一、多假设跟踪技术综述（论文文献综述）
文成宇,房卫东,陈伟[1]（2022）在《多目标跟踪的对象初始化综述》文中研究表明对象初始化方法决定了如何对待多目标跟踪问题,与后续的多目标跟踪效果直接相关。不同的对象初始化方法能够确定不同的多目标跟踪框架,每一种框架都提供一种解决问题的思路,使得多目标跟踪的对象初始化问题具有巨大的研究前景。目前关于多目标跟踪中的对象初始化方法的综述性文献较少或缺乏系统性的对象初始化概述,因此文中从多假设跟踪方法、网络流方法、深度学习方法和主题发现方法4个方面对多目标跟踪的对象初始化方法进行分析。系统地阐述了不同多目标跟踪框架下的任务转换和对象映射问题,汇总了多目标跟踪的对象初始化方法。
金跃龙[2]（2021）在《多行人运动轨迹跟踪的研究》文中进行了进一步梳理多目标跟踪因为其重要的学术价值和非凡的商业潜力,在计算机视觉领域备受关注,例如在自动驾驶、航空航天、医疗诊断、智能监控等众多领域得到了广泛的应用。在最近的十几年中,研究人员已经提出了大量的创新算法来研究这个课题,多目标跟踪的技术取得了很大的发展,但在面临诸如目标重叠、外观剧变、光照变换、身份跳变等问题时,仍然存在着重大挑战。本文旨在从多目标跟踪中的数据关联出发,利用行人重识别技术,分别与多假设跟踪、图匹配算法融合,对多目标跟踪进行研究,在假设树的构造方式、求解匹配结果以及解决多目标跟踪的身份跳变、遮挡问题等方面取得一些创新的研究成果。本文的主要创新点可以归纳为以下两个方面:（1）虽然多假设跟踪考虑了所有可能的连接关系并获得最佳轨迹,但导致了它运行缓慢和高内存消耗;另外在面对复杂的场景（例如拥挤的场景和遮挡）时,由于没有历史信息的辅助导致错误关联,从而出现身份转换。为了缓解上述两个问题,本文提出一个一种基于身份再识别的多线索多假设跟踪的多目标跟踪算法,将行人重识别特征判别、度量学习、相关滤波作为线索融合,为多假设跟踪建立假设树挖掘多假设跟踪的潜力,同时保留历史信息利用行人重识别重新识别丢失的目标,从而有效缓解了多假设跟踪中由于假设分支过多导致的指数增长问题,并且减少了多目标跟踪中的身份跳变问题,解决了跟踪失败的恢复问题,从而提高了多目标跟踪算法的精确性。（2）现有的基于深度学习图方法大多增强单个目标特征表达,而忽略了目标之间的关系,这使得模型无法挖掘目标之间信息。在复杂的场景下,表观相似的目标之间难以区分,而且多目标跟踪的对象具有数量不确定性,导致了很难利用神经网络实现多目标跟踪的过程。为了解决这两个问题,本文针对行人设计了一种基于图卷积的端到端的完全可微的框架,这是处理轨迹与目标之间、目标与目标之间的数据关联的新范式。利用深度图匹配找到图之间的节点对应关系,以使对应的节点和边相似度最大化,即相同身份的目标之间的相似度最大,挖掘了目标与目标之间的关系,有效的提升了匹配的准确性。本文采用端到端的训练,该方法所有模块相互协作,从而减少了参数调整工作,进而提高了模型自适应性。
文成宇[3]（2021）在《复杂场景行人的多目标跟踪方法》文中提出随着计算机应用技术的发展,政府和企业越来越重视对于计算机视觉的应用,而多目标跟踪作为计算机视觉中具有挑战性的任务,在智能交通、智能监控和自动驾驶等多个领域起着重要的作用。多目标跟踪是对某个场景中的多个目标对象进行跟踪,但是由于场景的多变性和复杂性,以及被跟踪目标自身的各种变化,多目标跟踪会面对种种困难。多假设跟踪作为复杂场景行人的多目标跟踪方法的数据关联模块,是当一个目标对象对应多个潜在目标对象时,形成多种假设以延迟决定某个潜在目标对象的方法。多假设跟踪在实际应用中,是难以实现（NP-Hard）的,但是通过对轨迹假设分类,省略其中一种类别的轨迹假设可以将多假设跟踪问题转化为二分图匹配问题,再利用匈牙利算法能够实现该问题的多项式时间近似。此外,还系统的对多假设跟踪理论进行梳理,将该理论归纳总结为四个关键步骤:（1）轨迹树的创建与更新;（2）轨迹假设置信度计算;（3）全局假设生成;（4）轨迹树剪枝。与普通卷积神经网络相比,可变形卷积网络的图像感知范围有所扩大,从而使得可变形卷积神经网络对几何形变的处理能力有所增强,但是这也会使得网络的输出结果受到背景噪声的干扰。对此引入了优化标量对可变形网络中的卷积模块和可变形池化模块进行优化处理,从而适当减少无关的背景信息的影响,并将改进的可变形卷积网络作为复杂场景行人的跟踪方法的检测模块。此外还利用特征融合进一步减少背景环境信息对于行人检测的干扰,应用更简单和快速的中心网络来描述视频序列中的行人对象。在2DMOT2015、MOT16和MOT20数据集上进行实验,通过分析发现复杂场景行人的多目标跟踪方法能处理不同场景中行人的部分遮挡问题,并能分辨复杂场景中的目标对象和背景环境。实验结果说明了复杂场景行人的多目标跟踪方法的有效性和实用性,此外该方法的处理速度也取得了较好成绩。
