目标数据

目标数据（共9篇）

目标数据 篇1

0 引言

连续波雷达测量目标速度的本质是测量雷达接收目标回波的多普勒频移。当目标做非匀速运动时, 目标回波的多普勒频移不是常数, 而是关于时间的函数, 此时的回波信号称为时变信号[1,2]。对于时变信号, 在很短的一段时间内, 可把目标的运动近似为匀加速运动, 此时回波信号可近似为线性调频信号。

低空搜索连续波雷达要求在天线高速转动的同时给出目标精确的方位数据, 因而在去除虚警、目标数据相关处理和目标航迹处理方面存在很大难度。本文研究低空搜索连续波雷达多目标实时处理算法, 实现数据自动处理, 实时角度测量。并将连续波雷达多目标数据处理算法应用于雷达终端, 在雷达终端内完成雷达数据的建模和实时处理, 实现航迹数据的时标嵌入、相关、匹配、平滑滤波、预测和航迹动态管理等功能[3,4]。

1 多目标处理程序获取雷达数据过程

本文所涉及的连续波雷达航迹处理的参数来自经2路天线处理出的目标点迹数据, 天线的电轴在方位上互成180°。雷达在大空域搜索时, 2个天线在俯仰方向上各覆盖不同的空域, 是单个天线俯仰方向覆盖空域的2倍, 雷达终端航迹处理向雷达通信口发送时隙或命令, 当雷达发现目标时可实时送出目标参数。由于测量过程中有测量噪声及杂波等诸多因素影响天线的目标回波, 所以雷达检测到的目标参数都含有一定的虚警, 航迹处理利用目标信息的相关性及噪声的不相关性, 去掉虚警数据, 保留目标真实信息, 并将两天线来的数据进行融合, 给出目标的真实坐标和速度参数[5,6,7,8,9]。

雷达主机对目标回波进行恒虚警检测, 获得目标的距离R、方位A、速度S、俯仰E、幅度P和时间T等发送给终端, 终端将接收到的目标数据进行相关, 虚警滤除, 平滑滤波处理获得目标的批次, 航迹参数, 然后显示输出、存储, 以特定协议向上级或指定设备发送数据。雷达数据处理流程如图1所示。

2 数据相关处理

目标相关处理分为方位/时间相关处理和位置相关处理、速度相关处理。

2. 1 方位 /时间相关处理

假设在N 1 时刻 ( 对应方位角α1 ) 接收并检测到目标在位置A的一次回波参数, 则同一天线下一旋转圈中的N 2 时刻 ( 对应方位角α2 ) , 假设目标已运动到位置B时收到该目标的第2次回波。目标运动方位相关图如图2所示。

设天线旋转一周时间为T, 则

ΔR为目标在N 1 ~ N 2 时刻飞行的距离, R为目标在位置A时到雷达站间的距离, 假设目标以速度V飞行, 可知下式成立:

目标的方位/时间相关门是随距离和速度而变化的, 对同一目标而言, 其线速度在一段短时间内可认为是匀速的, 因此方位/时间相关门的大小在匀速条件下随距离增大而减小, 可按照反比关系求得。

2. 2 位置相关处理

当目标回波的点迹符合相位/时间相关条件后, 则进入位置相关处理。位置相关处理分2种情况: 第1种情况是要进行位置相关处理的历史点迹在以前天线扫描周期内为孤立点迹, 不曾相关上; 第2种情况是要进行位置相关处理的历史点迹在前一圈天线扫描周期内已相关过一次, 本次为2次以上位置相关判断[10,11]。

2. 2. 1 对第 1 种情况的位置相关处理

假设在N 1 时刻天线上圈扫描过目标, 其位置在A处, N 2 时刻本圈天线扫描过同一目标, 其位置已运动到B处。

如果A、B的距离为ΔR, 则ΔR同时满足式 ( 4) 和式 ( 5) , 可认为A、B两点位置相关。

2. 2. 2 对第 2 种情况的位置相关处理

假设天线前2圈在N 0 时刻扫描过目标, 位置在A处; 在N 1 时刻天线前一圈扫描过同一目标, 位置在B处; 在N 2 时刻本圈天线扫描过同一目标, 其位置已运动到C处, 如图3所示。

根据假设B点历史上已和A点相关过一次, 根据A和B两点的位置坐标, 利用α、β或α、β、γ 滤波算法, 可计算出C点的预测位置C'点, 当实测点C和预测点C'的坐标位置关系同时满足式 ( 6) 、式 ( 7) 或式 ( 8) 、式 ( 9) , 则认为目标C点和B点位置相关, 这里的相关门为部分圆环门相关。

式中, R C 为本次实测目标位置的距离R坐标; A C 为本次实测目标位置的方位角A坐标; R C' 为预测目标位置的距离R坐标; A C' 为预测目标位置的方位角A坐标; ΔR为目标的R位置坐标的相关门限; ΔA为目标的A位置坐标的相关门限。

式中, X C 为本次实测目标的X位置坐标; X C' 为预测目标的X位置坐标; Y C 为本次实测目标的Y位置坐标; Y C' 为预测目标的Y位置坐标; ΔX = 目标的X位置坐标的相关门限; ΔY =目标的Y位置坐标的相关门限。

2. 3 速度相关处理

对于位置相关处理通过的新点迹, 要进行速度相关处理, 假定运动目标在短时间内是匀速直线飞行, 因此其飞行方向的线速度, 可认为在连续2次天线扫过目标时不变或变化很小, 即飞行线速度具有相关性[12,13,14]。

图4中, 假设t 2 时刻接收到的目标回波位置为A 1 , t 1 时刻为A 2 。两时刻差 ( t 2 - t 1 ) 为天线2次扫过的间隔。对应的斜距分别为R 1 、R 2 , 径向速度为, 则通过以下的计算来判断2点的速度相关性:

①计算2点的距离ΔR。

②利用余弦定理计算α角。

③计算捷径D。

④通过捷径D计算β角。

⑤通过, 计算A 2 A 1平均线速度。

⑥通过α角计算A 2 点在A 2 A 1 方向上的速度。

⑦同理, 通过β角计算A 1 点在A 2 A 1 方向上的速度。

2点速度相关性判断条件, 需满足:

判断依据: 2点是同一目标在不同时刻的测量值, 假设目标是匀速直线飞行。判断速度相关性的原理为: 2点间的位移不应超过最大速度乘以天线旋转周期; 2点参数为距离、径向速度和方位, 其径向速度在A 2 到A 1 方向上的分量应和通过位移计算的速度匹配。

3 仿真及试验情况

以连续波雷达为数据采集平台进行了数据录取, 航迹关联处理算法是在录取的原始数据基础上进行的。录取数据的雷达主要参数为:

雷达波段: X波段;

雷达波束宽度: 3°;

雷达距离分辨率: 150 m;

雷达速度分辨率: 5 m/s;

图5 ( a) 为录取的原始数据, 其中包括了一条真实目标航迹和很多虚假目标, 目标为某型飞机, 远离雷达飞行, 速度约为70 m/s。雷达航迹图正上方为零密位指向, 最外圈为半径为20 km。

图5 ( b) 为经过航迹相关处理仿真后得到的结果, 可以看出虚警点都被有效地滤除, 真实的目标航迹被完整的保留下来。

4 结束语

针对连续波低空搜索雷达进行了多目标关联数据处理方法的研究, 并在雷达设备配属的终端内完成了雷达数据处理试验, 进行了多目标雷达数据处理算法建模, 采用了方位/时间相关、位置相关和速度相关等多重处理, 对目标数据相关处理方法进行了深入研究。上述研究的低空探测连续波雷达多目标数据处理算法, 已经过仿真及多次外场试验, 取得了良好的效果。

摘要：连续波搜索雷达在低空目标探测方面有着固有的优势, 但处理低空多目标雷达数据时, 在去除虚警、目标相关和航迹处理等方面存在很大难度。研究低空探测连续波雷达多目标数据处理算法, 应用于连续波低空搜索雷达数据终端, 对目标回波和虚警数据进行实时相关和航迹处理、虚警滤除, 获得真实目标的航迹参数, 实验结果达到了系统精度要求。

关键词：连续波雷达,低空探测,多目标处理

目标数据 篇2

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提.本文采用改进的`模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪.仿真实验结果说明了本文方法的有效性.

