文献[1]，交互多模型粒子滤波器

提出了一个新的方法：基于马尔科夫交换系统的多模型粒子滤波器。该滤波器利用交互式模型过滤器（IMM）和正则化粒子滤波器（正则化粒子滤波器概率密度是高斯概率密度的混合）的相互作用来处理非线性和非高斯噪声。在每个模式中使用固定数量的粒子，可避免现有的马尔科夫交换系统的多模型粒子滤波器的缺点，即没有在每个模式中控制粒子的数量。

         基于标准IMM滤波器和正则化粒子滤波器相结合的多模型滤波方法：算法包含三个阶段，交互阶段，滤波阶段，融合阶段。（将马尔科切换过程用于模式转换中）。算法的输出是给定所有测量阶段的后验概率密度。（过程噪声分布中抽取样本算法就能够处理任何过程噪声）。

文献[2]，一种基于动态规划法的雷达微弱多目标检测方法

利用动态规划可以有效的积累能量的特点来对多个微弱目标信号积累后得到数据图像，再有数据图像的特点进行求极值，从而实现对多目标进行检测。文献[2]中对算法的虚警概率和检测概率做了仿真，得出基于动态规划的极值法带来了4-5dB的非相参积累增益。

         具体内容：利用积累后的图像中每一个凌锥形凸起的峰尖位置即是每个目标当前所在的位置这一特点，把积累后的图像数据先经过恒虚警检测，然后通过求极值的方法提取出每个目标所在的位置，从而邮箱的将动态规划算法应用于雷达微弱目标的检测中。

         动态规划的极值法：1.动态规划积累实现回波成像（回波数据---FFT---距离单元和多普勒分辨单元为轴二维图像帧）2.门限检测：对各分辨单元的能量积累值（即损失函数）做恒虚警检测 3.极值法提取目标：（目标周围8点区域和24点区域，求最大值）

仿真环境：已知某雷达的波长λ=1.5m,脉冲重复周期PRT=3ms ,距离分辨单元0 .375km ,输入信号信噪比SNR =-12dB, FFT相参积累点数为256点, 共积累15帧.目标运动参数:目标1 :初始速度 90m/s , 初始距离7km ,加速度0.8m/ s, 目标幅度1 .目标2 :初始速度70m/s ,初始距离6km ,加速度0.8m/s ,目标幅度1。

文献[3]，基于动态规划的多目标检测前跟踪算法，本文针对低信杂比条件下的多目标检测与跟踪问题，提出了一种基于动态规划的多目标检测前跟踪算法。文献中讨论的多目标系统模型考虑了量测误差和虚警，但是没有考虑共同量测的影响，即目标的航迹是完全分离的，任何两条航迹都不拥有同一个量测。

算法的基本流程：1，应用动态规划之前，应先将由量测集形成的搜索网络转成扩展网络。在扩展网络中应用动态规划算法得到的单条最佳路径必然是包含K条路径的路径集。2.考虑如何在扩展网络中确定属于不同扫描次数的两元素是否互联及其互联模式。文献中利用最小熟读准则判断两元素是否互联，用最小距离准则确定两元素之间的互联模式。

基于动态规划的多目标TBD算法的基本过程：

1. 将由量测集Z形成的原始网络转换成扩展网络。
2. 用经典的动态规划算法在扩展网络中搜索单条最佳路径。其中轨迹度量被定义为形成该轨迹的所有元素总和。
3. 将在扩展网络中获得的最佳路径转换成原始网络中K个元素的K条路径。

仿真环境：以检测两个匀速直线运动的目标为例。比较K=1，K=2，K=3时算法的检测结果。扫描次数为20，每次扫描的平均杂波数为  ，信号干扰功率比为SIR=2dB。

文献[4]，-在随机到达脉冲干扰的条件下，对具有OS CFAR处理器的霍夫检测器的研究

文献[4]中研究背景为：在存在随机到达干扰、泊松分布流、罗里幅度分布的的情况下。研究内容：比较两种Hough恒虚警检测器的性能（OS CFAR/CA CFAR）,前者更有效。Hough OS CFAR和传统的OS CFAR相比，前者可以大大降低可检测损失，并对小信噪比更有效。

