点目标和扩展目标联合跟踪算法
非线性系统的多扩展目标跟踪算法
非线性系统的多扩展目标跟踪算法非线性系统的多目标跟踪算法是指在面对非线性系统时，能够同时跟踪多个目标的一种算法。
在实际应用中，我们经常会遇到需要同时跟踪多个目标的情况，例如在无人机航迹规划、自动驾驶、智能交通系统等领域都会用到多目标跟踪算法。
非线性系统的多目标跟踪算法是一种复杂而又具有挑战性的问题，因为非线性系统具有复杂的动态特性，同时需要考虑多个目标之间的相互影响和干扰。
本文将介绍一种基于扩展目标跟踪算法的非线性系统多目标跟踪方法，并进行深入的探讨。
一、扩展目标跟踪算法简介扩展目标跟踪（Extended Target Tracking, ETT）算法是一种针对多目标跟踪问题的算法。
与传统的目标跟踪算法不同，扩展目标跟踪算法考虑到目标的扩展性，即目标可能在时空上都有一定的扩散性。
这种扩展性使得目标不再是一个点目标，而是一个区域目标，因此需要在目标跟踪算法中考虑到目标的扩展性。
扩展目标跟踪算法能够有效地处理多个目标之间的交叉干扰和相互遮挡的情况，因此在复杂环境下具有非常好的效果。
扩展目标跟踪算法的基本思想是通过对目标进行扩展描述，将目标看作是一个概率分布函数，而不是一个确定的点目标。
根据目标的运动模型和传感器的观测模型，通过贝叶斯滤波方法对目标的状态进行估计和预测。
扩展目标跟踪算法通常采用的滤波方法包括卡尔曼滤波、粒子滤波等，通过对目标的概率分布进行更新和迭代，最终得到目标的轨迹和状态信息。
针对非线性系统的多目标跟踪问题，我们可以将扩展目标跟踪算法进行扩展，利用非线性滤波方法对多个扩展目标进行跟踪。
在非线性系统中，目标的运动和观测模型往往是非线性的，因此传统的线性滤波方法已经不再适用。
我们需要借助非线性滤波方法，如扩展卡尔曼滤波（Extended Kalman Filter, EKF）或无迹卡尔曼滤波（Unscented Kalman Filter, UKF），来处理非线性系统的多目标跟踪问题。
在非线性系统中，目标的状态通常是由位置、速度和加速度等多个参数组成的向量，而目标的观测数据也可能是非线性的。
多扩展目标跟踪流程
多扩展目标跟踪流程目标跟踪是一种计算机视觉技术，用于在视频中检测和跟踪特定目标的位置和动态。
目标跟踪在许多应用中都有广泛的应用，如视频监控、自动驾驶、机器人导航等。
它可以帮助我们了解目标的运动路径、行为模式以及与其他目标的交互。
在本文中，我将介绍多种目标跟踪的扩展技术和流程。
一、基于图像特征的目标跟踪基于图像特征的目标跟踪是最常见的目标跟踪方法之一。
它通过提取目标的视觉特征（例如颜色、纹理、形状等）来识别和跟踪目标。
常用的特征提取算法包括颜色直方图、梯度直方图、局部二值模式等。
接下来，我们将介绍一些基于图像特征的目标跟踪的扩展技术。
1. 目标外观建模目标外观建模是一种将目标的外观表示为一个模型的方法。
常见的外观模型包括基于统计的模型、形状模型和纹理模型等。
通过建模目标的外观模型，可以更准确地跟踪目标并解决外观变化的问题。
在实际应用中，可以通过在线学习或离线训练来建立目标的外观模型。
2. 目标运动模型目标运动模型是一种通过建模目标的运动模式来预测目标位置的方法。
常见的运动模型包括线性模型、非线性模型和机器学习模型等。
通过建立目标运动模型，可以在目标漂移或突变的情况下准确地预测目标位置。
3. 多目标跟踪多目标跟踪是一种同时跟踪多个目标的方法。
在多目标跟踪中，需要解决交叉遮挡、目标重叠等问题。
常见的多目标跟踪算法包括卡尔曼滤波器、粒子滤波器和轨迹聚类等。
多目标跟踪可以帮助我们理解多目标的行为和交互。
二、基于深度学习的目标跟踪随着深度学习的迅速发展，基于深度学习的目标跟踪成为目标跟踪领域的热门研究方向。
深度学习通过使用深度神经网络来自动学习目标的特征表示和目标的运动模式。
接下来，我们将介绍一些基于深度学习的目标跟踪的扩展技术。
1. 卷积神经网络（CNN）卷积神经网络是一种特殊的深度神经网络，广泛应用于图像识别和目标跟踪等领域。
在目标跟踪中，可以使用卷积神经网络来提取目标的高级特征表示，进而实现更准确的目标跟踪。
融合顺序敏感的多传感器GM-PHD跟踪算法研究
融合次序敏感的多传感器GM-PHD跟踪算法探究Mixture Probability Hypothesis Density）跟踪算法。
