 跟踪框内目标信息不全, 也会导致目标模型的更新错误。因此, 实现尺度自适应跟踪是十分必要的。 ?遮挡与消失- 目标在运动过程中可能出现被遮挡或者短暂的消失情况。当这种情况发生时, 跟踪框容易将遮挡物以及背景信息包含在跟踪框内, 会导致后续帧中的跟踪目标漂移到遮挡物上面。若目标被完全遮挡时, 由于找不到目标的对应模型, 会导致跟踪失败。 ?图像模糊- 光照强度变化, 目标快速运动, 低分辨率等情况会导致图像模型, 尤其是在运动目标与背景相似的情况下更为明显。因此, 选择有效的特征对目标和背景进行区分非常必要。 下图是上述问题的一些实例。

制高点多目标智能跟踪系统设计方案V20-副本

xxx校园制高点监控系统 及多目标智能跟踪系统方案设计 北京xxx数码科技有限公司2015年12月7日

目录 1 校园监控目前存在的问题 1 2 解决方案 1 3 系统整体设计 1 3.1 普通制高点监控系统 1 3.1.1 优势 1 3.1.2 不足 1 3.2 多目标智能追踪系统 2 3.2.1 系统概述 2 3.2.2 平安校园中的应用 2 3.2.3 系统组成 3 3.2.4 系统优势 3 3.2.5 功能特点 3 3.2.6 多目标智能跟踪系统设备性能及参数 5 3.2.7 智能多目标系统管理软件平台8 3.2.8 平台对接9 4 清单配置9 4.1 方案一配置9 4.2 方案二配置9

校园监控目前存在的问题 各高职院校的校园大门口社会人员嘈杂，犯罪事件频发，使用普通的枪机或球机拍得不全和拍不清细节，无法真正实现对上下学期间大门口场所的有效监管。 操场面积大，使用普通的枪机球机都很难实现全覆盖、无死角。即使覆盖了大部分场景，离监控点远的位置也拍不到细节。一旦发生意外事件，虽然监控设备有拍摄到，但看不清细节，对于事后取证毫无作用。 解决方案 针对此问题，我公司提供如下两套设计方案以供校方结合具体实际情况采纳。 第一套方案：采用在校园至高点配置全景摄像机的方式实现学校法范围重点部位的精确监控。 第二套方案：采用至高点多目标智能跟踪系统对学校的校门、主要路口、操场、运动场等主要区域进行布控、对校园的重点部位和重点区域进行主动化、智能化的实时监控，以实现对校园重点区域和场所进行高安全级别的监控和管控。 系统整体设计 普通制高点监控系统 大范围、远距离、高清晰监控校园，尤其适合夜晚从高处俯视校园某处。 可以实时从高处远距离监视和控制监控点的图像，在有紧急事件发生和举行重要活动时或者夜间有危险警情出现时可以作为指挥调度的辅助手段，协助有关校领导和安保部门完成紧急事件处理。同时可根据实际情况实现对相应设备、安保人员和事件处理的控制。 优势 校园楼栋的制高点安装2套300万30倍光学变焦、支持H.265的高清全景球机，后端配置8路网络视频录像机进行存储，并通过校园保安监控中心进行视频输出图像显示，从而实现学校大范围的精确制高点监控。 此种方案设备配置的优点是成本低，安装相对简单，效果也比较良好。 不足 仅能实现简单的学校大范围的精确制高点监控。其他更多的报警联动、智能跟踪等功能无法实现。若想实现重点区域或重点目标的特点拍摄、入侵报警、绊线报警及动静兼顾并获得清晰的图像和动态的智能跟踪功能，需要采用方案二即：多目标智能追踪系统。

机动目标模型发展综述

机动目标模型发展综述 摘要本文对机动目标模型这一问题进行了详细论述，主要介绍了该领域的研究现状，分析了现有模型的优缺点。从未来技术需求的角度列举出机动目标模型所面临的难点问题，即模型要满足准确性、实时性、快速性和鲁棒性等需求，最后还对未来的发展研究方向进行了展望。 关键词机动;模型;综述 前言 建立机动目标模型的过程，又称模型化，是研究目标运动规律的重要手段和前提。机动目标跟踪模型是机动目标跟踪理论的基础，模型的优劣直接决定着跟踪效果。非机动模型容易建立，但对于机动模型来说建立完全符合实际运动规律的模型非常困难，主要因为目标在运动时存在很大的不确定性，常常受到人为因素和自然因素的影响，很难用精确的数学公式来描述，只能近似表述。 1 机动目标模型的发展现状 1.1 匀速（CV）模型 当目标以某一恒定速度运动时，运动规律相对比较简单，但是一般目标不会仅简单做匀速直线运动，状态变量会发生微小波动。通过加入随机干扰因素，可建立二阶常速CV模型。 1.2 匀加速（CA）模型 当目标以某一加速度运动时，相比匀速模型只是纵向增加了一个稳定维度，算法也并不复杂。同样加速度也会产生微小波动，也通过把零均值高斯白噪聲分布加入到目标加速度中，可得到CA模型 1.3 Singer模型 1970年R.A.Singer提出了机动目标的零均值、一阶时间相关机动加速度模型，该模型对匀速直线运动和匀加速直线运动有比较好的拟合效果，对于更加复杂的运动形式不能较好的描述[1]。 1.4 Jerk模型 1997年，K.Mehrotra和P.R.Mahapatra等人在Singer 模型的基础上提出了机动目标Jerk模型。该模型通过在状态向量中引入了加速度变化率来进行补充完善。高维信息的补充使得模型能够敏锐感知高机动目标的状态变化，具有很好的跟踪效果。同时，加加速度变化会使目标加速度和速度不断变化，因此对于运动