作 者：韩红 韩崇昭 朱洪艳 刘允才 作者单位：韩红(上海交通大学自动化系,上海,30;西安交通大学综合自动化研究所,西安,710049)

韩崇昭,朱洪艳(西安交通大学综合自动化研究所,西安,710049)

刘允才(上海交通大学自动化系,上海,200030)

目标数据 篇3

以往对于舰机活动数据的处理,多注重于实时系统,反映实时情况,利用信息的实效性。而对于保存的大量此类数据却再无他用,但活动目标规律如关联规律、时间序列规则恰恰隐藏在一段时期内的数据中,而单独凭借人脑来发现这些规律是不现实的。将数据挖掘技术应用到该领域中,运用统计学原理以及数据挖掘算法对一定时期的舰机活动数据进行分析、处理,从而挖掘出舰船与舰船、飞机与飞机、舰船与飞机间协同活动的关联关系及时序规则,有效支持辅助决策。

1数据挖掘概念及应用

所谓数据挖掘是指从大量、不完全、有噪声、模糊、随机的数据中,通过设置一定的学习算法,提取隐含在其中的、人们事先不知道但又是潜在有用的信息的过程。

数据挖掘一开始就是面向应用的,将数据挖掘技术应用到海空活动目标数据中是数据挖掘一个新的应用。通过应用数据挖掘,发现大量信息背后隐藏的有价值信息,是一种新的尝试。

本文涉及到的数据挖掘处理与流程如图1所示,介绍2种主要应用技术。

1.1关联规律

1.1.1 单维布尔关联规则

在舰机数据中应用此技术,一种飞机与另一种飞机相继出现就反映了一种关联规律。可以针对感兴趣的地域,综合考察目标间活动的关联关系,从而得到有意义的目标间关联规律。关联规律概念及算法如下:

给定一组项目I={I1,I2,I3…,Im}和一个事务数据库D={t1,t2,…,tn},其中ti={Ii1,Ii2,Ii3,…,Iik}并且Iij∈I,关联规则是形如X=>Y的蕴涵式,其中X,Y∈I是2个项目集合,称为项目集并且X∩Y=Φ。

关联规则X=>Y的支持度(s)是数据库中包含X∪Y的事务占库中所有事务的百分比。

关联规则X=>Y的置信度或强度(a)是包含X∪Y的事务数与包含X的事务数的比值。

1.1.2 关联规律典型的算法——Aprior算法

Aprior算法将发现关联规则的过程分为2个步骤:第1步通过迭代,检索出事务数据库中的所有频繁项集,即支持度不低于设定的阈值的项集;第2步利用频繁项集构造出满足最小信任度的规则。其中,挖掘或识别出所有频繁项集是该算法的核心,占整个计算量的大部分。

1.1.3 多维关联规则

对于许多应用,在低层或原始层的数据项之间很难找出强关联规则。在较高的概念层发现的强关联规则可能提供普遍意义的知识。在对活动目标数据进行关联挖掘时,在数据预处理阶段对数据的某些字段进行抽象分层,得到相应的关联规则也就是多个层次上海空目标活动的规律,例如单纯从飞机型号上分析目标间的关联规律结果并不理想,但将相应的型号划分到高一层次的概念中,如战斗机、民航用机和运输机,再进行挖掘可能会得到感兴趣的结果。

1.2时序规则

时间序列挖掘是指挖掘相对时间或其他模式出现频率高的规则。一个时序挖掘的例子是“9个月以前购买奔腾PC的客户很有可能在1个月内订购新的CPU芯片”。将其应用到目标活动数据中,对于空中目标数据,介于其活动周期比较短的特性,以天为周期,可以挖掘出每天的空中目标间先后出现的规则模式,结合地域、时间段的划分,挖掘结果会更具有实际意义。

关联规律挖掘中采用的Aprior特性可用于时间序列模式的挖掘,因此时间序列挖掘的大部分算法都采用了类Aprior的变种。序列规则也用支持度与置信度2个参数来表示规则的出现频度。

2数据预处理

数据预处理首先针对数据字段中存在的表意不明、取值越界和表意不规范等做最基本的初始化处理,再根据挖掘目的不同,以及对已有挖掘结果的分析相应取舍字段,添加字段,丰富挖掘结果知识表示,或去除多余字段使挖掘结果更加明朗。具体做法有:

归一化:对一些意义相同但表示不同的字段进行归一化处理,比如“第四联队”,“第4联队”,“4联队”,他们的意义相同,但表示不同,可以一并归一到“第四联队”。

分割:对一些信息含量较多的字段进行分割,比如对于时间字段,将其拆分成年,月,日,年月,月日字段,以备后用。

合并:合并某些意义不足的字段,比如将国家地区与舰机型合并在一起,比如“伊F16”,将更方便地反映挖掘意义。

转换:通过计算或其他方法转换某些字段的表现形式,比如计算时间所对应的星期作为新的字段,对于挖掘周期性很有帮助。又比如取不同精度的经纬度。

平滑:剔除字段中阈值外的异常数据或将某些字段中取平均值,降低数据的稀疏性,比如时间字段中小时数值不在0～24之间,又比如位置经度超出360°,位置纬度超出90°的信息行。

3数据分析

统计分对数据字段进行统计,掌握数据质量及

饱和程度,并对字段的取值范围或字段间的关系作比较详尽地了解,也是为数据泛化及描述做准备。

数据泛化:从一个相对低层概念到更高层概念且对数据库中与任务相关的大量数据进行抽象概述的一个过程,与概要描述配合使用,丰富挖掘结果。例如将海上目标舰船型号(小鹰号、海神号等)提升到舰船类型(如运输船、战舰等)。

概要描述:在同一个层次上对概念进行整合或分离,以便更好地服务于挖掘结果的语义表示。可与数据泛化配合反复使用,直到得到感兴趣结果。例如将空中目标的隶属单位与目标起点整合在一起作为一个属性,更利于挖掘结果的知识解释。数据分析流程如图2所示。

4挖掘结果评价

挖掘结果显示的规律并不都是我们感兴趣的,有些已经在挖掘过程中不能满足最初支持度,置信度最小值而被筛掉了,除此之外,本文采用2种策略用来发现感兴趣的挖掘结果。

4.1对比筛选

如果就一年内的数据做挖掘实验,目的是为了得到每月的舰机活动规律。首先保证每个月的数据量大致相同,每个月单独做一次规律挖掘,得到12组舰机活动规律集合,再依次每2个月,每3个月以此类推做挖掘实验,得到的若干组活动规律集合,取所有集合中规律的交集,也就将剔除了那些偶尔出现在某月的特殊规律。当然,剔除的规则可作为某些月份的异常情况予以考虑。