该算法接受了多个传感器的数据融合，实现了对目标的跟踪和位置猜测，并通过次序敏感方法改进了算法的鲁棒性和跟踪精度。
试验表明，本算法能够有效跟踪目标，缩减“传感器失联”、“传感器漂移”的影响，在多传感器跟踪领域有较大的应用前景。
关键词：多传感器；GM-PHD；次序敏感；目标跟踪；数据融合一、引言近年来，随着传感器技术的飞速进步，多传感器目标跟踪技术也得到了迅猛的进步。
多传感器目标跟踪技术利用多个传感器得到的数据，对目标进行多源信息融合，可大大提高目标跟踪的准确性和鲁棒性。
然而，在多传感器目标跟踪中，“传感器失联”、“传感器漂移”等问题也变得突出，这些问题会导致目标的跟踪精度降低，甚至失效。
为了提高多传感器目标跟踪的鲁棒性和精度，本文基于GM-PHD（Gaussian Mixture Probability Hypothesis Density）跟踪算法，提出了一种次序敏感的多传感器跟踪算法。
在此基础上，接受了多源数据融合技术，实现了对目标的多源信息得到和位置猜测，显著提高了跟踪精度和鲁棒性。
二、多传感器跟踪算法探究2.1 GM-PHD算法原理GM-PHD算法是一种基于概率密度的目标跟踪算法，它使用高斯混合模型（Gaussian Mixture Model）来描述目标的位置和速度信息。
GM-PHD算法的核心思想是基于观测数据和历史轨迹来推断目标状态。
2.2 多传感器跟踪算法构建本文针对已有的多传感器跟踪算法进行优化，起首接受数据融合技术，实现了多个传感器数据的汇聚和处理。
然后针对传感器失联和漂移等问题，提出了一种次序敏感的算法。
该算法能够在传感器失联等状况下，自适应调整跟踪模型，提高跟踪精度和鲁棒性。
三、试验结果与分析为了验证本文提出的多传感器次序敏感GM-PHD算法的有效性，我们进行了模拟试验和真实数据试验。
基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现
基于扩展卡尔曼滤波的目标跟踪定位算法及matlab程序实现扩展卡尔曼滤波（Extended Kalman Filter，EKF）是一种用于非线性系统状态估计的算法。
在目标跟踪定位中，它可以用于估计目标的运动轨迹。
下面是一个简单的基于扩展卡尔曼滤波的目标跟踪定位算法的描述，以及一个简化的MATLAB程序实现。
算法描述1. 初始化：设置初始状态估计值（例如位置和速度）以及初始的估计误差协方差矩阵。
2. 预测：根据上一时刻的状态估计值和模型预测下一时刻的状态。
3. 更新：结合观测数据和预测值，使用扩展卡尔曼滤波算法更新状态估计值和估计误差协方差矩阵。
4. 迭代：重复步骤2和3，直到达到终止条件。
MATLAB程序实现这是一个简化的示例，仅用于说明扩展卡尔曼滤波在目标跟踪定位中的应用。
实际应用中，您需要根据具体问题和数据调整模型和参数。
```matlab% 参数设置dt = ; % 时间间隔Q = ; % 过程噪声协方差R = 1; % 观测噪声协方差x_est = [0; 0]; % 初始位置估计P_est = eye(2); % 初始估计误差协方差矩阵% 模拟数据：观测位置和真实轨迹N = 100; % 模拟数据点数x_true = [0; 0]; % 真实轨迹初始位置for k = 1:N% 真实轨迹模型（这里使用简化的匀速模型）x_true(1) = x_true(1) + x_true(2)dt;x_true(2) = x_true(2);% 观测模型（这里假设有噪声）z = x_true + sqrt(R)randn; % 观测位置% 扩展卡尔曼滤波更新步骤[x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R);end% 扩展卡尔曼滤波更新函数（这里简化为2D一维情况）function [x_est, P_est] = ekf_update(x_est, P_est, z, dt, Q, R)% 预测步骤：无观测时使用上一时刻的状态和模型预测下一时刻状态F = [1 dt; 0 1]; % 状态转移矩阵（这里使用简化的匀速模型）x_pred = Fx_est + [0; 0]; % 预测位置P_pred = FP_estF' + Q; % 预测误差协方差矩阵% 更新步骤：结合观测数据和预测值进行状态更新和误差协方差矩阵更新K = P_predinv(HP_pred + R); % 卡尔曼增益矩阵x_est = x_pred + K(z - Hx_pred); % 更新位置估计值P_est = (eye(2) - KH)P_pred; % 更新误差协方差矩阵end```这个示例代码使用扩展卡尔曼滤波对一个简化的匀速运动模型进行估计。