目标跟踪算法的分类

运动目标跟踪就是在一段序列图像中的每幅图像中实时地找到所感兴趣的运动目标 (包括位置、速度及加速度等运动参数)。在运动目标跟踪问题的研究上，总体来说有两种思路： a)不依赖于先验知识，直接从图像序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标； b)依赖于目标的先验知识，首先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。 一、运动目标检测 对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第一步。运动检测即为从序列图像中将变化区域从背景图像中提取出来。运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测。 静态背景下运动检测就是摄像机在整个监视过程中不发生移动，只有被监视目标在摄像机视场内运动，这个过程只有目标相对于摄像机的运动；动态背景下运动检测就是摄像机在整个监视过程中发生了移动 (如平动、旋转或多自由度运动)，被监视目标在摄像机视场内也发生了运动，这个过程就产生了目标与摄像机之间复杂的相对运动。 1、静态背景 背景差分法 背景差分法是利用当前图像与背景图像的差分来检测运动区域的一种技术。它一般能够提供最完全的特征数据，但对于动态场景的变化，如天气、光照、背景扰动及背景物移入移出等特别敏感，运动目标的阴影也会影响检测结果的准确性及跟踪的精确性。其基本思想就是首先获得一个背景模型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断此像素属于运动目标，否则属于背景图像。背景模型的建立与更新、阴影的去除等对跟踪结果的好坏至关重要。 帧间差分法 相邻帧间差分法是通过相邻两帧图像的差值计算，获得运动物体位置和形状等信息的运动目标检测方法。其对环境的适应性较强，特别是对于光照的变化适应性强，但由于运动目标上像素的纹理、灰度等信息比较相近，不能检测出完整