4.2阈值筛选

以每月舰机活动规律为挖掘周期。每月单独做挖掘实验。

首先制定筛选系数δ(0<δ<1)。浮动阈值用来筛选每个月每条规律是否在浮动值之内浮动变化,筛选系数用来定义一条规则符合浮动要求出现次数与实验次数(此处为12)的比值。再根据制定的筛选系数得到的支持度,置信度的浮动变化值制定支持度,置信度的浮动阈值,如果定义δ为80%,也就表示一年内如果有10次满足支持度,置信度的浮动要求就认定该条规则为合理,予以保留。

上述筛选方案针对挖掘出的大量规则做了比较基本的筛选,能够剔除部分不合理规则。

试验证明上述两种方案能够筛选出活动目标普遍存在的关联,序列规律。如果再结合应用知识及经验,挖掘结果的筛选会更加精确。

5结束语

本文介绍了利用数据挖掘技术来分析舰机活动数据中存在的关联规律及序列规则的完整过程,从最初的数据处理、数据分析到挖掘模型的建立、评估,最终到挖掘结果的评价。从一定程度上有效利用了存储的舰机活动数据,发掘其蕴含的可利用信息。试验证明,该方法行之有效,是该领域数据挖掘应用的有益尝试。

摘要：随着信息采集技术的不断发展,采集手段不断多样化,导致大量舰机活动数据存放在计算机中,人们关注的往往是其蕴含信息的实时性,而数据的累计价值无法得到再次利用。如何有效、充分地利用这些数据成为一个迫切需要解决的问题。提出一种将数据挖掘应用到舰机活动数据的实用技术,包括关联规律数据挖掘和序列数据挖掘。通过挖掘不但可以有效缩减数据库的存储数据量,更可以根据挖掘结果建立挖掘知识库,通过长时间的累计,将能有效区分普遍规律及异常,从而充分利用海空活动目标数据的价值,提高辅助决策能力,为活动目标数据处理提出了新的方向。

关键词：舰机活动数据,数据挖掘,关联,时序

参考文献

[1]焦健,王祥.数据挖掘在美国本土安全中的应用[J].舰船电子工程,2006(1):3-4.

[2]左爱文,郭宏武,王保保.气象时间序列规则发现及其应用[J].陕西气象,2006(6):2-3.

[3]尚威,尚宁,覃明贵,等.交通事故的多维关联规则分析[J].计算机应用软件,2006(2):2-5.

目标数据 篇4

二、请用数据说明2012年两会上制定的今年经济社会发展的主要预期目标。今年经济社会发展的主要预期目标是：

1国内生产总值增长7.5％。基于2011年国内生产总值47．2万亿元，比2010年增长9．2%，这是我国国内生产总值(GDP)预期增长目标八年来首次低于8%，主要是要与“十二五”规划目标7%逐步衔接，引导各方面把工作着力点放到加快转变经济发展方式、切实提高经济发展质量和效益上来，以利于实现更长时期、更高水平、更好质量发展。

2城镇新增就业900万人以上，城镇登记失业率控制在4.6％以内。这一预期数据与去年持平，2011城镇新增就业1221万人，城镇居民人均可支配收入和农村居民人均纯收入实际增长8．4%和11．4%。高校毕业生初次就业率77．8%，同比提高1．2个百分点。农民工总量2．53亿人，比上年增长4．4%，其中，外出农民工1．59亿人，增长3．4%。不过在世界经济艰难复苏之际，加上今年经济增长预期目标7.5%，预计提供新的劳动就业岗位的能力不如上年，创造新增就业岗位必须付出更大努力，能稳住就业对中国来说意义重大。2012年应夯实经济基础，创造就业机会，完善基础设施，改善人居环境，加强管理服务，提升城镇化质量和水平。

3居民消费价格涨幅控制在4％左右。基于2011居民消费价格指数CPI年为5.4%，与年初预定4%目标有一定差距，说明价格上涨通货膨胀的压力是存在的，而稳定物价关系到千千万万老百姓日常生活开支，2012年中国家应继续在物价的宏观调控上做大量工作，综合考虑输入性通胀因素、要素成本上升影响以及居民承受能力，为价格改革预留一定空间。要继续实施积极的财政政策和稳健的货币政策，根据形势变化适时适度预调微调，进一步提高政策的针对性、灵活性和前瞻性。

4进出口总额增长10％左右，国际收支状况继续改善。中国对外开放已进入新的阶段，进出口贸易、双向投资的地位和作用发生了深刻变化。2011年我国进出口总额3．64万亿美元,增长速度由2010年的34.7％下降到22.5％；出口和进口的增长速度分别由上年的31.3％和38.8％下降到20.3％和24.9％。同时，我国对外贸易顺差由最高时近3000亿美元减少到2011年的1551亿美元。这种状况表明，欧债危机和美国经济复苏乏力等因素导致的世界贸易严重萎缩已经对我国对外贸易产生较大影响。我们有必要适当调低进出口总额增长速度目标，以适应国际大环境。

5同时，要在产业结构调整、自主创新、节能减排等方面取得新进展，城乡居民收入实际增长和经济增长保持同步。加快转变经济发展方式，积极调整经济结构，是关系国民经济全局紧迫而重大的战略任务。在新的一年，应积极促进产业结构优化升级，改造提升制造业，积极有序发展战略性新兴产业，大力发展第三产业特别是现代服务业，促进三次产业协调发展；充分发挥科技的支撑和引领作用，深入实施科教兴国战略，完善以企业为主体、市场为导向、产学研用相结合的技术创新体系，加强核心关键技术研发，强化自主创新，掌握产业发展主动权；加强环境保护，推进生态建设，努力完成节能减排各项任务。当前，应把保障和改善民生作为政府工作的重要任务，深化收入分配制度改革，着力提高居民收入，提高人民群众生活水平。

目标数据 篇5

一、数据库审计的安全目标

按照上级行下发的关于数据库系统运行管理专项审计实施方案, 常州市中心支行逐项对照审计内容, 对数据库系统制度建设、岗位设置、账户管理、口令 (密码) 管理、权限管理、安全管理、运行维护、备份与恢复等内容开展了专项审计, 针对审计过程中发现的问题和风险隐患提出了意见和建议, 促进数据库管理系统的安全、有效运行, 达到了实施审计的安全目标。

(一) 持续审计, 警示风险。

由于信息系统安全的重要性, 近年来, 通过每年有针对性地安排中心支行信息系统安全管理专项审计项目, 不断查找问题、落实责任、警示风险, 有力地增强了被审计对象的风险防范意识。

(二) 完善措施, 着力整改。

通过建立完善的数据库安全运行管理岗位问责办法, 明确审计过程中发现的问题的具体经办人、部门负责人、分管行领导, 并落实其应承担的直接责任、主管责任或领导责任, 督促被审计对象在规定的时间内对审计过程中发现的问题及时整改, 审计部门通过建立整改台账以及开展后续跟踪检查, 保证审计效果, 进而实现信息系统数据库的长期稳定运行。

二、数据库系统运行中存在的主要问题

(一) 基础管理工作方面。

一是制度建设不到位。存在未按规定建立数据库系统运行管理和维护手册或操作规程, 未建立系统运行登记簿来对有关系统运行活动进行有效监督。二是对数据库系统和业务应用系统的管理维护均由系统管理员承担, 且未对系统管理员的相关操作活动采取具体的监督措施, 存在一定的风险隐患。