基于扩展目标的不变矩跟踪算法
维普资讯
第】 期
张 坤 华 等 ：基 于扩 展 目标 的 不变 矩 跟 踪 算法
和 图像 分类 领域 ’ 但还 很少 有关于把不 变矩用 于 目标 跟踪 的报 道 。 。 究其 原因是 因为 不 变矩的计 算量 太大 ， 难用 于动 态 目标 的处 理 。 很 为此 ， 本文提 出基 于边 缘区域 的不 变矩快建 算法 ， 并把其 运 用于扩展 目
声和运 动状 态发生变化条件下的扩展 目标跟 踪稳定可Байду номын сангаас
关 键词 ： 不 变矩 ； 扩 展 目标 相关 跟 踪 ； 差 的绝 对 值 和 相关 法 （ＡＤ） 跟 踪 置 信 度 Ｓ ； 中 图分 类 号 ： Ｔ ３ １ Ｐ ９ 文 献 标识 码 ： Ａ
成 像跟 踪是利 用 目标 的图像信息来 跟踪 目标 。 目标 的图像 尺寸 呈现 出可度量 的程 度时 ， 当 用成 像 方
维普资讯
第 １卷 第 ｌ 『 １ 期 ２０ ０ ２年 】月
强
激
光
与 粒
子
束
Ｖ ｏ１ ．， Ｏ ．１１ Ｎ ．】
Ｈ Ｉ Ｈ ＰＯ Ｗ ＥＲ ＩＡ ＳＥＲ Ａ Ｎ Ｄ ＰＡ ＲＩ、ＣＩＥ Ｇ ， Ｉ ＢＥＡ Ｍ Ｓ
Ｊ ｎ ，∞ ２ ａ ．２
标 图 像的形状 和灰 度发生 变化 的情 况下 保持不变 的局部特 征
２ 扩 展 目标 的 跟 踪 特征 提 取
目标 形 态和位置 发生 变化后仍保 持不 变 的特 征在模式识 别 中称 为不 变量 。不 变量 的研 究是 当前模 式识 别领域 的热 点之 一 。我 们这里着 重讨 论 目标 图像的特征 在经历 了如下 一个或 几个 变换后 仍然 保持
随机有限集扩展目标跟踪算法研究
随机有限集扩展目标跟踪算法研究随机有限集扩展目标跟踪算法研究摘要：目标跟踪是计算机视觉和机器人领域的研究热点之一。
随机有限集（Random Finite Set，RFS）扩展目标跟踪算法是一类基于概率和统计的目标跟踪方法。
本文通过研究RFS扩展目标跟踪算法的基本理论和关键技术，总结了该算法的发展历程和应用情况，并对其未来发展进行了展望。
1. 引言目标跟踪是计算机视觉和机器人领域的重要课题，广泛应用于目标检测、自动驾驶、智能监控等领域。
传统的目标跟踪算法主要基于滤波或粒子滤波方法，其在处理高维状态空间和多目标的情况下存在一定的局限性。
为了克服这些问题，研究人员提出了随机有限集扩展目标跟踪算法。
2. 随机有限集扩展目标跟踪算法概述RFS扩展目标跟踪算法是一类基于RFS理论的目标跟踪方法，该方法通过描述目标状态的概率密度函数来进行目标跟踪。
RFS概率密度函数描述了目标的存在概率以及目标的状态分布，能够更准确地表示目标的不确定性。
3. RFS扩展目标跟踪算法的基本理论RFS扩展目标跟踪算法的核心理论包括卡尔曼滤波器、粒子滤波器、卡尔曼-粒子滤波器等。
卡尔曼滤波器是一种基于线性状态空间模型的目标跟踪方法，其通过线性近似的方式估计目标状态。
粒子滤波器是一种基于重采样的蒙特卡洛方法，能够处理非线性和非高斯的目标模型。
卡尔曼-粒子滤波器是卡尔曼滤波器和粒子滤波器的结合，用于解决高维状态空间和多目标的跟踪问题。
4. RFS扩展目标跟踪算法的关键技术RFS扩展目标跟踪算法的关键技术包括目标测量、目标建模、数据关联和滤波更新等。
目标测量用于从视频序列中提取目标特征，如位置、速度、外观等。
目标建模用于描述目标的运动模型和外观模型，常见的建模方法包括卡尔曼滤波器、高斯混合模型等。
数据关联用于将每个测量与目标进行关联，常见的关联方法有最小二乘关联、相似度度量等。
滤波更新用于根据最新的目标测量信息更新目标的状态估计值和不确定度。
多扩展目标的高斯混合概率假设密度滤波器
