臺灣博碩士論文加值系統

雷達追蹤系統中，多目標追蹤(Multiple-Target Tracking, MTT)是不可缺少的重要技術。追蹤系統是否能夠正確的預估目標物的真實軌跡其中牽涉兩個問題:資料結合(Data Association technique)與變速度(Maneuvering)檢測。本論文提出運用競爭式類神經網路(Competitive Hopfield Neural Network, CHNN)特殊的運算架構，發展一資料相關結合運算的程序，以輔助雷達追蹤系統。
本論文同時運用影像處理技術，考慮目標物的形態與外觀等，提高目標物被辨認的機率，降低預估的誤差。影像經前處理後，接著擷取目標物的特徵，並運用相似度函數進行影像特徵辨識，最後，以結構相似度(Structural Similarity, SSIM)，求得目標物的影像數值資訊，同時配合CHNN資料結合技術與適應性程序追蹤輔助架構，能更準確追蹤目標。經模擬結果顯示，本論文提出的演算法能在複雜的追蹤環境中，有效降低追蹤多個變速度目標時的追蹤誤差。

In a radar tracking system, the multiple-target tracking (MTT) is an indispensable crucial technique. Whether the tracking system is able to correctly estimate the true target trajectory which involves two key problems that the data association technique and maneuvering detection. In this thesis, proposed applying special operation structure of competitive neural network to develop a computing processing for data association technique, to complement the radar tracking system.
This thesis also applies image processing techniques to consider the type and shape of targets, which will increase the detection probability of targets and reduce the estimation error. After pre-processing for image, extraction the features of targets and then use similarity measurement functions for image features recognition. Finally, we can obtain the targets’ image quantity information by Structural Similarity (SSIM), to combine with CHNN data association technique and adaptive processing. This approach can track the target more accurately. The simulation results indicated that the proposed approach can reduce the tracking error and solve the data association problems under complex conditions.

第一章緒論 1
1.1 研究動機 1
1.2 研究方法 2
1.3 論文架構 3
第二章卡門濾波器 5
2.1 簡介 5
2.2 卡門濾波器之數學導論 6
2.2.1系統動態方程式定義 6
2.2.2卡門濾波器之數學式推導 7
2.2.3擴展型卡門濾波器 13
第三章資料相關結合技術 17
3.1 前言 17
3.2 多目標追蹤程序 17
3.2.1 追蹤起始 18
3.2.2 追蹤更新 18
3.2.3 追蹤刪除 19
3.3 資料相關結合 20
3.3.1 GATE理論 20
3.3.2 Competitive Hopfield Neural Network 21
第四章變速度理論及適應性程序 27
4.1 前言 27
4.2 變速度理論及適應性程序 28
第五章影像處理 31
5.1 前言 31
5.2 色彩空間轉換 32
5.3 目標檢測 33
5.4 空間濾波 34
5.4.1 低通濾波 34
5.4.2 中值濾波 36
5.5 影像分割 37
5.6 形態學 40
5.6.1 膨脹與侵蝕 40
5.7 座標轉換 42
5.8 特徵擷取 43
5.9 影像辨識比對 44
5.9.1 前言 44
5.9.2 影像特徵辨識 45
第六章模擬結果與分析 49
6.1 前言 49
6.2 影像特徵之辨識分析 49
6.3 模擬結果與分析 53
6.3.1 單目標追蹤模擬 55
6.3.2 雙目標追蹤模擬 60
6.3.3 四目標追蹤模擬 66
6.3.4 小結 72
第七章結論 73
參考文獻 74