张彩丽[4]（2021）在《基于机器学习的多目标跟踪算法研究》文中指出随着科技的发展,多目标跟踪已成为热门的研究课题,是机器视觉领域的一个重要研究方向,在军事和民用领域都有着广泛的应用。多目标跟踪的目的为对多个目标物体进行持续跟踪,期间维持同一目标的标签不变化,同时对每个目标在未来帧中的状态进行预测。本文主要针对多目标跟踪算法在目标遮挡情况下存在的跟踪效果不佳的问题进行研究,在现有算法的基础上加以改进,以获得在遮挡情况下的优秀跟踪效果。本文主要研究内容如下:1)本文在Mask R-CNN算法基础上进行改进,提出了面向小目标遮挡的多尺度检测算法。该算法首先将主干网络从Res Net-101网络改为Res Ne Xt-101网络,在不增加复杂度的前提下提高了网络检测精度;其次在传统FPN的基础上添加了一个自下而上的反向连接,提高小目标检测准确性;最后在Mask R-CNN算法中的Ro I Align中加入偏移量,以提高存在遮挡情况下的目标检测准确性。该检测算法在行人数据集MOT15及自摄数据集上进行了实验验证。实验结果证明,本文改进后的检测算法提高了小目标及存在遮挡情况下目标检测的准确性。2)本文在SORT算法基础上进行了改进,提出轨迹修正多目标跟踪算法。算法首先将仅以交并比（IOU）作为基准的匈牙利算法改为以IOU与颜色直方图共同作用的数据关联算法,提高了匹配的准确性;其次针对SORT算法无法解决跟踪过程中出现的目标遮挡问题,提出了轨迹修正算法,减少了遮挡前后的标签切换问题。该跟踪算法在行人数据集MOT16及自摄数据集上进行了实验验证。实验结果证明,本文改进的多目标跟踪算法能够在几乎不牺牲速度的情况下,提高遮挡时的跟踪性能。
程晶晶[5]（2021）在《基于深度学习和粒子滤波的目标跟踪算法研究》文中认为目标跟踪是计算机视觉领域的一个研究热点,在智能监控、无人驾驶、人机交互和国防军事等领域都有着非常重要的研究价值,它的主要任务是为了获取视频或者图像序列中感兴趣目标的位置以及运动轨迹,为进一步的语义层分析提供基础信息。根据场景中运动目标数目的不同,目标跟踪可以分为单目标跟踪和多目标跟踪,多目标跟踪相对于单目标跟踪的复杂程度更高,涉及了数据关联。单目标跟踪可以简单理解为只需要完成对视频中单个目标连续数据的滤波,它侧重于设计复杂的外观模型或者运动模型来区分目标和背景。随着深度学习的快速发展,基于深度学习的目标跟踪逐渐成为国内外学者的研究主流,并且取得了一定的研究成果。但是由于目标运动和测量值的不确定性,目标跟踪是一个比较困难的状态估计问题。本文采用粒子滤波思想,在深度学习框架下研究基于检测的目标跟踪算法,分别将其应用在单目标和多目标领域。本文的主要研究内容和创新点如下:（1）构建基于粒子滤波的长短期记忆网络（LSTM）模型。针对传统的LSTM难以处理高维随机序贯数据的问题,本文提出了一种新的长短期记忆网络（PF-LSTM）,该网络借鉴粒子滤波的思想,利用一组加权粒子近似潜在变量,并根据贝叶斯规则通过LSTM的门控机制更新潜在状态分布。（2）研究PF-LSTM在单目标跟踪领域的应用。针对现有的目标跟踪算法不能很好的处理目标运动不确定性的问题,基于PF-LSTM模型,本文提出了深度粒子滤波跟踪器（DPFT）,可以有效对视频序列中的不确定性进行建模。（3）研究PF-LSTM在多目标跟踪领域的应用。针对多目标跟踪中的数据关联问题,基于DPFT模型,本文设计了一种数据关联组合问题的模型,该模型包含了目标存在概率估计的模型以及基于LSTM的数据关联算法,目标的出现和消失可以完全从数据中学习,实现了在线多目标的端到端学习。（4）评估所提算法的有效性。DPFT算法在两个基准数据集OTB100和VOT2016上的实验结果表明,目标跟踪的精确率达到82.1%,成功率达到62.3%。多目标跟踪算法在MOT16数据集上的实验结果表明:该算法的MOTA达到48.2%,MOTP达到75.2%,性能优于其它最先进的跟踪算法。