多扩展目标的高斯混合概率假设密度滤波器韩玉兰;朱洪艳;韩崇昭;王静【期刊名称】《西安交通大学学报》【年(卷),期】2014(048)004【摘要】针对多扩展目标跟踪中状态信息难以估计的问题,提出了一种可以估计扩展目标运动状态和形状信息的多扩展目标高斯混合概率假设密度(RHM-GMPHD)滤波器.首先利用描述凸星形扩展目标量测源分布的随机超曲面模型和传感器量测方程,建立扩展目标运动状态及形状信息与量测之间关系的伪量测函数;然后结合扩展目标状态预报信息,推导了扩展目标状态更新方程,递推地对扩展目标运动状态及形状信息进行估计跟踪.此外,还建立了Jaccard距离来度量RHM-GMPHD滤波器对目标形状的估计性能.与联合概率数据关联(JPDA)滤波器和GMPHD滤波器相比,RHM-GMPHD滤波器不仅可以估计凸星形扩展目标的形状信息,并能有效提高对目标数和运动状态的估计精度.仿真实验表明,RHM-GMPHD滤波器对质心估计的均方根误差分别约为JPDA和GMPHD滤波器的1/3和1/2,对目标数的估计接近真实值,对形状估计的Jaccard距离一般小于0.2.【总页数】7页(P95-101)【作者】韩玉兰;朱洪艳;韩崇昭;王静【作者单位】西安交通大学电子与信息工程学院,710049,西安;西安交通大学电子与信息工程学院,710049,西安;西安交通大学电子与信息工程学院,710049,西安;西安邮电大学电子工程学院,710121,西安【正文语种】中文【中图分类】TN274【相关文献】1.利用高斯混合概率假设密度滤波器对扩展目标量测集进行划分 [J], 孔云波;冯新喜;危璋2.高斯混合扩展目标概率假设密度滤波器的收敛性分析 [J], 连峰;韩崇昭;刘伟峰;元向辉3.基于高斯混合概率假设密度滤波器的扩展目标跟踪算法 [J], 曹倬;冯新喜;蒲磊;张琳琳4.一种多扩展目标非线性高斯逆Wishart概率假设密度滤波器 [J], 陈辉;赵维娓5.基于星凸随机超曲面的扩展目标伽马高斯混合势概率假设密度滤波器 [J], 李翠芸;王精毅;姬红兵;刘远因版权原因，仅展示原文概要，查看原文内容请购买。
基于ET-GM-PHD的多传感器多目标跟踪算法
关键词 ：扩展 目标 ； 概 率假 设密度滤波器 ；高斯 混合方法 ； 数据关联
中 图分 类 号 ：Ｔ Ｐ ２ １ ２ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１ ０ ０ ０ － ９ ７ ８ ７ （ ２ ０ １ ３ ） １ ０ － ０ １ ２ ６ － － ０ ３
Ｍ ｕｌ ｔ ｉ ｓ ｅ ｎ ｓ ｏ ｒ ｍ ｕｌ ｔ ｉ ｐ ｌ ｅ ｔ ａ ｒ ｇ ｅ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
１ ２ ６
传感器 与微 系统 （ Ｔ ｒ ａ ｎ ｓ ｄ ｕ ｃ ｅ ｒ ａ ｎ ｄ Ｍｉ ｃ ｒ ｏ ｓ ｙ ｓ ｔ ｅ ｍ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｉ ｅ ｓ ）
２ ０ １ ３年 第 ３ ２卷 第 １ Ｏ期
基于 Ｅ Ｔ － ＧＭ— Ｐ ＨＤ 的 多传 感器 多 目标 跟踪 算 法
ｂ ａ ｓ ｅ ｄ ｏ ｎ ＥＴ． ＧＭ ． ＰＨＤ
Ｌ Ｉ Ｕ Ｌ ｉ － ｊ ｕ ａ ｎ ， Ｌ Ｉ Ｕ Ｇ ｕ ｏ — ｄ ｏ ｎ ｇ
（ Ｋ ｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ Ａ ｄ ｖ ａ ｎ ｃ ｅ ｄ Ｐ ｒ ｏ ｃ ｅ ｓ ｓ Ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｆ ｏ ｒ Ｌ ｉ ｇ ｈ ｔ Ｉ ｎ ｄ ｕ ｓ ｔ ｒ ｙ ， Ｍｉ ｎ ｉ ｓ ｔ ｙ ｒ ｏ ｆ Ｅ ｄ ｕ ｃ ａ ｔ ｉ ｏ ｎ， Ｊ ｉ ａ ｎ ｇ ｎ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｗｕ ｘ ｉ ２ １ ４ １ ２ ２ ， Ｃ ｈ ｉ ｎ ａ ）
ｈ ｙ ｐ ｏ ｔ ｈ ｅ ｓ ｉ ｓ ｄ ｅ ｎ ｓ ｉ ｔ ｙ （ Ｅ Ｔ — Ｇ Ｍ— Ｐ Ｈ Ｄ） ． Ｔ ｈ ｅ ｂ ｉ ｇ ｇ ｅ ｓ ｔ ａ ｄ ｖ ａ ｎ ｔ ａ ｇ ｅ ｏ ｆ ｔ ｈ ｉ ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ｔ ｈ ａ ｔ ｉ ｔ ｃ ａ ｎ ａ ｖ ｏ ｉ ｄ ｄ ａ ｔ ａ ａ ｓ ｓ ｏ ｃ ｉ ａ ｔ ｉ ｏ ｎ
用在红外热成像上的目标检测算法
红外热成像目标检测算法研究与应用红外热成像技术是一种利用物体热辐射差异进行成像的技术，广泛应用于军事、工业、医疗等领域。