第一章-目标跟踪基本原理与机动目标模型1

第一章目标跟踪基本原理与机动目标模型 1.1 引言目标跟踪问题作为科学技术发展的一个方面，设计的主要目的是可靠而精确的跟踪目标，其历史可以追溯到第二次世界大战前夕，即1937 年世界上出现第一部跟踪雷达站SCR-28 的时候、之后各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。传统的跟踪系统是一对一系统，即一个探测器仅连续地瞄准和跟踪一个目标。随着科学技术的进步和现代战略战术的发展，人们发现提出新的目标跟踪概念和体制是完全可能的，在过去20 多年中，多目标跟踪的理论和方法已经获得很大发展，并已成为当今国际上十分活跃的热门研究领域之一，有些成果也已付诸于工程实际。简单地说，目标跟踪问题可以划分为下列四类：一个探测器跟踪一个目标（OTO）一个探测器跟踪多个目标（OTM）多个探测器跟踪一个目标（MTO）多个探测器跟踪多个目标（MTM）1.2 目标跟踪的基本原理1.2.1 单机动目标跟踪基本原理发展现代边扫描边跟踪（TWS）系统的目的是，仅在一个探测器条件下同时跟踪多个目标。然而，为达此目的，边扫描边跟踪系统必须首先很好地跟踪单个目标。一般地说，常速直线运动目标的跟踪与估计问题较为简单，而且易于处理。困难的情况表现在被跟踪目标发生机动，即目标速度的大小和方向发生变化的场合。图1.1 为单机动目标跟踪基本原理框图。图中目标动态特性由包含位置、速度和加速度的状态向量X 表示，量测（观测）量Y 被假定为含有量测噪声V 的状态向量1的线性组合（HX＋V）；残差（新息）向量d 为量测（Y）与状态预测量H X k k之差。我们约定，用大写字母XY 表示向量，小写字母xy 表示向量的分量。一般情况下，单机动目标跟踪为一自适应滤波过程。首先由量测（观测）量（Y）和状态预1测量H X k 构成残差（新息）向量d，然后根据d 的变化进行机动检测或者机k 动辨识．其次按照某一准则或逻辑调整滤波增益与协方差矩阵或者实时辨识出目标机动特性，最后由滤波算法得到目标的状态估计值和预测值，从而完成单机动目标跟踪功能。图1.1 单机动目标跟踪基本原理框图1.2.2 单机动目标跟踪基本要素单机动目标跟踪基本要素主要包括量测数据形成与处理，机动目标模型，机动检测与机动辨识，滤波与预测以及跟踪坐标系和滤波状态变量的选取。现分别简述之。1.2.2.1 量测数据形成与处理量测数据通常指来自探测器输出报告的所有观测量的集合。这些观测量一般包括目标运动参数，如位置和速度，目标属性，目标类型，数目或形成以及获取量测量的时间序列等。在单机动目标跟踪技术中，量测数据主要指目标运动学参数。量测数据既可以等周期获取，也可以变周期获取。在实际问题中常常遇到等速，为了提高目标状态率数据采集。量测数据大多含有噪声和杂波（多目标检测情况）估计精度，通常采用数据预处理技术以提高信噪比。目前常用的方法有数据压缩，包括等权和变权预处理以及量测资料中野值的剔除方法等技术。1.2.2.2 机动目标模型众所周知，估计理论特别是卡尔曼滤波理论要求建立数学模型来描述与估计问题有关的物理现象。这种数学模型应把某一时刻的状态变量表为前一状态变量的函数。所定义的状态变量应为能够全面反应系统动态特性的一组维数最少的变量。一般地，状态变量与系统的能量有关，譬如在目标运动模型中，状态变量中所包含的位置元素与势能有关，速度元素与动能有关。在目标模型构造过程中，考虑到缺乏有关目标运动的精确数据以及存在着许多不可预测的现象，如周围环境的变化及驾驶员主观操作等，只是需要引入状态噪声的概念。当目标作匀速直线运动时，加速度常常被看作是具有随机特性的扰动输入（状态噪声），并假设其服从零均值白色高斯分布，这时，卡尔曼滤波可直接使用。当目标发生诸如转弯或逃避等机动现象时，上述假设则不尽合理，机动加速度变成为非零均值时间相关的有色噪声。此时，为满足滤波需要常常采用白化噪声和状态增广方法。机动目标模型除了考虑加速度非零均值时间相关噪声假设外，还要考虑加速度的分布特性。客观上，要求加速度函数应尽可能的描述目标机动的实际情况。从目前的机动目标模型来看，所有建模方法均考虑了目标发生机动的可能性，并建立了一种适合任何情况和任何类型目标的机动模型，我们称这种模型为全局统计模型，其典型代表是传统的

目标检测与跟踪方法在自动跟踪装置中的应用

第33卷增刊2007年11月 光学技术OPTICAL TECHN IQU E Vol.33Suppl. Nov.　2007 文章编号:100221582(2007)S 20069203 目标检测与跟踪方法在自动跟踪装置中的应用 Ξ 伍翔,霍炬,杨明,董红红 (哈尔滨工业大学控制与仿真中心,哈尔滨　150082) 摘　要:介绍了一种应用于自动跟踪装置上的运动背景下目标检测与跟踪的方法,采用仿射模型作背景运动估计进行检测以及mean 2shift 算法跟踪目标,并将该方法应用到一套自动跟踪系统实验平台上。 关 键 词:仿射模型;mean 2shift 算法;自动跟踪装置 中图分类号:TP751 文献标识码:A Application of a moving target detecting and tracking method in the automatic 2tracking equipment WU X iang ,H UO J u ,Y ANG Ming ,DONG H ong 2hong (Control and Simulation Center ,Harbin Institute of Technology ,Harbin 150082,China ) Abstract :This paper presents a moving target detecting and tracking method in moving background for the automatic 2tracking equipment.It uses affine model to estimate the moving character of the background for detecting ,and uses mean 2shift algorithm for tracking.An automatic 2tracking experimental system is realized by using this method. K ey w ords :affine model ;mean 2shift algorithm ;automatic 2tracking equipment 0　引　言 基于图像处理的运动目标检测与跟踪,作为图像处理技术的一个分支,由于其在民用和军用上的广泛应用 [1,2] ,也逐 渐成为研究的热点。本文主要针对自动跟踪装置,研究与设计一种图像处理的方法,实现运动背景下运动目标检测与跟踪,并应用到所搭建的自动跟踪仿真系统中。 1　自动跟踪系统实验平台 利用图像处理的方法实现自动跟踪功能的跟踪系统一般由摄像机、图像采集卡、计算机、伺服系统几部分组成。摄像机、图像采集卡以及计算机都装载在伺服系统上,当摄像机的视野中出现运动目标时,计算机对图像采集卡采集到的图像进行处理分析,得出运动目标的位置等信息,传递给伺服系统,伺服系统带动相机跟踪目标,使得目标始终保持在视野的中心 。 图1　自动跟踪系统实验平台结构框图 图1即为所搭建的自动跟踪系统实验平台的结构框图, 该平台是专门根据自动跟踪装置的结构和特点设计的,对自动跟踪装置进行模拟。由图1可知,在计算机上实现的图像处理部分,是整个系统的关键。它所要完成的功能是从采集图2　图像处理部分基本流程 到的每幅视频图像中找出运动目标的位置,即运动目标的检测与跟踪。它主要包括两方面:第一,运动目标的检测与提取;第二,目标跟踪。其处理流程图如图2所示。 2　运动目标检测 2.1　背景模型选取 根据摄像机相对于场景的运动情况可以将运动目标检测分为静止背景下运动目标检测和运动背景下运动目标检测两种。由自动跟踪装置的特性可知,在跟踪目标的过程中,摄像机随着伺服系统一起运动,所以应该考虑的是运动背景下运动目标的检测。 本文采用的是运用背景运动估计进行建模的思想,将两帧图像之间的背景运动关系用仿射变换表示,建立一个仿射运动参数模型。如 x k +1=a 1x k +a 2y k +d x y k +1=a 3x k +a 4y k +d y (1) 9 6Ξ收稿日期:2006212211 E 2m ail :wuxiang602@https://www.wendangku.net/doc/7f2403605.html, 基金项目:国家自然科学基金资助(60434010) 作者简介:伍翔(19842),男,苗族,湖南省人,哈尔滨工业大学硕士研究生,从事图像处理研究。