尹立凡,张奕群,王硕,孙承钢[6]（2021）在《直方图概率多假设跟踪方法技术综述》文中指出直方图概率多假设跟踪（histogram probabilistic multi-hypothesis tracking, H-PMHT）算法是高效的多目标检测前跟踪（track before detect, TBD）方法,其由概率多假设跟踪（probabilistic multi-hypothesis tracking, PMHT）算法发展起来。首先深入剖析了H-PMHT算法,并重点分析比较了该算法和PMHT算法间的深刻联系,分析了该算法的特点和适用条件;其次,介绍了近年来H-PMHT算法的改进和推广情况,梳理了算法应用中的相关研究工作;最后,总结了算法的优缺点及需要改进的问题,展望了其发展前景。
张良成[7]（2021）在《杂波环境下雷达目标多假设跟踪改进算法研究》文中进行了进一步梳理目标跟踪技术是一项应用广泛的技术,在民用及军事领域中都有具体的应用。伴随社会、科技进步,雷达探测环境的电磁特征变得愈加复杂,使得雷达收到较多的杂波干扰。提升杂波环境下的跟踪效果,是改进目标跟踪方法的一个重要方向,具有现实意义。本文针对杂波环境下雷达数据特性进行了分析和研究,重点研究了多假设目标跟踪技术在杂波环境下的应用前景和不足,针对性的提出了一种改进的多假设目标跟踪方法。本文的主要内容包括如下:1.简要介绍了目标跟踪技术具有的现实意义,以及国内外学者在目标跟踪及多假设目标跟踪方法上取得的发展和进展;介绍了常见的应用于雷达目标跟踪领域的跟踪技术和滤波技术,介绍其原理和应用;探讨了雷达目标跟踪系统所具备的基本处理过程和其内涵,并补充介绍了一些应用于处理过程中的关键技术和方法。2.分析和研究了杂波环境导致雷达探测数据所表现出密集回波的特征,以及在此种情况下,多假设目标跟踪方法会面临何种挑战和困难。针对多假设目标跟踪方法在密集回波条件下,假设集快速扩张、计算复杂快速上升等问题做了分析,并依据分析提出了一种面向航迹的改进的遵从主仆关系的多假设目标跟踪（Master-Servants Multiple Hypothesis Tracking,MSM-MHT）方法:1)该改进多假设目标跟踪方法中将假设航迹间的关系改造为一种主仆关系,改进了假设生成的模式;2)配合使用提出的约束性K关联方法,辅助假设的K最优生成;3)假设使用不依赖先验分布经验的运动模型参数形成质量评价权值,来达到控制假设建立和删除的目的;4)使用渐进“靠拢”来实现对主假设航迹的跟踪优化,以提升跟踪精度。3.使用真实数据及仿真数据,对本文提出的改进的遵从主仆关系的多假设目标跟踪方法进行验证,该方法控制了假设集扩张、降低了计算复杂度,同时保证了较好的跟踪精度,证明了其具有有效性,相对于多假设目标跟踪方法的提高性。
章成铭[8]（2020）在《基于深度学习的数据关联多目标跟踪》文中研究说明随着计算机技术的飞速发展、视频信息分析智能化时代的到来,对于视频目标跟踪的需求量日益增长。多目标跟踪技术在计算机视觉领域中有着重要的地位,其广泛应用于安防、军事、自动驾驶、交通监控等领域。多目标跟踪,即Multiple Object Tracking（MOT）,主要任务中是在给定的一个图像序列中,检测识别出特定的目标,并标定出各个目标的运动轨迹。然而实际环境中往往存在着光线动态改变、目标遮挡、相机运动、对象和背景颜色相似以及杂乱背景等情况,它们都会增加多目标跟踪算法设计的难度。近五年来,随着目标检测效果的不断提高,tracking by detection的多目标跟踪算法渐渐成为主流。利用高精度的深度学习检测器来对图像进行检测识别,并将检测结果作为输入,通过数据关联的方法将相邻帧之间的目标匹配,从而得到目标的航迹。本课题着重对以深度学习为基础的目标检测技术、数据关联多目标跟踪方法和目标运动预测与遮挡处理进行了研究,提出了一种基于深度学习的数据关联多目标跟踪系统框架,提高了多目标跟踪精度和准确度,减少了漏检和误检。主要工作内容包括以下四个部分:1.根据以深度学习为基础的目标检测领域最新研究成果,对比分析高精度多目标检测算法,为多目标跟踪系统提供可靠的输入。2.对常用的数据关联的方法进行了总结,包括相邻帧之间的关联方法与多帧之间的关联方法。3.研究了基于深度学习的RPN网络,利用深度学习的检测器来预测目标位置,然后通过KM算法进行多目标数据关联,提高了数据关联的准确性。4.研究了在目标被短时间遮挡时的遮挡处理模型,通过卡尔曼滤波器来充当运动模型预测被遮挡目标下一帧的位置,结合孪生网络提取目标外观特征,并由KM算法来匹配被遮挡的目标。本文的主要创新体现在:（1）通过利用深度学习的检测器来作为跟踪器预测目标位置,再通过KM算法进行数据关联,有效的利用了高精度检测器提取的目标外观特征,提高了跟踪精度。（2）提出了一种处理目标遮挡的模型,通过结合孪生网络提取的特征和卡尔曼滤波器预测的位置,并利用KM匹配算法来处理跟踪轨迹中断和目标漏检的问题。