其中，红外热成像目标检测是红外技术应用的一个重要分支，它能够在复杂背景下快速准确地检测出目标，为后续的识别、跟踪等任务提供重要支持。
一、红外热成像目标检测算法概述红外热成像目标检测算法的主要任务是从红外图像中识别出感兴趣的目标，通常包括点目标、面目标和扩展目标等。
这些目标在红外图像中表现为亮度、形状、纹理等特征的变化。
目标检测算法需要能够处理红外图像的噪声、对比度低等问题，同时实现对目标的快速准确检测。
二、红外热成像目标检测算法分类根据检测原理和实现方法的不同，红外热成像目标检测算法可分为以下几类：基于阈值的方法：通过设置合适的阈值，将图像中的目标与背景进行分离。
这种方法简单快速，但容易受到噪声和光照变化的影响。
基于滤波的方法：利用滤波器对红外图像进行预处理，提高目标与背景的对比度。
常见的滤波方法包括高斯滤波、中值滤波等。
基于特征的方法：提取目标的特征（如边缘、角点等），然后利用分类器（如支持向量机、神经网络等）对特征进行分类，从而实现目标检测。
这种方法对目标的形状、纹理等特征具有较强的描述能力，但计算复杂度较高。
基于深度学习的方法：利用深度学习模型（如卷积神经网络）对红外图像进行特征学习和分类。
这种方法能够自动提取目标的深层特征，具有较高的检测精度和鲁棒性，但需要大量的训练数据和计算资源。
三、红外热成像目标检测算法应用与挑战红外热成像目标检测算法在军事侦察、无人机导航、安防监控等领域具有广泛的应用前景。
然而，在实际应用中，红外热成像目标检测算法面临着诸多挑战，如复杂背景干扰、目标遮挡、光照变化等。
为了提高算法的鲁棒性和实时性，需要针对这些问题进行深入研究和技术创新。
四、总结与展望红外热成像目标检测算法作为红外技术应用的重要分支，在军事、工业等领域具有广泛的应用前景。
随着深度学习等技术的不断发展，红外热成像目标检测算法的性能将得到进一步提升，为实际应用提供更加可靠的支持。
采用改进粒子滤波的雷达扩展目标检测前跟踪
ｒ ｄ ｃ ｈ ｕ ｅ ｆｐ ｒ ｃ ｅ ． Ｄ ｅ ｔ ｈ ｃ ｈ ｎ ｅ ｗ ｅ ｈ ｒ ｐ ｓ ｄ ｔｒ ｅ ｄ ｌ ａ ｄ ｔ ｅ ｉｔｇ ａ ｉｎ ｅ ｕ ｅ ｔｅ ｎ ｍｂ ｒ ｏ ａ ｔ ｌ ｓ ｉ ｕ ｏ ｔ ｅ ｍａ ｔ ｉ ｇ ｂ ｔ ｅ ｎ ｔ ｅ ｐ ｏ ｏ ｅ ａ ｇ ｔｍｏ ｅ ｎ ｈ ｎ ｅ ｒ ｔ ｏ ｆ ｎ ｔ ｎ ｏ Ｂ ａｇ ｒ ｈ ｏ ｅ ｉ ， ａ ｍｐ ｏ ｅ ｒ ｂ ｂ ｌ ｙ ｏ ｅｅ ｔ ｎ ｆｒ ｔ ｅ ｄ ｍ ａｇ ｔ ｓ ｏ ｔ ｉ ｅ ． ｕ ｃ ｉ ｆ Ｔ Ｄ ｌｏ ｉ ｍ ｖ ｒ ｔ ｏ ｔ ｍｅ ｎ ｉ ｒ ｖ ｄ ｐ ｏ ａ ｉ ｔ ｆ ｄ ｔｃ ｉ ｈ ｉ ｔ ｒｅ ｉ ｂ ａｎ ｄ ｉ ｏ ｏ Ｓ ｍｕ ａｉｎ ｒ ｓ ｌ ｅ ｎ ｔａｅ ｔ ａ ｈ ｒ ｐ ｓ ｄ ｍｅｈ ｄ ｉ ｃ ｐ ｂ ｅ ｏ ｅ ｅ ｔ ｇ ａ ｄ ｔａ ｋｎ ａｇ ｔｗ ｔ ｈ ｉ ｌ ｔ ｅ ｕ ｔ ｄ ｍｏ ｓｒｔ ｈ ｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ｓ ａ ａ ｌ ｆ ｄ ｔｃ ｉ ｎ ｒ ｃ ｉ ｇ ａ ｔｒ ｅ ｉｈ ｔ ｅ ｏ ｓ ｔ ｎ
Ｓ ＮＲ ｆ１ｄＢ ｓａ ｌ ． ｏ ｔｂ ｙ Ｋｅ Ｗ ｏ ｄｓ ｙ ｒ ： ｔａ ｋ・ ｅｏ ｅ－ ｔｃ ； ｐ ｒｉｌ ｌｅ ； ｅ ｔｎ ｄ ｔｒ ｅ ； ｌｋ ｌｈｏ ｄ ｒ ｔｏ ｆ ｃ ｉｎ ｒ ｃ － ｆｒ － ｅ ｔ ａ ｔｃｅ ｆ ｔｒ ｘｅ ｄｅ ａｇ ｔ ｉｅ ｉ ｏ ａｉ ｕｎ ｔｏ ｂ ｄｅ ｉ
２１ ０ １年 ４月
西 安电子 科技大学学 报（ 自然科学版 ）
Ｊ ０ＵＲＮＡＩ ０Ｆ Ⅺ ＤＩ ＡＮ Ｉ ＲＳ ｎＹ
Ａｐ ． ０１ ｒ２ １
第３ ８卷
第 ２期
《基于KCF跟踪算法的目标轨迹记录系统的设计与实现》
《基于KCF跟踪算法的目标轨迹记录系统的设计与实现》一、引言随着科技的发展，计算机视觉技术得到了广泛的应用。
在众多计算机视觉技术中，目标跟踪技术因其重要性和应用前景而备受关注。
本文将介绍一种基于KCF（Kernelized Correlation Filters）跟踪算法的目标轨迹记录系统的设计与实现。
该系统能够有效地对目标进行跟踪，并记录其轨迹，为后续的图像处理和分析提供重要的数据支持。