(二) 系统账户管理方面。

一是账户管理不规范。未对系统中的闲置账户实施有效控制和管理, 被检查的系统中存在系统安装时自动生成的账户, 而未根据系统账户管理要求创建普通用户账号用于处理日常事务。二是账户口令 (密码) 管理不严密。表现为系统密码设置不符合复杂性要求, 容易被不法分子侵入。三是未对重要业务数据用户权限进行严格限制。在检查数据库管理系统重要业务数据表的用户情况时发现, “select on syscomments.text”的参数为1, 未对权限设置作限制处理;数据库操作系统中“Allow rescoure limit”的参数值为0。

(三) 安全管理方面。

一是未开启数据库操作系统安全审计功能 (日志记录功能) 。由于认识不到位, 认为该项功能不开启对系统安全不会产生影响, 与上级行关于“日志备份后, 应定期清理, 并有记录”的规定不符。二是数据库网络密码不加密或数据库远程访问设置不严密。如在国库会计核算系统数据库sql advantage中运行exec sp_helpserver, 记录的参数为“no net password encryption”, “rpc security model A”, 表明数据库服务器网络密码不加密, 不提供安全机制;又如在sql advantage中运行exec sp_configure, 界面显示“Allow remote access”选项为1, 表明允许远程访问, 对数据库系统可能造成风险隐患。

产生上述问题的原因包括主观原因和客观方面。

1. 主观原因。

一是制度建设还不到位。目前, 基层央行“重创新、轻基础, 重业务、轻管理, 重操作、轻风险”的意识还普遍存在, 对内部制订相关制度规程和建立管理登记簿往往滞后。二是防范风险的意识还不强。认为人民银行数据库系统与外界不直接相通, 有防火墙进行隔离, 因而忽视了风险隐患的存在。三是系统维护员顾及系统重新配置可能带来的风险, 一般不会在生产机上进行参数更改, 由此可能造成主备机配置不一致的问题。

2. 客观原因。

数据备份与恢复是保障数据库安全的重要环节, 通过网络进行系统和数据的备份可以大大提高系统备份的有效性、可靠性和效率性, 但为了加强系统和数据安全, 又必须关闭服务器的远程服务。业务人员在主机上备份, 再手工倒入备机进行有效性检验, 这大大降低了每日备份的工作效率。另外, 由于需要业务人员频繁出入机房, 在服务器上进行操作, 又产生了针对服务器的操作风险, 两者之间存在一定矛盾。

三、实现数据库系统安全运行的途径

(一) 提高认识, 加强管理。

要进一步增强风险防范风险意识, 从系统安全角度入手, 加强系统维护管理。针对存在的问题, 要认真整改, 落实措施, 举一反三, 切实消除风险隐患。同时, 要加强对系统维护人员的培训, 认真按照人民银行总行下发的信息系统安全配置指引———数据库分册和操作系统分册等文件中的有关规定进行操作, 进而提升基层央行信息安全管理水平。

(二) 强化各项基础工作。

依据上级行规定并结合自身实际, 制订数据库系统运行管理和维护手册或操作规程, 明确管理和维护职责, 按要求对数据库系统运行进行日常监控和管理操作。建立数据库系统补丁升级登记簿, 设置相关栏目, 在安装系统补丁程序、版本升级或系统重大调整时进行备份, 并认真登记。

(三) 积极沟通, 提高效率。

目标数据 篇6

企业在不断成长的过程中，会逐渐积累起来相对稳定的客户群体，这一群体将是企业发展的核心助力。因此，对于一个处在上升期的企业，分析维护好属于自己的“自留地”是十分重要的。快递公司的客户相对分散，系统的客户关系管理以及客户维护对于业务员业绩量的提升有很重要的作用，也有助于减少“新老员工”交接时的客户流失。因此建立客户数据库，在进行分析处理的基础上，研究客户消费的倾向性，当然有助于发现现有业务的客户群体，从而有针对性的向客户提出各种建议，使其在需要时第一时间想起本公司。

2 目标客户数据库建立的意义

快递市场竞争的激烈程度与日俱增，企业自己的客户群体已经成为其赖以生存的基础。不能很好的跟踪客户的变化，不能提前研究出客户的发展态势，就很难把握好向已有客户销售的时机。比如，客户今天在你手里收到了一个包裹，那么下一次这个客户很有可能想寄送一个包裹出去，如果没有随时跟踪的数据库，那么，最好的结果是客户存了你的联系方式在手机上，糟糕的结果是客户将包裹交给了其他的快递业务供应商。而如果建立了数据库提醒，在客户有寄送需要之前发出问候，从而使客户感动于售后客服贴心的同时，愉快的跟企业再一次合作。

建立客户数据库可以帮助快递公司准确地找到目标消费群体，判定消费者和潜在消费者的消费标准;帮助企业在最合适的时机以最合适的产品或服务满足客户的需要，从而降低成本、提高销售效率;帮助企业结合最新信息和结果制定出新策略，以增强企业的环境适应性;发展新的服务项目促进企业发展，并促成购买过程简单化，提高客户重复购买的几率;运用数据库建立企业与消费者的紧密联系，从而建立稳定、忠实的客户群体。

3 快递公司目标客户数据库的来源

3.1 记录和积累有过合作经历的客户资料

一线业务员可以采取客户容易接受的方法，请客户留下资料。对于快递公司而言，客户的姓名、电话、联系地址等基本信息是可以在服务同时直接获取的，而客户喜好、工作性质等辅助信息则需要询问才能获得，这时获取客户的信任是关键。

这种数据来源建立起来的客户列表，会随着客户情况的变化，而价值大打折扣。所以，企业应该利用数据库管理工具，在固定的时间间隔内更新数据库，保持数据库信息质量的稳定。

3.2 通过举办展会、营销活动等收集资料

快递公司可以通过举办公司年会、纪念会等营销活动来收集参加者的资料，或者举办与自己业务有关的一些娱乐性的营销活动，通过回收答卷来收集参赛者的资料。通过回收答卷收集资料是一种非常易于操作的方法。因为，在问卷上设有住址、姓名、年龄、职业等栏，收集这些问卷自然就可以获取客户列表建立数据库。当然，这种方式更加适合于对待企业性质的业务量较大的客户。

3.3 通过合作伙伴企业收集相关资料

例如，肯德基和宅急送开展“肯德基宅急送”业务时，相互的客户是部分重叠的，交换各自的客户名单，各自向双方的客户销售产品和服务。这种互换客户的方法，分别建立数据列表，而又不引起双方的竞争，达到双营销效果。

3.4 从专业数据公司购买相关资料

客户列表的一个最重要的来源是专业提供各行业、各类别列表的公司。在购买或租借列表时，一定要根据企业的实际情况，选择最合乎企业要求的列表。列表中那些已有过接触的客户通常比其他数据更有价值。同样的，企业自己建立的列表中的客户要比来自别处的客户列表上的人交易成功率高出三倍甚至三倍以上。

3.5 客户推荐客户，建立更有效的数据库

客户之间互相推荐，本身会带有一定的信任度，建立的数据列表会更为有效。如快递公司可以准备一些吸引人的礼物赠送给那些介绍新客户的老客户，这种经由已有客户介绍的潜在客户，一般是效率最高的潜在客户。

4 快递公司目标客户数据库的建设与管理

4.1 目标客户数据库的建立

以前，建立客户数据库是一件费时费力的事，而且需要投入的财力较大而让一般中小企业望而却步。现在有了快递系统管理软件和互联网，企业可以非常方便、经济地建立自己的客户数据库。