杨升[9]（2020）在《多雷达点迹融合前目标跟踪方法研究》文中研究表明为适应现代战争目标机动性强、信噪（杂）比低、检测概率低等复杂的作战环境,以多雷达为核心的多雷达组网系统得到了快速的发展。与单雷达相比,多雷达对探测范围、系统可靠性与鲁棒性、目标识别能力、目标精度等均有显着提高。但同时利用多个雷达通过协同探测完成对多目标的跟踪成为难点。主要研究多雷达目标检测与跟踪算法,常规方法是航迹融合和点迹融合技术。但是航迹融合无法充分利用所有雷达的原始探测信息,点迹融合会在时间配准和估计融合过程中造成点迹失真,由于杂波较多而造成数据关联困难从而产生虚假航迹、冗余航迹等问题。本文提出一种基于Hough变换与多假设跟踪相结合的多雷达点迹融合前目标跟踪方法,该方法充分利用信息融合前的雷达获得的点迹信息,更能有效降低计算复杂度,在各种复杂的环境下准确地对目标进行检测和跟踪。本文主要工作如下:1.首先,综述多雷达点迹融合前目标跟踪相关重要理论,包括检测前跟踪和数据关联方法基本理论,多雷达数据融合设计框架、异步采样的多传感器时间、空间配准方法。2.其次,针对传统Hough变换不适用于异步采样的多雷达模型。提出了一种基于三维Hough变换的检测前跟踪方法,充分利用量测值的时间信息改善当前多雷达目标跟踪问题,并通过Robert最佳直线表示方法,优化的参数离散方法来降低Hough变换的计算复杂度,并通过“投票”机制以及“非极大值抑制”的原理改善的检测模型,在提高检测概率的同时降低了虚警率。3.针对三维Hough变换只能有效检测目标直线运动模型的局限性,提出了将三维Hough变换法与多假设跟踪方法相结合的目标跟踪方法。该方法包含两个阶段,在一阶段,量测值将被用固定大小的时间窗分割,时间窗内的量测值采用三维Hough变换法进行检测得到航迹段。在二阶段,将相邻时间窗得到的航迹段采用最优次模式分配距离计算方法进行相似度计算,根据其相似程度使用多假设法形成假设集,根据假设的得分判断出源于目标的量测值,最终输出目标航迹。仿真了多雷达环境下目标直线运动模型以及机动目标运动模型,仿真结果充分验证了本文所提方法的有效性以及性能的优越性,并对某双雷达系统的实测数据进行验证,充分证明了算法的可行性。
聂胜男[10]（2019）在《基于深度学习与多假设跟踪的多目标轨迹融合算法研究》文中研究说明上世纪七十年代以后,视觉追踪算法取得了很大的进步,多目标跟踪（Multiple Object Tracking,MOT）就是其中一个研究热点之一。按初始状态分类,多目标跟踪算法主要分为两类:基于检测的跟踪（Detection-Based Tracking,DBT）和基于初始化帧的跟踪（Detection-Free Tracking,DFT）。按照处理方式分类,多目标跟踪算法也分为两类:在线（Online）跟踪和离线（Offline）跟踪。本文所研究的基于深度学习与多假设跟踪的多目标轨迹融合算法便属于在线（Online）的基于检测的跟踪（DBT）。本文利用深度学习中的Mask R-CNN结构作为目标检测器,检测出视频每帧目标的位置信息以及置信度。同时提取每个检测框的深度特征,并将特征利用PCA降维至256维。在数据关联部分,本文使用的是多假设跟踪数据关联算法（Multiple Hypothesis Tracking,MHT）。本文使用的多假设跟踪算法是传统多假设跟踪算法的改进。为了更好提高跟踪速度并且保证跟踪精度,我们需要扩大数据关联的门控区域以提高跟踪速度,增加额外的剪枝以保证跟踪精度。但是,仅仅利用运动信息进行数据关联显然不能满足需要。改进的MHT利用最小二乘法进行外观建模,通过实验数据证明外观模型可以增加额外的剪枝,提高跟踪精度;外观模型还能降低MHT对参数设置的依赖性,可以用扩大数据关联门控区域的方法,提高跟踪速度。改进的多假设跟踪算法利用剪枝的方式显着降低了计算量,提高了跟踪速度。本文采用Mask R-CNN与改进的MHT的结合的多目标跟踪方式,不但提高了跟踪精度,还加快了跟踪速度,具有很好的鲁棒性。本文还提出一种基于深度学习与多假设跟踪的多目标轨迹融合算法。在外观建模部分,提取每个检测框的深度特征、HOG特征以及颜色直方图特征。分别利用这三种特征进行外观建模,得到三条跟踪轨迹。之后,将这三种特征的跟踪轨迹进行融合,得出一条最优化轨迹。实验数据表明,本文提出的方法显着提高了多目标跟踪的性能。