二、系统设计1. 系统架构设计本系统采用模块化设计，主要包括数据预处理模块、KCF跟踪模块、轨迹记录模块和用户交互模块。
其中，数据预处理模块负责对输入的图像进行预处理，如去噪、二值化等；KCF跟踪模块负责实现目标的跟踪；轨迹记录模块负责记录目标的轨迹；用户交互模块则负责与用户进行交互，如设置跟踪参数、查看轨迹等。
2. KCF跟踪算法设计KCF（Kernelized Correlation Filters）跟踪算法是一种基于相关滤波器的目标跟踪算法。
该算法通过在目标周围选取一定数量的样本点，并利用这些样本点训练出一个分类器，以实现对目标的跟踪。
在KCF算法中，采用循环矩阵对样本点进行扩展，以获得更多的训练样本，从而提高算法的准确性和鲁棒性。
3. 轨迹记录模块设计轨迹记录模块负责记录目标的轨迹信息。
该模块将KCF跟踪算法输出的目标位置信息存储在数据库中，并根据需要生成相应的轨迹图。
同时，该模块还提供了数据导出功能，方便用户对轨迹数据进行进一步的分析和处理。
三、系统实现1. 数据预处理模块实现数据预处理模块采用OpenCV等图像处理库进行实现。
该模块能够对输入的图像进行去噪、二值化等预处理操作，以提高后续KCF跟踪算法的准确性和效率。
2. KCF跟踪模块实现KCF跟踪模块是本系统的核心部分，采用C++语言进行实现。
该模块通过在目标周围选取一定数量的样本点，并利用这些样本点训练出一个分类器，以实现对目标的跟踪。
在实现过程中，采用了循环矩阵对样本点进行扩展，以提高算法的准确性和鲁棒性。
目标跟踪算法综述
目标跟踪算法综述大连理工大学卢湖川一、引言目标跟踪是计算机视觉领域的一个重要问题，在运动分析、视频压缩、行为识别、视频监控、智能交通和机器人导航等很多研究方向上都有着广泛的应用。
目标跟踪的主要任务是给定目标物体在第一帧视频图像中的位置，通过外观模型和运动模型估计目标在接下来的视频图像中的状态。
如图1所示。
目标跟踪主要可以分为5部分，分别是运动模型、特征提取、外观模型、目标定位和模型更新。
运动模型可以依据上一帧目标的位置来预测在当前帧目标可能出现的区域，现在大部分算法采用的是粒子滤波或相关滤波的方法来建模目标运动。
随后，提取粒子图像块特征，利用外观模型来验证运动模型预测的区域是被跟踪目标的可能性，进行目标定位。
由于跟踪物体先验信息的缺乏，需要在跟踪过程中实时进行模型更新，使得跟踪器能够适应目标外观和环境的变化。
尽管在线目标跟踪的研究在过去几十年里有很大进展，但是由被跟踪目标外观及周围环境变化带来的困难使得设计一个鲁棒的在线跟踪算法仍然是一个富有挑战性的课题。
本文将对最近几年本领域相关算法进行综述。
二、目标跟踪研究现状1. 基于相关滤波的目标跟踪算法在相关滤波目标跟踪算法出现之前，大部分目标跟踪算法采用粒子滤波框架来进行目标跟踪，粒子数量往往成为限制算法速度的一个重要原因。
相关滤波提出了一种新颖的循环采样方法，并利用循环样本构建循环矩阵。
利用循环矩阵时域频域转换的特殊性质，将运算转换到频域内进行计算，大大加快的分类器的训练。
同时，在目标检测阶段，分类器可以同时得到所有循环样本得分组成的响应图像，根据最大值位置进行目标定位。
相关滤波用于目标跟踪最早是在MOSSE算法[1]中提出的。
发展至今，很多基于相关滤波的改进工作在目标跟踪领域已经取得很多可喜的成果。
1.1. 特征部分改进MOSSE[1] 算法及在此基础上引入循环矩阵快速计算的CSK[2]算法均采用简单灰度特征，这种特征很容易受到外界环境的干扰，导致跟踪不准确。
雷达信号处理中的目标检测与跟踪技术
雷达信号处理中的目标检测与跟踪技术雷达（Radar）是一种利用电磁波进行探测和测距的技术，广泛应用于军事、航空航天以及民用领域。
雷达信号处理中的目标检测与跟踪技术是在雷达应用过程中必不可少的环节，旨在提取目标信息并实现对目标的实时跟踪。
目标检测是雷达信号处理的第一步，其目的是从杂波中识别出目标信号。
在目标检测中，常用的方法有能量检测法、匹配滤波法和统计检测法等。
能量检测法是一种基于信号能量的方法，当接收到的信号能量超过一定阈值时，认为检测到了目标。
匹配滤波法则是将已知目标的参考信号与接收到的信号进行相关运算，通过寻找相关峰值来检测目标。
统计检测法则是基于统计学原理进行目标检测，利用雷达回波信号的统计特性来判断是否存在目标。