仿真环境：信号模型的构建，假设样本在统计学上是独立的，则参考窗口的概率密度函数（PDF）的输出为：

其中是接收机噪声的平均功率，是平均长度出现脉冲干扰概率，是平均干扰噪声比， 是没脉冲平均干扰波数比（INR）。

测试分辨分辨单元跟聚Swerling II 概率密度函数（PDF）表示为：

其中s表示为脉冲的平均信噪比（SNR）。

文献[5]，一种基于二阶 Markov 目标状态模型的多帧关联动态规划检测前跟踪算法

针对传统动态规划检测前跟踪算法的不足（在每一阶段的数据关联中，仅用当前帧的观测数据进行关联积累，对目标状态在连续相邻帧间的相关性以及目标运动特征的考虑不充分，容易发生目标关联错误。）文献[5]中提出的算法是以目标的状态的条件概率比最大为准则，采用二阶马尔科夫模型描述目标状态的相关性，并根据目标运动特征给出了一种与目标转弯角度相关的状态转移概率模型。

文献[6],一种新型的基于动态规划的跟踪前检测编程（TBD）算法

文献中提出了雷达系统中多帧检测的新程序，所提出的架构由预处理阶段和TBD检测器组成（从原始数据中提取一组参考值）特点是：它们共同处理多个扫描（或帧）的观察结果，并确认可靠的图。此外用于TBD检测器的动态规划算法不需要状态空间离散化并且直接在输入图标上操作。同时，文献[6]也给出了一种用于解决轨迹形成步骤中可能出现的数据关联的简单算法，并提供了一个彻底的复杂度和性能指标的分析（与维特比算法进行比较，较好）。

       主要内容：1.遵循MFD的原子方法，提出了两阶段检测架构。第一阶段是经典检测器和绘图提取器，降低阈值一获得更丰富的候选图。第二阶段是一个TBD检测器，利用不同扫描采集的候选图之间的时空相关性来确认或删除他们。2.用一种新的动态规划算法来计算在第二阶段所需的测试统计。该算法直接在候选图上运行，并且有效的考虑了他们的数量通常比传感器的分辨率元素小的多的特点。

       仿真条件：扫描的第一个图为5维向量。轨迹约束条件考虑有最大目标速度，和最大目标加速度。并给出了速度和加速度的约束条件，和标准偏差的表达式以及均方误差的定义式。

       算法描述：1.轨迹形成，2.轨迹修正，3.候选图确认，4.轨迹平滑

文献[7]，基于上下文相互作用学习的最优参数的多目标跟踪技术研究

文献中采用的端对端的框架：用于学习二次轨迹交互的最小成本流多目标跟踪问题的参数，包括抑制重叠轨迹和不同对象共现的语境线索。在学习框架中，评估两种不同方法在二次模型目标下找到最佳轨迹集，一种是基于线性规划（LP）方法，一种是基于处理成对相互作用的动态规划的新颖贪心变体算法，后者比前者的精度高，准确性更好。算法利用了具有跟踪特定损失函数的结构化预测来学习完整的模型参数集合。

       文献[7]中引入一个简单的多目标，多类别跟踪模型，通过轨道之间的二次交互来扩展最小成本流，以便捕获帧内的上下文相互作用。为了进行推理，文献[7]提出了一系列贪心动态规划（DP）算法，它们可以与二次跟踪目标的线性规划松弛一样，产生高质量的解决方案，同时比通用线性程序（LP）求解器快得多。参数学习包括剖切面优化和跟踪损失函数的定义。

       仿真条件：KITTI数据集:一个测试交通场景中车辆检测、车辆跟踪、语义分割等算法的公开数据集。MOT基准（关键时刻）。数据集分为11个训练序列和11个测试序列，测试集的实地标签在私有服务器上进行。PETS09数据集和单个TUD中心序列的五个序列组成，两个检测位置之间最多有10帧的间隙，并在训练阶段将视频分割成15帧长的序列。