二、多假设跟踪技术综述（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多假设跟踪技术综述（论文提纲范文）
（1）多目标跟踪的对象初始化综述（论文提纲范文）
| 1 引言 |
| 2 对象初始化 |
| 3 对象初始化方法 |
| 3.1 多假设跟踪 |
| 3.2 网络流方法 |
| 3.3 深度学习方法 |
| 3.4 主题发现 |
| 4 未来展望 |
| 结束语 |
（2）多行人运动轨迹跟踪的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究目的 |
| 1.3 论文的主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 研究现状综述 |
| 2.1 引言 |
| 2.2 行人多目标跟踪方法简述 |
| 2.2.1 基于离线的跟踪 |
| 2.2.2 基于在线的跟踪 |
| 2.2.3 基于深度学习的跟踪 |
| 2.3 数据集简介 |
| 第3章 基于身份再识别的多线索多假设跟踪的多目标跟踪 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 基于身份再识别的多线索多假设跟踪的多目标跟踪算法 |
| 3.3.1 度量学习 |
| 3.3.2 核相关滤波 |
| 3.3.3 行人重识别 |
| 3.3.4 跟踪评分 |
| 3.3.5 求解轨迹 |
| 3.4 实验分析与评价 |
| 3.4.1 实验分析与评价 |
| 3.4.2 定量实验分析 |
| 3.5 本章小结 |
| 第4章 基于图匹配的多目标跟踪 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 图匹配跟踪算法 |
| 4.3.1 目标表观表达 |
| 4.3.2 特征嵌入 |
| 4.3.3 图匹配 |
| 4.4 实验分析与评价 |
| 4.4.1 实验细节 |
| 4.4.2 消融实验 |
| 4.4.3 实验分析与评价 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果清单 |
| 致谢 |
（3）复杂场景行人的多目标跟踪方法（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文创新点及章节安排 |
| 2 多目标跟踪的相关背景和基础理论 |
| 2.1 匈牙利算法——二分图匹配 |
| 2.2 卡尔曼滤波——状态估计 |
| 2.3 排他性约束和时间衰减效应 |
| 2.4 本章小结 |
| 3 基于多假设跟踪的数据关联方法 |
| 3.1 跟踪树的构建和更新 |
| 3.2 轨迹假设置信度计算 |
| 3.3 全局假设生成 |
| 3.4 多项式时间近似 |
| 3.5 跟踪树剪枝 |
| 3.6 本章小结 |
| 4 基于改进可变形卷积神经网络的行人检测框架 |
| 4.1 可变形卷积神经网络 |
| 4.2 可变形卷积神经网络分析 |
| 4.3 特征融合 |
| 4.4 可变形卷积和池化的优化 |
| 4.5 中心网络 |
| 4.6 本章小结 |
| 5 实验结果和分析 |
| 5.1 多目标跟踪评价指标 |
| 5.2 多目标跟踪结果 |
| 5.3 多目标跟踪结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于机器学习的多目标跟踪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 多目标跟踪研究现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 多目标跟踪方法分类 |