目标跟踪是在目标检测的基础上，对目标进行实时跟踪和预测。
雷达目标跟踪技术主要分为两类：点目标跟踪和航迹跟踪。
对于点目标跟踪，通常采用卡尔曼滤波器、扩展卡尔曼滤波器等滤波算法进行实时跟踪。
卡尔曼滤波器通过将目标位置和速度作为状态变量建立状态方程，并结合观测方程对目标进行预测和修正。
扩展卡尔曼滤波器则是对非线性系统进行近似线性化处理，将卡尔曼滤波器扩展到非线性系统上。
而航迹跟踪则是对目标的航迹进行预测和估计，常用的方法有最小二乘法、贝叶斯滤波法等。
在雷达信号处理中，还有一类重要的技术是目标特征提取。
目标特征提取是指从雷达回波信号中提取出与目标特征属性相关的信息。
常用的特征提取方法有时域特征、频域特征和小波变换等。
时域特征是指根据雷达回波信号的幅度、距离延迟、时间间隔等特征进行目标识别。
频域特征则是通过对雷达回波信号进行傅里叶变换，提取出目标的频谱特征。
小波变换则是将时域和频域结合起来，通过不同尺度波形进行目标特征提取。
目标检测与跟踪技术的研究在军事和民用领域有着广泛应用。
在军事领域，雷达目标检测与跟踪技术能够实现对目标的远程监视和侦察，为军事行动提供重要支持。
在民用领域，雷达目标检测与跟踪技术应用于航空交通管制、地震监测和气象预警等方面，对于保障公共安全和提高生活质量具有重要意义。
目标跟踪
目标跟踪摘要—文章首先简要概述计算机视觉中的目标跟踪任务，然后依据不同的目标描述方法将目标跟踪分为三类。
由于目标的突发性移动、复杂的目标结构、目标间的遮挡、摄像机移动等原因，目标跟踪变得十分困难。
所以，在不同的应用场景，为实现鲁棒性，通常会对跟踪问题附加约束条件。
为使跟踪最优化，选择合适的目标探测方法、运动模型和图像特征显得尤其重要。
最后，提出了目标跟踪领域仍需解决的问题。
关键词目标描述目标跟踪1. 简介在计算机视觉领域中，目标跟踪是一项重要任务。
随着高性能计算机的激增和高质量低价格的数码摄像机实用性的增强，为满足自动视频分析的需求，这使得目标跟踪算法成为了热门研究领域。
视频分析有以下三个重要步骤：（1）对关注的移动目标的探测；（2）对此类对象帧到帧的跟踪；（3）分析跟踪目标来辨识他们的行为。
简单来说，目标跟踪就是依据视频序列来估计目标的移动轨迹进而达到跟踪目的。
跟踪目标非常复杂的原因主要有以下各方面：（1）3 D世界映射到2 D图像引起的信息丢失；（2）图像中的噪声；（3）目标的外形及其运动的复杂性；（4）部分或全部的目标遮挡；（5）实时处理要求。
跟踪系统必须处理两个基本问题：移动和匹配。
移动问题：预测跟踪目标在多帧图像中位置的变化。
匹配问题：（探测或定位）在指定搜索区域内识别下一帧图像中的目标特征，并能在多目标中正确选择所要跟踪的目标。
对于跟踪过程的特殊性问题，如哪种目标描述是合适的、应采用哪种图像特征、目标的特征该如何建模等，研究者已提出众多目标跟踪方案。
这就要求根据跟踪目标的不同去选择最佳方案，才能使跟踪效果达到最佳。
2. 跟踪方案目标跟踪器的宗旨就是通过定位目标在视频的每一帧图像的位置来产生目标随时间变化的移动轨迹。
目标的探测和建立相关性的任务可以单独或共同进行。
一种情况是：用目标探测算法来获得每一帧图像中可能的目标区域，然后对照帧图像，跟踪器会建立与目标相符合的特征。
另一种情况是：通过循环更新由前一帧中得到目标的位置和区域信息来联合估计目标区域和相关性。
【国家自然科学基金】_目标跟踪算法_基金支持热词逐年推荐_【万方软件创新助手】_20140801
目标定位跟踪 模板更新 概率加权 检测前跟踪 梯度特征 核密度估计 核函数 最小二乘法 无人机 数据关联 序列图像 头部跟踪 多模型 多传感器 外观模型 增强现实 图像分割 双向互关联 动态规划 动态簇 加加速度模型 信息处理 人体运动跟踪 二进制无线传感器网络 α -β -γ -δ 滤波 snake模型 meanshift mean shift camshift算法 鲁棒性 高速机动目标跟踪 高斯模型 高斯和滤波.卡尔曼滤波(gsf-kf) 高斯和phd 高斯·厄密特滤波-卡尔曼滤波 高层体系结构 马尔可夫随机场(mrf) 风-光互补发电 颜色模型 颜色分布模型 面向订单生产 非锚节点 非线性预测控制 非线性非高斯模型 非线性系统 非线性一致算法 非线性/非高斯 非均匀光照修正 非参数核密度估计 静止前景检测 雷达模拟 集中式融合 集中式 雅可比矩阵