快递公司自建客户数据库有三种方法：电话预约的顾客资料可以立刻输入到管理软件的客户数据库中去;一般快递公司还拥有自己的独立网站，通过在网站上订单的方式要求顾客留下相关的资料;另一种方法是在公司网站上提供更多促销优惠活动信息等以便吸引消费者来本网站注册，通过注册会员的方法可以获取更加详细的顾客资料。

4.2 目标客户数据内容

我们分析目标客户的时候要注意那些相关性，比如目标客户某些特征会对业务开展有直接关系，比如消费能力、职业、快递习惯、时间性等，这些特性描述出来以后，针对目标群体进行持续反复的营销，也可以各种营销手段交叉性的来做，比如发电子邮件、短信等。为了使客户数据库具有必要的完整性，应该在客户数据库中存放四种类型的数据信息：

(1)身份数据。如果客户是个人，则应包括姓名、年龄、就业状况、收入状况、生活方式、工作性质等;如果是商业客户则应包括企业名称、工作描述、部门或分公司、经营领域、主要产品或服务、雇员人数、年营业额级别等。

(2)地址数据。它是与客户或潜在客户开展业务的关键。个人客户应包括详细的通信地址、邮编等，公司还可以按照对自己最有用的方法自行设计代码便于分类比对。

(3)快捷联系方式。快递特点就体现在“快”字上面，因此对客户和潜在客户开展营销活动应该使用快捷联系方式。其中应当包括电话、电子邮件、QQ、微信等时尚联络方式。

(4)行为数据。这是跟消费者的快递习惯有关的十分重要的数据。如快递类型主要是家庭型还是业务型、对送件与接件时间的要求、接件地点、紧迫程度等。

4.3 目标客户数据分析与使用

4.3.1 确定数据来源

客户列表的来源很广，但不论用什么方式，都应事先清楚企业到底需要包括哪些必须字段的数据，然后根据这个要求进行小规模的测试，尽量挑选准确率高的数据来源。

4.3.2 数据格式化

从不同来源获取的数据，可能数据的格式存在差异，就必须在进入正式的数据库之前，先按要求统一设计好格式。其中包括必要的字段设置、挑选的数据库软件(EXCEL,ACCESS,SQL)，数据库的查询设置等等。当然也可以将这部分工作交由外部的数据公司，让其根据要求来增加或减少一些字段的设置，然后利用软件自带的导入/导出功能即可。

4.3.3 去重比对

在实际操作中，客户数据可能有很多批次，时间上都会有先后之分，并且新数据会和已有的数据冲突，所以每当新进一批客户列表，必须与已有列表进行比对，利用软件自带的函数命令(如excel里常用的函数是vlookup)，进行新旧客户列表在关键字的比对，比对都有一个标准，这个标准通常是新旧表格里都用的通用字段，比如数据的编码，具体可根据公司的实际情况来设计，比对后删除重复数据。

4.3.4 信息更新

用专业的程序和命令检查名单重复情况，并进行资料更新与准确率查询。如遇到重复情况，最好是把重复的数据拿到一边，专门进行核实，以获得最准确的信息更新。

4.3.5 分配前的准备

一般到了更新信息的步骤之后，就可以分配给业务员了。但分配之前，最好根据公司的实际情况进行分类和分级。可按区域、收入等来进行分类，然后再交给相应片区的业务员;重点客户应重点培养。

5 小结

在信息技术高度发达的今天，建立客户数据库可使企业与客户之间的交流沟通更加高效、便捷，帮助其在信息时代抢占市场竞争的战略制高点。因此，国内快递公司应重视开展目标客户数据库营销，加大力度建立与使用客户数据库。

摘要：文中旨在帮助快递公司更好地管理客户信息、保留客户以及提升客户价值。通过对客户信息的完整挖掘与记录,可以让新进销售人员在前人的基础上跟进,维护与客户的联系,最终使快递公司在信息时代占据竞争的制高点。

关键词：目标客户,数据库,客户关系管理

参考文献

[1]陈中.通信业客户分析系统数据库建立[J].电脑编程技巧与维护,2011.

[2]王爱君.浅议数据库在客户关系管理中的价值应用[J].大家,2008.

[3]冯英健.网络营销基础与实践[M].北京清华大学出版社,2009.

[4]胡卿,林凤.汽车行业关键客户维护策略研究[J].管理观察,2008.

[5]张娟.论CRM与数据库营销[J].长春理工大学学报(社会科学版),2006.

[6]何恒波.浅论服务业营销的顾客关系管理[J].价值工程,2011.

目标数据 篇7

关键词：机动目标跟踪,UKF,常值偏差

目标跟踪是根据测控设备对目标运动状态的测量信息, 实时快速确定目标运行轨迹的过程。目标跟踪的应用领域非常广泛, 例如:机场进出场飞机的检测、机动车辆的跟踪预测、非人工接触的目标轨迹测量等。机动目标跟踪技术涉及到三个因素一是目标的状态模型, 用于表征目标的动力学特征;二是目标的观测模型, 用于表征目标的运动现实;三是估计算法, 使得运动轨迹在某种准则下达到最优。在现实应用中, 目标观测模型是最能直接影响跟踪精度的关键因素。为了抑制系统误差的影响最常用的方法有两种:一是通过设备标校从硬件上校准误差;二是通过数学手段, 估计和补偿系统误差。较第一种方式而言, 数学估计方法简单、费用低廉, 本文采用第一种方法进行系统误差补偿计算。同时, 为了抑制机动目标的非线性模型效应, 本文采用UKF方法对非线性问题进行求解。和传统扩展卡尔曼滤波而言, 该方法不需要求解雅克比矩阵, 可以模块化处理, 易于工程实现。为此, 本文设计了扩展维度的UKF机动目标跟踪预测方法, 不仅能有效抑制非线性状态模型引起的截断误差, 还可以估计观测模型中的系统误差。算法简单, 能模块化处理, 该方法可为机动目标跟踪提供新的思路。

1 状态模型和跟踪模型

机动目标跟踪状态模型可写为如下形式:rk=f (tk, rk-1) +ϖk.

其中, rk= (x k, y k, zk) T为目标的状态向量;ϖk为目标状态模型噪声;f (g) 为目标运动的状态方程, 当目标动力学方程明确时, 该方程表示微分方程;当目标动力学方程不明确时, 该方程可以用数学拟合方程表示。

机动目标测量模型可以表示为如下形式:y=g (r k, W) +vk.

其中, g (g) 为传感器跟踪模型, 用来表示跟踪数据和目标状态的关系表达式。本文假设是距离和速度跟踪。W是与跟踪模型相关的其他参数, 如测站信息、测量大气信息等。

2 非线性滤波的UKF跟踪算法

2.1 UT变换

UKF方法是递归式Bayes估计方法, 其核心和基础是计算非线性传递的随机向量的UT变换。UT变换的主要过程如下。

从UT变换可以看出, UT变换利用少量通过确定性方法选择的样本点描述经非线性系统变化后随机变量的统计特性, 避免了传统EKF方法的线性化求解, 从而避免了截断误差, 根据UT变换, 可以得到UKF滤波。

2.2 常值偏差估计的UKF非线性滤波算法

在机动目标跟踪的状态向量中, 增加一项观测方程的常值系统偏差估计量。则, 目标的运动状态描述为:

过程1:机动目标当前状态采样[6]。

过程2:目标状态预测。

值得注意的是, 对于常值偏差的状态预测, 只需要按照权值相加即可。

过程3:测量数据计算。

按照测量方程计算{ (1|) }iχk+k的测量Sigma点, 并求得k+1时刻的测量预测量和测量协方差矩阵, 以及状态向量和测量向量的协方差矩阵。

过程4:增益计算。

过程5:状态更新。

3 仿真实验

3.1 目标状态模型

其中, (x, y, z) T为目标飞行轨迹在惯性空间坐标系的位置坐标。

3.2 雷达测量模型

设目标飞行时的观测设备由1台雷达完成, 测量数据包括测站坐标系下的目标相对测站的距离和速度, 假设由于设备标校的问题, 测距数据产生一组常值偏差0.21 cm。另外, 假设测量随机误差包括距离测量误差1 mm, 速度测量误差1 mm/s。

3.3 试验结果

利用本文提出的常值偏差估计的机动目标轨迹确定方法, 同时估计目标状态维数和测量数据的系统偏差, 得到目标的飞行轨迹。试验结果如图1所示。

结果分析, 从图2的目标轨迹可以看出, 目标飞行轨迹是明显的非线性特征, 同时, 目标测量模型存在较大系统误差, 模型截断误差和测量系统误差耦合在一起, 从而引起目标滤波很难收敛。应用本文提出的常值偏差估计方法, 可以看出两类误差抑制的非常好, 系统误差估计精确度达到95%以上。

4 结论

本文设计了扩展维度的UKF机动目标跟踪预测方法, 不仅能有效抑制非线性状态模型引起的截断误差, 还可以估计观测模型中的系统误差。算法简单, 能模块化处理, 该方法可为机动目标跟踪提供新的思路。

参考文献

[1]胡小平.自主导航理论与应用[M].长沙:国防科技大学出版社, 2002:18-24.

[2]Hemann R, Arthur J K.Nolinear controllability and observability[J].IEEE Transactions on Automatic Contro, l977, 22 (5) :728-740.

目标数据 篇8

目标行为序列模式挖掘是数据挖掘的一个重要方向,可以广泛应用于违法犯罪行为识别、态势数据分析和计算机系统入侵检测等领域[1,2,3,4,5,6,7]。大多数现有的序列模式挖掘算法是针对交易型数据来设计的,对于长期观测数据而言,为了使用这些方法需要利用滑动窗口将连续的观测数据分割为若干个数据片段[8,9,10],这样会破坏数据的序惯特性,可能导致部分潜在序列规则的遗漏。本文给出一种新的目标行为序列模式挖掘算法,把所有目标的运动航迹点按照时间排列为一个观测序列,以其作为对象设计挖掘算法,从而保证挖掘结果的全面和完整性,通过设置频繁度、航迹点之间最大和最小间隔等要求,可以按需调整挖掘策略。

1问题描述

借助传感器侦察和情报分析手段,能够积累所关注目标的活动情况的海量信息,这些信息包括: 目标名称、目标出现的时间和位置、活动情况和目标的自身属性等。通过对这些数据的分析可以发现受关注目标的潜在活动规律,例如,在实施货物走私过程中,载有走私物品的大型船只会首先出现在国境线附近的公海处,随后,会不断有小型船只靠近大船,并在取得货物后离开,以完成蚂蚁搬家式的走私活动,这种走私活动的反复出现,就会形成一种模式: 大船B在P处出现后,小船S1,S2,……,Sn也会先后出现在P处。同样,在军事领域,执行任务的各种武器平台为了相互配合完成任务,在行动过程中也会呈现出行为时序规律。目标行为序列模式挖掘就是借助数据挖掘手段分析目标的活动情况数据,从纷繁复杂的数据中发现目标运动模式和时序规律信息。

目标的活动情况可以表示为观测到的航迹点序列S = O1O2……On,其中每个航迹点Oi( 1≤i≤n) 代表一个事件,它关联了以下信息: 目标名称、目标出现的时间和位置、活动情况和目标的自身属性等,挖掘分析的结果表示为A1A2……Am( 1≤m≤n) ,代表着目标事件A1发生后,事件A2会发生,此后还会发生一系列其他事件,最后发生事件Am。Ai( 1≤i≤n) 为事件,代表目标的一类活动,对应着S中航迹点Oi。从一个长序列中发现各种序惯规律的难点在于搜索空间巨大带来的大运算量问题,必须设计合适的算法才能解决。

2算法分析

提出的算法包括3个步骤: 形成目标行为序列数据、计算并设定挖掘过程参数和开始挖掘分析计算过程。其中挖掘分析计算过程是一个循环迭代的过程,每次迭代都是基于上一次迭代运算的结果进行的,随着算法的循环深入,挖掘出各种长度的序列规则。

本文提出算法详细描述如下:

1将一个或一个以上运动目标的航迹点按照观测时间排序,组成一个航迹点序列S = O1O2…Oi…On,其中,Oi代表运动目标的一个航迹点,航迹点关联了运动目标名称、出现时间、位置经度、位置纬度和目标自身属性等信息;

2 设置参数,参数包括:

频繁支持度阈值T,在所述的航迹点序列S中出现频率超过阈值T的序列模式将被认为是一种潜在序列规律;所述的序列模式中相邻2个航迹点之间最小间隔距离要求Min G,即2个航迹点之间最少跨越的航迹点数量;所述的序列模式中相邻2个航迹点之间最大间隔距离要求Max G,即2个航迹点之间最大跨越的航迹点数量;从航迹点序列S中挖掘出的潜在序列规律的最大长度n;

3 确定后续步骤所需的约束条件,

基于W、l1和l2,确定后续步骤所需的约束条件Ni和λn. n - i,i = 3,4,……l2,其中:

4 找出序列 S 中所有长度为 3 的序列模式,让C3代表所有长度为3的序列模式的集合,并计算C3中各个序列模式P在序列S中按照偏移位置统计的发生频率,形成变量Frequency List( P) 。对于航迹点序列S,一个长度为l的序列模式P,则Frequency List( P) 是一组键值对( x,y) ,其中,x表示在S中的偏移位置,y表示在此偏移位置,满足最大间隔要求、最小间隔要求的P模式的发生次数,例如,设S= P1P1P2P2P3P4P4,P = P1P2P4,[Min G,Max G]= [1,2 ],那么Frequency List ( P ) = { ( 1,3 ) ,( 2,2) } 。因为,在S的第1个元素位置,共有3种情况与P匹配,偏移位置序列分别是{ [1,3,6],[1,4,6],[1,4,7]} ) 。而在S的第2个元素位置,共有两种情况与P匹配,偏移位置序列分别是{ [2,4,6],[2,4,7]} ;

5对于C3中的每一个序列模式P,基于Frequency List计算P的支持度,如果P的支持度大于或等于T×N3,则把P放入L3; 如果P的支持度大于或等于T×N3×λn,n - i,则把P放入L^3;

6 设置 i = 2;

8对于Ci +1中的每一个元素P,计算Frequency List( P) 以获得序列模式P的支持度sup( P) ,如果sup( P) ≥T×Ni +1,则把P放入到Li +1中; 如果sup( P) ≥λn. n - ( i +1)×T×Ni +1,则把P放入到L^i +1中;

9 使 i = i + 1,返回执行第7步;

10 输出 L2∪ L3∪ L4∪ … ∪ Li。

本算法输出结果是集合L2、L3、L4,……,Li - 1的并集。它们代表了满足频繁支持度指标T要求,以及元素间最大间隔要求Max G、最小间隔要求Min G的各种长度的目标行为序列模式。