| 1.3 多目标跟踪的主要难点 |
| 1.4 论文的主要工作及结构章节安排 |
| 第2章 多目标跟踪相关理论知识 |
| 2.1 检测相关知识 |
| 2.1.1 基于深度学习的一阶段目标检测算法 |
| 2.1.2 基于深度学习的两阶段目标检测算法 |
| 2.1.3 多目标检测模型对比 |
| 2.2 数据关联相关知识 |
| 2.2.1 最近邻域法 |
| 2.2.2 联合概率数据关联算法 |
| 2.2.3 多假设跟踪算法 |
| 2.2.4 匈牙利算法 |
| 2.2.5 数据关联算法对比 |
| 2.3 本章小结 |
| 第3章 面向小目标遮挡的多尺度目标检测算法 |
| 3.1 Mask R-CNN目标检测原理 |
| 3.2 多目标检测模型的优化 |
| 3.2.1 主干网络的选取 |
| 3.2.2 改进FPN算法 |
| 3.2.3 加入偏移量的Ro I Align |
| 3.3 实验结果及分析 |
| 3.3.1 样本数据库构建与预处理 |
| 3.3.2 性能评价指标 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第4章 轨迹修正多目标跟踪算法 |
| 4.1 SORT多目标跟踪原理 |
| 4.1.1 卡尔曼滤波器 |
| 4.1.2 估计模型与数据关联 |
| 4.1.3 SORT算法分析 |
| 4.2 轨迹修正跟踪算法 |
| 4.2.1 改进匈牙利算法 |
| 4.2.2 异常轨迹修正 |
| 4.3 实验结果及分析 |
| 4.3.1 样本数据集构建 |
| 4.3.2 性能评价指标 |
| 4.3.3 实验结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 后期展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（5）基于深度学习和粒子滤波的目标跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 单目标跟踪研究现状 |
| 1.3.2 多目标跟踪研究现状 |
| 1.4 论文主要内容及组织结构 |
| 1.4.1 论文主要内容 |
| 1.4.2 论文组织结构 |
| 第二章 目标跟踪相关理论概述 |
| 2.1 引言 |
| 2.2 贝叶斯滤波 |
| 2.2.1 状态空间 |
| 2.2.2 贝叶斯推理 |
| 2.3 卡尔曼滤波 |
| 2.4 粒子滤波 |
| 2.5 神经网络模型 |
| 2.5.1 神经网络 |
| 2.5.2 循环神经网络 |
| 2.5.3 长短期记忆网络 |
| 2.6 数据集 |
| 2.6.1 单目标跟踪数据集 |
| 2.6.2 多目标跟踪数据集 |
| 2.7 评价指标 |
| 2.7.1 单目标跟踪评价指标 |
| 2.7.2 多目标跟踪评价指标 |
| 2.8 本章小结 |
| 第三章 基于粒子滤波的长短期记忆网络单目标跟踪算法 |
| 3.1 引言 |
| 3.2 算法整体架构 |
| 3.3 目标检测模块 |
| 3.4 在线跟踪模块 |
| 3.4.1 模块概述 |
| 3.4.2 随机记忆更新 |
| 3.4.3 粒子权重更新 |
| 3.4.4 软重采样 |
| 3.5 网络训练 |
| 3.6 实验设置与结果分析 |
| 3.6.1 算法实现细节 |
| 3.6.2 实验结果分析 |
| 3.6.3 附加实验 |
| 3.6.4 运行时间比较 |
| 3.7 本章小结 |
| 第四章 基于PF-LSTM网络的多目标跟踪算法 |
| 4.1 引言 |
| 4.2 模型介绍 |
| 4.2.1 模型整体结构 |
| 4.2.2 目标检测模块 |
| 4.2.3 单目标跟踪模块 |
| 4.2.4 数据关联模块 |
| 4.3 网络训练 |
| 4.4 实验设置与结果分析 |
| 4.4.1 算法实现细节 |
| 4.4.2 实验结果分析 |
| 4.4.3 运行时间比较 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（6）直方图概率多假设跟踪方法技术综述（论文提纲范文）
| 0 引 言 |