         Future Work：将基于外观的亲和特征（如RGB直方图或HOG）添加到我们模型中没有发现显著的优点，但是许多最先进的执行层次结构的系统或数据流关联，其涉及从长时间的轨道收集样本以在线的方式来训练目标特定的外观模型轨迹。这种改进的外观模型可以使用我们的框架，提供了一种从数据自动估计超参数的方法来探索更复杂的亲和特征。此外，在这种层次学习的框架下还可以引入更丰富的轨迹级语境特征。

文献[8],基于空间-时间-视觉超图的多摄像机多目标跟踪的研究

文献[8] 结合多台相机来提高对闭塞和外观模糊的多目标跟踪的方法的性能和鲁棒性。提出一种基于空间-时间-视图的超图新型多目标跟踪方法，即高阶约束的编码方法。（STV超图、3D轨迹重建、密集子超图搜索、多视图轨迹关联、2D轨迹的高阶亲和度）。多目标跟踪方法存在的问题：现有的多目标跟踪算法中大多数使用单个摄像机视图，但由于目标遮挡和不明确的外观，算法的性能会出现错误/错失检测。解决方案：利用从不同但重叠的摄像机视图收集的检测数据，可以有效解决这类问题，从而提高算法性能。多目标跟踪的应用领域：流量监控、视频监控、人群分析。

         传统的多相机多目标跟踪方法步骤及缺点：1.重复单次视图跟踪，在每个单独的摄像机视图中查找轨迹；2.使用3D几何约束交叉观察2D轨迹的重建。缺点：没有利用单视图跟踪和交叉视图重建提供相互引导信息的事实：几何约束可以排除错误检测并改善每个视图中的跟踪链接，同时在各个视图中链接轨迹可以补偿噪音和异常值的影响经常困扰的重建步骤。

         基于空间-时间-视觉超图的多摄像机多目标跟踪的算法，为了在多个视图中正确的关联轨迹并最终重建3D轨迹，文献[8]进一步对STV超图上密集子超图进行搜索，对应于包含节点和超边缘的较高权重的子超图，以及然后在这些子超图中累积连接耦合。

文献主要贡献：1. 多视图输入-构建STV超图-利用空间时间视图轨迹的高阶相关性的推断提出基于超图的单视图多目标跟踪方法，2. STV超图上搜索密集子超图-基于抽样的近似方法-在时间空间并入高阶依赖性，解决闭塞和外观模糊的问题，3.在时间和空间之间并入高阶依赖关系，提高闭塞和外观模糊的鲁棒性。4.数据集：the PETS2009 dataset 和MOTChallenge。

Future Work: 1.通过多目标跟踪和3D重建来恢复相机参数、从多个图像序列中恢复相机参数。2.从假设的静态摄像机到自我运行的摄像机，子超图密集搜索方法用基于超图拉普拉斯算子的方法替代。3.调查比较不同优化策略来解决密集超图检索问题。4.推出多摄像机跟踪方法的极限测试，并将类似的方法扩展到摄像机视图重叠较少的场景。

文献[9]，在无线传感器网络中，基于增广状态的多目标跟踪算法

本文提出了基于增广状态的多目标跟踪算法，能够有效的减少数据关联（利用目标的位置状态和分布式方式解决速率状态）的计算复杂度，同时也可作为简化贝叶斯估计的一种方法。相比传统的算法，计算量小，精确度高，尤其在跟踪检测交叉的机动目标。（仿真中用均方根误差估计测量值和真实值）

术语名词缩写：micro-electro-mechanical systems (MEMS)、wireless sensor networks (WSNs)、the multi-target tracking (MTT) 、augmented state-based multi-target tracking (ASMT)。WSNs的新技术应用场景：目标检测、蓝绿藻检测、智能交通系统。