3实验计算与结果分析

采用仿真数据对算法的挖掘分析效果进行了测试,仿真数据分为5组,分别包含了2 000、4 000、6 000、8 000和10 000个航迹点,每个航迹点关联了运动目标的名称、出现时间、位置经度、位置纬度和目标自身属性信息,通过设计,5组仿真数据中都隐含了10个不同频度的序列规则模式,这些序列规则模式与其他航迹点数据混杂在一起。

为了进行比较分析,采用滑动窗口方法对航迹点序列进行分割,并利用Prefix Span算法[11]进行了序列规则挖掘。在一台配置为Pentium CPU 3 GHz,2 GB内存,250 GB硬盘的PC上开展了挖掘分析试验。挖掘的执行时间如图1所示。

本文提出的算法的执行时间要少于Prefix Span算法。另外,在挖掘结果完备性方面,本文提出的算法能够将隐含在5组试验数据中的所有规则模式挖掘发现出来。而Prefix Span算法的挖掘结果会出现规则遗漏的情况,这是由于滑动窗口对原始航迹点序列进行分割造成的。

4结束语

给出一种从海量目标航迹数据中挖掘潜在目标行为序列模式的方法。通过相关阈值的设置能够灵活地挖掘出满足各种距离约束条件的序列规则。实验表明,该算法有效,且具有较好的可扩展性。该算法可以应用到违法犯罪行为识别、态势数据分析和计算机系统入侵检测等领域。

摘要：提出一种能够从海量目标航迹数据中挖掘潜在的目标行为序列模式的方法,该算法包括形成目标行为序列数据、计算并设定挖掘过程参数和开始挖掘分析计算过程3个步骤。其中挖掘分析计算过程是一个循环迭代的过程,随着算法的展开,挖掘出更多更长的序列规则。试验结果表明,该算法能够从目标运动数据中发现目标行为序列模式,且具有较好的可扩展性。

目标数据 篇9

目标跟踪在军事、安防、交通等领域应用极其广泛[1,2],目前是模式识别、图像处理等学科领域的热门研究课题。根据跟踪目标的数量,目标跟踪可分为单目标跟踪和多目标跟踪,两者的处理方式有很大不同。多目标跟踪涉及到目标特征相似或互斥情况,有时还需解决目标遮挡、重叠和分类问题[3,4,5]。单目标跟踪仅需选取目标单个特征即可[6,7]。

传统跟踪算法在视频分辨率低,帧图像模糊或噪声较多时跟踪效果较差。针对此情况,本文选择邻域特征、区域特征、运动方向特征和直方图特征等多个目标特征进行跟踪,并给出了联合特征代价函数以及数据关联运算方法。

1 相关工作

近年来,许多学者对单目标跟踪[4,5,6,7]和多目标跟踪[8,9,10]进行了研究。

文献[7]提出了TLD(Tracking-Learning-Detecting)算法。算法实现目标检测和跟踪同时进行,TLD算法使用NP学习方法检测和纠正跟踪过程中的错误,但NP不适合联合学习,在多目标情况下无法使用该算法。

文献[8]提出了一种基于视频的多目标跟踪算法。算法使用码本模型检测前景,提取每一帧的头部和脚部特征,根据几何约束关系计算目标高度,具有一定精度和鲁棒性。但码本模型仅适用于简单场景中的前景提取。

文献[9]提出标记点处理方法(Marked Point Processes,MPP)。算法能获取所有未知目标的后验概率,得出时空信息;并能识别和了解特定事件变化的外力。

针对复杂、低信噪比背景的红外小目标跟踪问题,文献[10]提出用阈值分割和形态学滤波检测目标,采用邻域轨迹和Kalman滤波跟踪目标,避免了噪声干扰。但跟踪的目标数量有限,也没考虑目标遮挡消失问题。

本文提出一种新的带图像分割的多目标跟踪算法。算法将多个有用的特征用于目标匹配,并设计了总代价函数,给出了代价函数的数据关联计算方法。实验视频结果证明,本文算法能获取良好的目标跟踪效果。

2 目标分割

本文提出的自动分割算法由四个步骤组成,如图1所示。

(1)进行局部双阈值处理;

(2)利用基于直方图反向投影的方法将两个不同阈值处理生成的二值目标掩码进行有效整合;

(3)利用区域和方差阈值移除噪声和干扰目标;

(4)对分割后的目标边界进行精提取。

2.1 局部双阈值处理

Otsu算法[11]是一种常用的阈值确定算法。通过Otsu算法确定的阈值可将直方图分为两类,使合并后的类内方差最小。利用Otsu改进型方法对每个区域选取自适应阈值。对于较暗的目标,阈值的大小需接近背景,位置的大小值为:

式中:τ是Otsu方法获取的阈值;μL(τ)表示直方图中经过阈值τ分类后获取较小的一类;p为偏移系数。利用式(1),通过设置不同大小的p可以获取两个阈值,即τlow=τ-plow(τ-μL(τ))作为低阈值,τhigh=τ-phigh(τ-μL(τ))作为高阈值。通过这两个阈值处理视频帧中的局部区域可获取两个相应的目标掩码Mlow和Mhigh,如文献[12,13]所述,利用一个3×3的中值滤波算子处理两个二值目标掩码。

2.2 直方图反向投影

由于两个目标掩码包含有不同数量的背景像素,所以通过两个目标掩码中像素分布的比较和聚合对分割边界进行精提取[14]。

首先,根据目标掩码的Mlow和Mhigh分别计算出两个灰度级别的直方图Hlow(r)和Hhigh(r)。任何灰度大小r的比例直方图定义如下所示:

其次,将比例直方图反向投影到视频帧域,即BP(x,y)=HR[I(x,y)],,其中,I(x,y)表示(x,y)所处位置的像素灰度值大小。对比例直方图HR(r)的反向投影进行阈值处理,二值分割掩码B(x,y)定义如下:

式中:θBP为范围在0~1之间的一个阈值。

2.3 区域和方差阈值处理

本文算法既利用直方图对掩码进行精确分割,还通过目标的区域和目标内像素值的方差去除区域内大于阈值上限或小于阈值下限的值。对于第k个分割目标Ok内的每个像素点(x,y),通过式(4)对其在前景掩码中对应的像素进行修改。

式中:A(·)表示目标区域;(θAL,θAU)为上边界和下边界内的阈值,用于判断像素点是否保留。

使用每个分割目标内像素的方差对候选目标进行检测。因前景目标拥有比背景或干扰目标更多的纹理特征,导致分割目标的方差可能更大。每个目标像素的方差为:

式中:表示第k个目标内像素的平均值。给定方差,利用式(6)对该目标的前景掩码进行阈值处理。

2.4 形态学处理

通过以上算法提取的前景目标,经常会出现一些噪声。例如,直方图反向投影在对目标边界进行精提取时会生成斑点。本文进一步利用形态学操作精确提取分割边界。首先利用结构元素对目标掩码做开形态学操作;然后进行闭合操作。平滑目标边界不会影响目标外形的细节信息[11]。

3 混合特征匹配跟踪

对目标进行分割后,利用混合特征进行快速匹配。本文所提跟踪算法利用目标整个寿命的时间相关性,而不仅仅是两个视频帧间的相关性。本文跟踪系统流程图如图2所示。

3.1 混合特征匹配

混合特征匹配利用各种有用特征测量目标间的相似性。对于在时间t和t-1处的目标Otj和Oit-1,本文对四个线索进行如下调查。

(1)邻域线索:给定欧式距离,其中xtj和ti分别表示在t时刻时目标j的观测坐标和目标i的预期坐标,利用运动预期方法获取目标预期结果。

(2)区域线索:为了消除区域间的视差问题,通过立体三角形计算目标的深度信息,对目标区域进行相应的归一化处理,使得多目标相对立体相机具有相同的距离。两个连续帧中关联目标间区域的差异十分微小,利用连接组件算法计算目标区域,用A(⋅)表示。时刻t的目标Otj和时刻t-1的目标Oit-1间区域的视差用|A(Otj)-A(Oit-1)|表示。