圖目錄
圖2.1 卡門濾波器運算流程5
圖2.2 卡門濾波器之演算流程11
圖2.3 卡門濾波器完整之一步預估狀態流程圖12
圖2.4 擴展型卡門濾波器運算流程16
圖3.1 多目標系統之追蹤流程圖18
圖3.2 整體追蹤流程19
圖3.3 目標物與量測值關係之Gates 示意圖20
圖3.4 CHNN 架構中，預估目標與量測值關係示意圖22
圖3.5 目標物與量測值排列示意圖24
圖4.1 變速度追蹤理論流程27
圖5.1 影像處理流程31
圖5.2 彩色像素組成之示意圖32
圖5.3 以影像中一點(x, y)為中心的3´3 濾波器34
圖5.4 低通濾波後影像結果比較35
圖5.5 常見的3´3 低通濾波器35
圖5.6 低通濾波器運算程序36
圖5.7 中值濾波後影像結果比較37
圖5.8 灰階影像之直方圖38
圖5.9 灰階影像之直方圖39
圖5.10 臨界值法比較39
圖5.11 連通示意圖40
圖5.12 影像的膨脹與侵蝕41
圖5.13 影像正規化後的位移量42
圖5.14 影像切割後之子影像44
圖6.1 F-16 樣板影像50
圖6.2 M-2000 樣板影像51
圖6.3 X-35 樣板影像52
圖6.4 演算法一之單目標追蹤軌跡56
圖6.5 演算法二之單目標追蹤軌跡57
圖6.6 演算法三之單目標追蹤軌跡57
圖6.7 演算法四之單目標追蹤軌跡58
圖6.8 演算法一之單目標追蹤誤差58
圖6.9 演算法二之單目標追蹤誤差59
圖6.10 演算法三之單目標追蹤誤差59
圖6.11 演算法四之單目標追蹤誤差60
圖6.12 演算法一之雙目標追蹤軌跡62
圖6.13 演算法二之雙目標追蹤軌跡62
圖6.14 演算法三之雙目標追蹤軌跡63
圖6.15 演算法四之雙目標追蹤軌跡63
圖6.16 演算法一之雙目標追蹤誤差64
圖6.17 演算法二之雙目標追蹤誤差64
圖6.18 演算法三之雙目標追蹤誤差65
圖6.19 演算法四之雙目標追蹤誤差65
圖6.20 演算法一之四目標追蹤軌跡68
圖6.21 演算法二之四目標追蹤軌跡68
圖6.22 演算法三之四目標追蹤軌跡69
圖6.23 演算法四之四目標追蹤軌跡69
圖6.24 演算法一之四目標追蹤誤差70
圖6.25 演算法二之四目標追蹤誤差70
圖6.26 演算法三之四目標追蹤誤差71
圖6.27 演算法四之四目標追蹤誤差71

表目錄
表5.1 各類型之轉換矩陣43
表5.2 各種相似度函數48
表6.1 各種相似度函數之影像辨識結果53
表6.2 單目標之初始位置55
表6.3 單目標之變速度區間設定55
表6.4 單目標各種演算法追蹤結果比較56
表6.5 雙目標之初始位置60
表6.6 雙目標之變速度區間設定61
表6.7 雙目標各種演算法追蹤結果比較61
表6.8 四目標之初始位置66
表6.9 四目標之變速度區間設定66
表6.10 四目標各種演算法追蹤結果比較67