| 1 H-PMHT方法及其研究进展 |
| 1.1 PMHT算法 |
| 1.2 H-PMHT算法 |
| 1.3 H-PMHT算法与PMHT算法间的关系 |
| 1.4 算法的实现 |
| 2 H-PMHT算法在泊松假设下的推广 |
| 2.1 P-HPMHT算法 |
| 2.2 IP-PMHT算法 |
| 3 算法的应用 |
| 4 总结及展望 |
（7）杂波环境下雷达目标多假设跟踪改进算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景及意义 |
| 1.2 国内外动态 |
| 1.2.1 目标跟踪技术发展与现状 |
| 1.2.2 多假设目标跟踪技术发展与现状 |
| 1.3 研究目的与实施方案 |
| 第2章 常见目标跟踪相关技术 |
| 2.1 Alpha-Beta滤波跟踪 |
| 2.2 卡尔曼滤波跟踪 |
| 2.3 扩展卡尔曼滤波 |
| 2.4 交互式多模型跟踪 |
| 2.5 多假设目标跟踪 |
| 2.5.1 K-best最优假设 |
| 2.5.2 N-scan剪枝 |
| 2.6 小结 |
| 第3章 杂波环境下雷达目标跟踪 |
| 3.1 雷达目标跟踪处理流程 |
| 3.1.1 数据预处理 |
| 3.1.2 数据关联 |
| 3.1.3 航迹更新 |
| 3.1.4 航迹状态管理 |
| 3.1.5 航迹新建 |
| 3.1.6 航迹终止与删除 |
| 3.2 杂波环境下多假设目标跟踪遭遇的挑战 |
| 3.3 小结 |
| 第4章 杂波环境下的改进多假设目标跟踪方法 |
| 4.1 杂波环境下数据场景特性 |
| 4.2 杂波环境下传统多假设目标跟踪方法的分析 |
| 4.3 数据预处理 |
| 4.4 改进多假设目标跟踪方法 |
| 4.4.1 约束性K近邻关联方法 |
| 4.4.2 MSM-MHT方法原理与实现 |
| 4.5 验证与对比 |
| 4.5.1 真实数据条件下的验证与对比 |
| 4.5.2 仿真数据条件下的验证与对比 |
| 4.6 小结 |
| 第5章 结论与展望 |
| 5.1 总结与结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）基于深度学习的数据关联多目标跟踪（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 单目标跟踪 |
| 1.2.2 多目标跟踪算法 |
| 1.2.3 多目标跟踪的难点 |
| 1.3 本文的主要工作与创新 |
| 1.4 本文的结构安排 |
| 第二章 基于深度学习的目标检测技术研究 |
| 2.1 单阶段检测模型 |
| 2.1.1 YOLO |
| 2.1.2 SSD |
| 2.2 两阶段检测模型 |
| 2.2.1 R-CNN |
| 2.2.2 Fast R-CNN |
| 2.2.3 Faster R-CNN |
| 2.3 RPN网络 |
| 2.3.1 锚框 |
| 2.3.2 回归器原理 |
| 2.3.3 R-CNN系列的对比 |
| 2.4 本章小结 |
| 第三章 基于检测的数据关联算法研究 |
| 3.1 逐帧关联的多目标跟踪算法 |
| 3.1.1 最近邻数据关联(NNDA) |
| 3.1.2 联合概率数据关联 |
| 3.1.3 多假设跟踪算法 |
| 3.2 批量帧关联的目标跟踪算法 |
| 3.2.1 网络流算法 |
| 3.2.2 图划分算法 |
| 3.3 基于RPN网络的数据关联 |
| 3.3.1 KM算法 |
| 3.3.2 多目标跟踪算法的评价指标 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于卡尔曼滤波的遮挡处理模型 |
| 4.1 遮挡判定 |
| 4.1.1 遮挡的检测 |
| 4.1.2 遮挡关系的判断 |
| 4.2 传统的遮挡处理模型 |
| 4.2.1 卡尔曼滤波 |
| 4.2.2 均值漂移 |
| 4.2.3 子模版匹配 |
| 4.3 基于孪生网络的遮挡模型 |
| 4.3.1 Saimes模型 |
| 4.3.2 Siames-KF遮挡模型 |
| 4.3.3 实验结果与对比分析 |
| 4.4 本章小结 |
| 第五章 本文多目标跟踪系统的实现 |
| 5.1 本文的多目标跟踪系统 |