(3)运动方向线索:给定两个将要进行匹配的目标Ojt和Oit-1,本文用vi,jt=xjt-xit-1表示相应的运动向量。利用向量vi,jt和预定义参考向量vref间的角度θ(vi,jt,vref)表示运动方向,其表达式为:

根据运动趋势或者运动方向可以选取预定义的参考向量。

(4)直方图:本文采用32灰度级直方图间的距离矩阵。

综合以上四个线索,目标Otj和Oit-1间混合特征匹配的相似度如式(8)所示:

在本文所有视频数据的每帧图像上通过收集所有混合特征匹配候选者的特征值,系统计算出标准偏差。

匹配代价定义如式(9)所示:

式中{σ}表示特征的标准偏差。

3.2 Viterbi数据关联

在本文提出的Viterbi数据关联[15]系统中,所利用的立体信息是指匹配目标的立体信息,即视频帧中相同的目标作为一个目标进行观察以执行跟踪,为此,需要计算混合特征匹配代价的总和,即cijstereo(t)=cLij(t)+cRij(t)。其基本思想如图3所示,框架是一种有向图,每个节点在其寿命中都含有单独的框架、开始节点(三角形)和结束节点(正方形)。彩色箭头标记每个框架中的最优路径。从图3可以看出,节点被划分为有序子集N(t)={nj(t)|j=1,2,...,|N(t)|},其中t=1,2,...,T,边aij(t)连接相邻子集{ni(t-1),nj(t)}中任意的配对节点。节点表示一帧中存在的目标,将每个边界设定为cij(t)。一条路径(一系列的边)的总代价为:

其中:

3.2.1 单目标跟踪

对于单目标跟踪,本文利用文献[15]寻找最小代价。利用零代价和初始化一个节点的观察值,根据式(9)获取每个节点nj(t),j=1,2,...,|N(t)|。设定一个节点nj(t)的前身和累积代价分别为:

目标一旦离开视频边界,即到达框架的最后一级,则执行回溯。在最后一级中,以代价最小的节点开始执行回溯,根据事先在每一级中存储的数据遍历第一级以发现最优路径。

3.2.2 多目标跟踪

每个目标的起始帧可能不同,每个节点处的前期和最小代价也可能不同。本文为每个目标创建一个单独的框架进行跟踪,如图3所示。根据式(11)和式(12),利用所有观测值分别对每个目标进行数据关联,其中大多数错误警告都是在分割后处理阶段产生的,因此分割区域通常较小。对观测的位置和区域进行测试以将新目标和错误警告区分开来。因此,仅当目标的预期位置距离帧边界很近时才设定这个目标的跟踪过程结束,这也阻止了因暂时遮挡而引起的目标删除。其实就是为每个目标设置存活时间。图3中给出了目标跟踪总体框架,图中节点在任何阶段都允许包含多个路径。

数据关联中需要更新目标的位置和速度,设定帧t-1时刻第k个跟踪目标的位置和速度分别为xkt-1和vkt-1,当前帧预期的目标位置为。数据关联后,选取代价最小的观测节点更新位置和速度,即:xkt=xj*t,vkt=αvj*t+(1-α)vkt-1,其中,xj*t和vj*t分别表示代价最小观察节点的位置和速度,α表示更新比例。每一帧的数据关联及总结算法如下所示:

4 实验结果与分析

4.1 参数说明及度量函数

视频帧的尺寸为1 280×768像素,帧率为8 f/s。本文利用形态学做开操作时结构元素设定为7×7像素大小的模板(7×7为一个经验值),表1为根据经验设定的形态学操作模板中的参数大小。

为了对多目标跟踪的精度进行评估,本文设计了两种类型错误:假阳性(FP)和假阴性(FN),两种类型错误的权重相同。本文规定了真阳性(TP)的数量并提供了运动目标总的个数。运动目标总的个数(TO)是所有图像帧中目标的总和。主要跟踪(MT)和主要丢失(ML)的分数进而测量有多少跟踪成功或丢失,算法的精度分别定义为:

4.2 单目标跟踪效果分析

图4所示为一段比较模糊的足球比赛视频序列帧。从图4可以看出,比赛双方运动员中的一方穿着相同,很难直接辨识。利用本文算法对图4单目标进行跟踪,并将实验结果与文献[4]提出的粒子群优化算法(PSO-PF)和文献[5]提出的局部背景加权算法(CBWH)进行比较。图4(a)所示为本文算法结果,从图中可以看出,选择的运动员基本定位完整。即使有很多类似特征的运动员,因采用了目标运动方向特征和时间信息,目标也能准确定位,图4(b)和图4(c)分别是CBWH和PSO-PF跟踪结果,可以看出CBWH在第三帧已偏离目标,PSO-PF在第二帧已偏离目标。比较三种算法,本文算法精确性能明显优于CBWH和PSO-PF两种算法。

此外,测试了CBWH算法[5]和TLD算法[7]所使用的部分视频,表2为各算法的跟踪准确率比较。跟踪准确率是指正确分割锁定目标的时间比上总时间。总体来说,本文提出的单目标跟踪算法跟踪准确率高于其他两种算法。

4.3 多目标跟踪效果分析

图5为一段分辨率比较低的鱼类视频序列帧。从图中可以看出,帧背景比较黑暗,图像中目标姿态不断变化。利用本文算法对图5多目标进行跟踪,并将实验结果与文献[9]提出的标记点处理算法MPP和文献[10]提出的多目标Kalman跟踪器进行比较。图5是本文算法与MPP和Kalman的跟踪分割结果图。图5(a)是本文算法结果,可以看出目标基本完全定位,图5(b)和图5(c)分别是MPP和Kalman跟踪结果,其中红色框是漏检的目标。从图5可以看出,本文算法漏检率明显低于MPP和Kalman算法。表3是精度和召回率比较,其中实验总体目标数目设置为90个。从表3可以看出,本文算法精度和召回率明显优于MPP和Kalman算法。

5 结论

本文提出一种基于混合特征匹配的多目标分割跟踪算法,算法可用于低对比度的多目标跟踪。算法中采用的局部双阈值能克服低对比度和噪声对目标跟踪的影响,并利用直方图反向投影进行外形分割结果,利用四种特征进行目标匹配,并设计了总体代价函数以及代价函数的数据关联计算。实验结果表明,本文算法取得了较高的跟踪成功率,具有很好的实际应用价值。

下一步的研究内容是对于不同的场景,如何自适应地选择有效特征进行目标匹配。

摘要：传统跟踪算法在视频分辨率低、帧图像模糊或噪声较多时跟踪效果较差。针对此情况,提出一种混合特征匹配结合Viterbi数据关联的目标跟踪算法。首先,采用直方图反向投影技术对双局部阈值图像中的目标边缘进行有效分割,克服了低对比度问题;然后,将邻域特征、区域特征、运动方向特征和直方图特征作为目标表征特征,建立混合特征代价函数;最后,采用Viterbi数据关联计算代价总和,求得最相似目标。实验结果表明,在帧图像模糊或噪声较多的情况下,目标跟踪稳定且有效,单目标跟踪准确率为0.89,多目标跟踪精度达0.975,召回率达0.920,优于其他几种同类跟踪算法。