文献[10]，基于融合结构的性能优化学习用于多传感器目标跟踪

由移动节点和非相关目标及一些限制（通信带宽和测量距离）引起的任务网络系统发生时变的情况，使得必须动态的调整系统的融合结构包括传感器和融合方法。针对这一问题文献[10]提出了一种灵活融合算法，使用优化学习技术，动态的确定传感器的数字和选择相关传感器参与集中式和分布式融合过程。

实验仿真指标：跟踪精度（为了保证跟踪精度的要求，我们必须增加集中融合节点的数量，从而导致系统生存指标与跟踪精度指标之间的相互限制关系。）和生存能力（影响生存能力指标的因素包括数据通信网络节点/平台和融合中心，雷达辐射等。由于更多的信息，可以提高融合精度。同样，更多的信息沟通将导致非合作目标被发现的可能性更大，即应该增加非合作目标发现的风险，减少跟踪系统的生存能力。）。生存能力指数主要由数据通信流量确定，可以通过本地传感器节点与融合中心之间的数据通信时间（时间计算公式）来测量。

多步骤解决方案策略和蚁群优化算法用于解决设计的模型。改善自我调整目标跟踪融合系统的能力，系统优化目标是在一定资源内最大化系统性能，解决系统资源优化配置问题，保证了多平面协同跟踪任务成功完成。

系统描述和融合方法：给出了非线性目标跟踪系统状态模型、针对系统集中融合节点和分布式节点采用维扩展融合方法和局部估计加权融合方法。

系统性能分析：解决最优传感器子集选择的问题，最好的方法是选择传感器的最佳组合和每个目标的融合方法的最佳组合来获得最佳的跟踪性能。因此动态传感器管理是一个传感器网络系统的重要环节，同时控制传感器的最佳工作状态可以大大提高系统性能。

仿真条件：单目标和多目标两种情况。给出二维雷达系统中，目标的量测方程。

文献[11]，基于交互似然的多伯努利滤波器多目标图像跟踪算法

文献[11]中的基本内容如下：

1.为序列蒙特卡洛（SMC）增加了交互似然技术（ILH）。ILH通过减少数据关联的需求改善跟踪精度。以非迭代地计算，以阻止跟踪器从区域中进行采样属于不同的目标。

2.整合了用于行人检测的深层神经网络以及多伯努利的ILH滤波。深层网络按顺序有五层组成：1.卷积层，2.平均汇集层，3.第二卷积层，4.变形层，5.可视性推理和分类层。

3.ILH利用了任何给定图像观察中存在的空间信息，减少了数据关联的需要，它可以通过修改连续的蒙特卡洛取样过程来实现，使邻近的相似目标的空间概率分布不重叠。进而基于交互似然的多伯努利滤波器减少了这些目标之间的混淆，从而避免了这些具有挑战性的场景中的估计误差。增加了多伯努利滤波器的跟踪精度。

4.ILH是通过粒子的似然函数和其他现有目标的所有其他粒子的距离（以像素为单位）成比例来完成，允许更大的粒子和目标相互作用。所提出的ILH的重要特征是完全在RFS-贝叶斯框架内构建，从而不需要启发式的数据关联方法。

5.在确定ILH参数时可以基于数据集特征自动学习这些参数，特别地，可以使用通过数据集的特征参数化的先验概率分布（如视频分辨率）来估计贝叶斯框架内的参数。可以使算法性能提高。

6.基于RFS的跟踪方法需要出生和死亡模型。

术语名词缩写：interactive likelihood (ILH)、sequential Monte Carlo (SMC)、Multi-target tracking (MTT)、Bayesian random finite set (RFS)：贝叶斯随机有限集、the joint probabilistic data association filter (JPDAF)：联合概率数据关联过滤器、the multiple hypothesis tracking (MHT)：多次假设跟踪。

文献[12]，在存在ECM的情况下，基于软和进化计算数据关联的多目标跟踪方法

文献[12]的基本内容：

FCM缺点：集群中心可能会降至局部最小值。（基于FCM的数据关联技术在存在高杂波和干扰场景的情况下不稳健，这导致集群中心在局部最小值中下降，反过来又产生违反直觉的结果。）