| 5.2 实验结果与分析 |
| 5.3 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究工作 |
（9）多雷达点迹融合前目标跟踪方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 检测前跟踪技术 |
| 1.2.2 多假设跟踪方法 |
| 1.3 研究工作概要及章节安排 |
| 第二章 多雷达多目标跟踪理论 |
| 2.1 目标检测与跟踪基本理论 |
| 2.1.1 检测前跟踪 |
| 2.1.2 贝叶斯类多目标数据互联方法 |
| 2.2 多雷达数据融合 |
| 2.2.1 集中式融合技术 |
| 2.2.2 分布式融合技术 |
| 2.3 异步多雷达空间配准和时间配准基本原理 |
| 2.3.1 空间配准 |
| 2.3.2 时间配准 |
| 2.4 本章小结 |
| 第三章 基于三维Hough变换的检测前跟踪方法 |
| 3.1 标准基于Hough变换的检测前跟踪方法 |
| 3.2 基于三维Hough变换的检测前跟踪算法 |
| 3.2.1 基于时间、位置三维信息的异步多雷达目标检测与跟踪 |
| 3.2.2 三维直线的极简参数空间表示方法 |
| 3.2.3 迭代直线检测及后处理 |
| 3.3 仿真及结果分析 |
| 3.4 本章小结 |
| 第四章 基于分段航迹关联的多假设跟踪 |
| 4.1 基于时间窗的区域三维Hough变换 |
| 4.1.1 基于时间窗的区域三维Hough变换 |
| 4.1.2 基于最优次模式分配的航迹相似度计算 |
| 4.2 基于分段航迹的多假设跟踪 |
| 4.2.1 多假设跟踪方法 |
| 4.2.2 基于序贯法的航迹段粘连及航迹后处理 |
| 4.3 仿真及结果分析 |
| 4.4 实测数据验证 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于深度学习与多假设跟踪的多目标轨迹融合算法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 多目标跟踪的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 多目标跟踪算法研究难点 |
| 1.4 论文章节安排 |
| 第二章 基于深度神经网络的行人目标检测 |
| 2.1 神经网络 |
| 2.2 卷积神经网络 |
| 2.3 基于MASK R-CNN的行人检测 |
| 2.4 本章小结 |
| 第三章 基于深度学习与多假设跟踪的多目标跟踪 |
| 3.1 多目标跟踪相关理论 |
| 3.2 改进的多假设跟踪算法 |
| 3.3 正则化最小二乘法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于轨迹融合的多目标跟踪 |
| 4.1 特征提取 |
| 4.2 多目标轨迹融合过程 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
四、多假设跟踪技术综述（论文参考文献）
- [1]多目标跟踪的对象初始化综述[J]. 文成宇,房卫东,陈伟. 计算机科学, 2022
- [2]多行人运动轨迹跟踪的研究[D]. 金跃龙. 山东工商学院, 2021(12)
- [3]复杂场景行人的多目标跟踪方法[D]. 文成宇. 中国矿业大学, 2021
- [4]基于机器学习的多目标跟踪算法研究[D]. 张彩丽. 长春理工大学, 2021(02)
- [5]基于深度学习和粒子滤波的目标跟踪算法研究[D]. 程晶晶. 华东交通大学, 2021(01)
- [6]直方图概率多假设跟踪方法技术综述[J]. 尹立凡,张奕群,王硕,孙承钢. 系统工程与电子技术, 2021(11)
- [7]杂波环境下雷达目标多假设跟踪改进算法研究[D]. 张良成. 四川大学, 2021(02)
- [8]基于深度学习的数据关联多目标跟踪[D]. 章成铭. 电子科技大学, 2020(07)
- [9]多雷达点迹融合前目标跟踪方法研究[D]. 杨升. 西安电子科技大学, 2020(05)
- [10]基于深度学习与多假设跟踪的多目标轨迹融合算法研究[D]. 聂胜男. 福建师范大学, 2019(02)