趋势追踪策略

ETF期权趋势追踪策略 一、概述 ETF期权具有杠杆性，投资者可以用少量的资金实现丰厚的收益，如果能够追踪标的证券的趋势，则可以充分发挥ETF期权的这种特性。目前，ETF期权的标的证券为上证180ETF和上证50ETF，通过对历史数据的实证分析可知，上证180ETF与沪深300指数的相关度高达99%，上证50ETF与沪深300指数的相关度高达96%。沪深300是沪深两市最具代表性的指数，研究沪深300指数对ETF 期权投资策略的研究有重要意义。 众所周知，证券市场对于政策的敏感度是非常高的。政策影响市场表现在以下若干方面：一方面是通过改变存贷款利率来调控市场资金；另一面，政府通过大规模的投资来刺激经济，主要集中在基础建设方面（建筑、机场、铁路等）或者创新方面。当资金面宽松、基础建设红火发展时，沪深300指数一般能迎来一波上涨；当资金面收紧、基础建设停滞不前时，沪深300指数一般会有一波下跌。因此，ETF期权追踪策略选取上海银行间同业拆借利率（SHIBOR）、水泥板块指数、铁路基建板块指数、螺纹钢指数作为研究指标。同时由于市场是由机构主导，而股指期货对于证券市场有引领作用，本策略加入前20名机构“空头持仓/多头持仓”比例作为参数，以判断机构对于市场的态度。通过实证分析，上述5项指标能够验证沪深300指数走势的概率是80%。由于ETF期权是T+0交易，又带有杠杆性，因此本策略会在趋势出现后，逐步建仓，如果趋势出现反复，则立刻止损退出，以保全资金。 在实盘测试期内（2014年5月29日至2014年7月23日），

ETF期权趋势追踪策略收益率为6.5%，上证180ETF增长率为 3.36%，沪深300指数增长率为1.22%。在严格控制了风险的前提下，ETF期权趋势追踪策略实现了超额收益，达到了投资目的。 二、策略的适用群体 风险回避型的高净值客户。这类客户有足够的资金参与各种金融工具的交易，但是风险厌恶，只愿意承受非常有限的风险。综合流动性和手续费等因素，这类投资者不愿意参与高风险交易，更愿意等待趋势性机会。 三、策略目标 通过分析参数确认趋势，按照趋势逐步建仓，利用ETF期权的杠杆性，获取超越大盘的收益。在确定的趋势中获取超额收益，在趋势不确定时，空仓等待机会。基于这样的投资目的，投资者会有安全稳定的收益。 四、策略的可操作性 ETF期权趋势追踪策略的5个主要参数，都是每日收盘后，市场上能够查到的公开信息。投资者可以等待投资信号明确后，第二个交易日开盘进行操作；每天根据参数给出的方向，调整自己的仓位。对于非专业投资者来说，不需要去研究各种高深的理论，不需要每天跟踪各种消息，也不需要每时每刻盯盘，只需要收盘以后，对上述5个指标进行观察分析，第二日开盘按照投资纪律进行操作。 五、策略的构建与实证分析 1.整体思路： ETF期权具有杠杆性，投资者为了充分利用这种以少量资金获取丰厚收益的机会，需要把握住ETF期权标的证券的价格变动趋势。ETF期权的标的证券是上证180ETF和上证50ETF，这两个标的物仅仅代表上证指数的相关股票。影响市场的因素很多，但是很难确认