解决方法：Fuzzy-PSO和Fuzzy-GA相结合的新的混合数据关联方法（确定关联矩阵、减少关于观测概率分布和杂波密度的信息、基于随机优化技术随机化和局部搜索）可以克服局部最小值的鲁棒问题。

方法步骤：1.计算关联权重，2.计算更新的状态估计和协方差矩阵。

实验条件：相控阵雷达、100个蒙特卡洛、（线性交叉目标，并行目标，线性和非线性交叉目标以及非线性交叉目标）、存在干扰：ECM、杂波、虚警。

实验方法：JPAD/FCM/Fuzzy-PSO/Fuzzy-GA四种方法

实验结果：Fuzzy-GA在位置和速度及均方误差上有更好的性能分别用于交叉线性目标，FCM在平均执行时间提供了更好的性能。

术语名词缩写：electronic countermeasures (ECM)：电子干扰、Joint probabilistic data association (JPDA)：联合概率数据关联、Fuzzy clustering means (FCM):模糊聚类、fuzzy particle swarm optimization (Fuzzy-PSO)：模糊粒子群优化、fuzzy genetic algorithm (Fuzzy-GA)：模糊遗传算法。

数据关联问题分为两类：all neighbor 和 nearest- neighbor data association。最近邻数据关联的方法有：Nearest neighbor filter (NNF) 和 strongest neighbor filter (SNF)。

参考文献

[1]      Boers Y, Driessen J N. Interacting multiple model particle filter[J]. 2003, 150(5):344-349.

[2]      宋慧波, 高梅国, 田黎育,等. 一种基于动态规划法的雷达微弱多目标检测方法[J]. 电子学报, 2006, 34(12):2142-2145.

[3]      Yong H, Jiang G F, Qiu K L, et al. Radar Track-Before-Detect Algorithm of Multitarget Based on the Dynamic Programming[J]. Acta Electronica Sinica, 2006, 34(12):1-4.

[4]      Doukovska L, Kabakchiev C, Kyovtorov V, et al. Hough detector with an OS CFAR processor in presence of randomly arriving impulse interference[C]// Radar Conference, 2008. EuRAD 2008. European. IEEE, 2008:332-335.

[5]       郑岱堃, 王首勇, 杨军,等. 一种基于二阶 Markov 目标状态模型的多帧关联动态规划检测前跟踪算法[J]. 电子与信息学报, 2012, 34(4):885-890.

[6]       Grossi E, Lops M, Venturino L. A Novel Dynamic Programming Algorithm for Track-Before-Detect in Radar Systems[J]. IEEE Transactions on Signal Processing, 2013, 61(10):2608-2619.

[7]       Wang S, Fowlkes C C. Learning Optimal Parameters for Multi-target Tracking with Contextual Interactions[J]. International Journal of Computer Vision, 2016:1-18.

[8]       Wen L, Lei Z, Chang M C, et al. Multi-Camera Multi-Target Tracking with Space-Time-View Hyper-graph[J]. International Journal of Computer Vision, 2016, 122(2):1-21.

[9]      Kejiang Xiao, Rui Wang, Lei Zhang,Jian Li, Tun Fun. ASMT: An augmented state-based multi-target tracking algorithm in wireless sensor networks[J]. INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS,2017,13(4):1-9

[10]   Q Ge, Z Wei, T Cheng, S Chen, X Wang. Flexible Fusion Structure-Based Performance Optimization Learning for Multisensor Target Tracking[J]. Sensors 2017, 17, 1045; doi:10.3390/s17051045

[11]   Hoak A, Medeiros H, Povinelli R J. Image-Based Multi-Target Tracking through Multi-Bernoulli Filtering with Interactive Likelihoods[J]. Sensors, 2017, 17(3).

[12]   Satapathi G S, Srihari P. Soft and evolutionary computation based data association approaches for tracking multiple targets in the presence of ECM[J]. Expert Systems with Applications, 2017, 77:83-104.

多目标跟踪2017-6-19文献总结