[1] Y. Bar-Shalom and T.E. Fortmann, “Tracking and Data Association,” Academic Press, 1989.
[2] J.A. Roecker, “Multiple scan joint probabilistic data association,” IEEE Transactions on, Aerospace and Electronic Systems, Vol. 31, Issue 3, pp. 1204-1210, 1995.
[3] S. Puranik and J.K. Tugnait, “Tracking of Multiple Maneuvering Targets using Multiscan JPDA and IMM Filtering,” IEEE Transactions on Aerospace and Electronic Systems, Nol. 43, No. 1, pp. 23-35, 2007.
[4] Y.N. Chung and D.L. Gustafson, and E. Emre, “Extended Solution to Multiple Maneuvering Target Tracking,” IEEE Transactions on Aerospace Electronic Systems, Vol. AES-25, pp.876-887, 1990.
[5] Y.N. Chung and M.T. Lin, “A Muliti-Target Tracking Algorithm Using Variable Sampling Rate,” J. of Control. Vol.3, No.1, pp.33-41, 1995.
[6] Y.N. Chung, P.H. Chou, H.-T. Chen and F.P. Chou, “A Dynamic Multiple Sensor for Radar Maneuvering Target Tracking Problems”, Journal of Information Science and Engineering, Vol. 23, No. 6, pp. 1833-1847, 2007.
[7] Y.N. Chung, D.J. Juang, T.C. Hsu, C.H. Chang, M.R. Yang and S.P. Hsu, “An Extended Multiple-Model Estimator Radar Maneuvering Target Tracking,” Journal of Aeronautics Astronautics and Aviation Series A, Vol. 40, No. 2, 2008, pp. 99-104.
[8] 陳沛琨,胡國昌,鍾翼能, “利用適應性多模預估器作目標變速度追蹤,” 國防科技學術研討會, pp.455-460, 2008.
[9] L. Chin, “Application of Neural Networks in target tracking data fusion, “IEEE Transactions on Aerospace and Electronic Systems, 30, 281-287, 1994.
[10] B. Zhou, and N.K. Bose, “A Comprehensive Analysis of Neural Solution to the Multitarget Tracking data association problem,” IEEE Transactions on Aerospace and Electronic Systems, pp.260-263, 1993.
[11] Y.N. Chung, P.H. Chou, M.R. Yang and H.T. Chen, “Mulitple-Target Tracking with Competitive Hopfield Neural Network-based Data Association”, IEEE Transactions Aerospace on Electronic Systems, Vol. 43, No. 3, pp. 1180-1188, 2007.
[12] P.C. Chung, C.T. Tsai, E.L. Chen and Y.N. Sun, “Polygonal Approximation Using A Competitive Hopfield Neural Network ,” Pattern Recognition, 27, 11, pp.1505-1512, 1994.
[13] 陳沛琨, “應用多感測器資料融合技術於影像分析及目標追蹤之研究,” 國立彰化師範大學, 電機工程學系, 碩士論文, 2009.
[14] 黃聖強, 吳承翰, 蘇進東, 鍾翼能,“融合影像及數值資訊於多目標追蹤系統,”2010, 資訊科技國際研討會, No.218
[15] H. Chen and K.C. Chang, “Novel Nonlinear Filtering & Prediction Method for Maneuvering Target Tracking,” IEEE Transactions on Aerospace and Electronic Systems, Volume 45, Issue 1, pp.237 – 249, 2009.
[16] A. Punithakumar, K. Kirubarajan and T. Sinha, “Multiple-model probability hypothesis density filter for tracking maneuvering targets,” IEEE Transactions on Aerospace and Electronic Systems, Volume 44, Issue 1, pp.87 – 98, 2008.
[17] D.F. Bizup and D.E. Brown, “Maneuver detection using the radar range rate measurement,” IEEE Transactions on Aerospace and Electronic Systems, Vol. 40, Issue 1, pp.330-336, Jan 2004.
[18] F.B. Duh and C.T. Lin, “Tracking a maneuvering target using neural fuzzy network,” IEEE Transactions on, Systems, Man, and Cybernetics, Part B, Vol. 34, Issue 1, pp.16- 33, Feb. 2004.
[19] Y.N. Chung, P.H. Chou, H.T. Chen and F.P. Chou, “A Dynamic Multiple Sensor for Radar Maneuvering Target Tracking Problems,” Journal of Information Science and Engineering, Vol. 23, No. 6, pp. 1833-1847, 2007.
[20] S.J. Godsill, J. Vermaak, W. Ng and J.F. Li, “Models and Algorithms for Tracking of Maneuvering Objects Using Variable Rate Particle Filters,” Proceedings of the IEEE Volume 95, Issue 5, May 2007, pp.925 - 952.
[21] M.S. Grewal and A.P. Andrew, “Kalman filtering, Theory and Practice,” Prentice Hall Inc., 1993.
[22] 繆紹綱 譯, “數位影像處理, ” 東華書局, 2005.
[23] 鍾國亮 著, “影像處理與電腦視覺第四版,” 東華書局, 2008.
[24] 連國珍 著, “數位影像處理, 儒林書局, ” 2008.
[25] 賴岱佑 著, “數位影像分析之智慧型監視系統, ” 文魁資訊, 2008.
[26] Z. Wang and E.P. Simoncelli, “Translation Insensitive Image Similarity in Complex Wavelet Domain,” IEEE International Conference on, Acoustics, Speech, and Signal Processing, Proceedings, Vol. 2, pp. 573-576, 2005.
[27] Z. Wang, A.C. Bovik, H.R. Sheikh and E. P. Simoncelli, “Image Quality Assessment: From Error Visibility to Structural Similarity,” IEEE Transactions on Image Processing, Vol. 13, NO. 4, 2004
[28] M.Z. Brown, D. Burschka and G.D. Hager, “Advances in Computational Stereo,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 25, No. 8, 2003.
[29] 許哲魁, “影像相似度評估函數之分析與比較,” 國立交通大學, 資訊工程學系, 碩士論文, 2002.
[30] 劉立宇, “相似訊號的計算與比較研究,” 國立臺灣海洋大學, 資訊工程學系, 碩士論文, 2005.