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
推荐指数 52 22 9 7 7 6 6 5 5 5 4 4 4 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 29年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
激光雷达数据处理及应用
激光雷达数据处理及应用激光雷达是一种通过发射脉冲激光并接收反射激光来获取目标物体三维空间信息的传感器。
它具有高精度、高分辨率、长距离探测、不受光照影响等优点，在许多领域有广泛的应用。
激光雷达数据处理及应用主要包括数据采集、数据预处理、目标检测与跟踪、地图构建与定位等过程。
数据采集是激光雷达数据处理的首要环节。
激光雷达通过发射脉冲激光并接收反射激光来获取目标物体的距离、强度和角度等信息。
其工作原理是利用激光脉冲发射器发射激光脉冲，经过一段时间后，接收器接收到反射激光并记录时间。
通过测量激光脉冲发射和接收的时间差，可以计算出物体与传感器的距离。
激光雷达将每个脉冲激光的距离、强度和角度信息存储为点云数据，用于后续的数据处理。
数据预处理是激光雷达数据处理的重要环节。
激光雷达采集的原始数据存在噪声、多路径干扰等问题，需要进行滤波和去除无效数据。
常用的滤波算法包括高斯滤波、中值滤波和统计滤波等。
滤波可以减少噪声和干扰，提高数据的质量和准确性。
此外，还需要去除无效数据，如陷阱点、地面点和动态物体点等。
去除无效数据可以降低误检率，提高目标检测与跟踪的性能。
目标检测与跟踪是激光雷达数据处理的关键环节。
目标检测是指在点云数据中识别出目标物体的位置和形状。
常用的目标检测算法包括基于聚类的方法、基于特征提取和分类的方法以及深度学习方法等。
目标跟踪是指在连续的点云数据中跟踪目标物体的运动状态。
常用的目标跟踪算法包括卡尔曼滤波器、粒子滤波器和扩展目标跟踪等。
目标检测与跟踪可以提取目标物体的位置、速度和加速度等信息，用于后续的应用，如自动驾驶、智能安防等。
地图构建与定位是激光雷达数据处理的重要环节。
地图构建是指利用激光雷达数据构建环境的三维模型。
常用的地图构建算法包括基于栅格和基于点云的方法。
地图构建可以提供环境的三维表示，用于路径规划和导航。
定位是指利用激光雷达数据确定传感器在空间中的位置和姿态。
常用的定位方法包括基于里程计、基于特征匹配和基于滤波器的方法。
水下机器人自主导航中路径规划和目标跟踪算法研究
水下机器人自主导航中路径规划和目标跟踪算法研究随着科技的不断进步，人类对水下世界的探索也越来越深入。
而水下机器人作为一种重要的探测工具，其自主导航技术也日趋成熟，引起了广泛关注。
其中，路径规划和目标跟踪算法是影响水下机器人自主导航能力的重要方面。
本文将就此展开讨论。
一、路径规划算法路径规划算法是指针对水下机器人在复杂水下环境中的任务需求，通过算法预先规划出一条最优路径，使水下机器人能够准确、快速地到达目的地。
主要有以下几种算法：1. A*算法A*算法是一种经典的搜索算法，利用一个估价函数来评估决策的好坏，从而找到一条最优路径。
优点是能够在计算量较小的情况下找到全局最优解。
缺点则是可能会出现局部最优解，容易被局部地形或障碍物所干扰。
2. D*算法D*算法是针对A*算法的局限性进行改进的一种算法。
它通过维护一张“路径图”，在机器人行进的过程中动态更新地图信息，从而实现全局路径规划。
相比于A*算法，D*算法避免了局部最优解的出现，但计算量会相对较大。
3. RRT算法RRT（Rapidly-exploring Random Tree）算法是一种随机构树搜索算法。
该算法以起点为根节点，采用随机方式向各个方向扩展，形成枝叶伸展的树状结构，最终找到目标位置。
优点是能够在复杂环境中高效地搜索路径，但精度相对较低。
二、目标跟踪算法目标跟踪算法是指针对水下机器人的检测任务，在识别目标后自主跟踪目标，并在其运动过程中动态调整轨迹，实现精准检测及定位。
主要有以下几种算法：1. CAMShift算法CAMShift（Continuously Adaptive Mean Shift）算法是针对物体跟踪而设计的一种统计算法。
该算法通过一个连续的均值漂移过程，实现了对目标运动轨迹的跟踪。
算法适用于目标具有不规则轮廓或变形的情况，但对光线变化敏感。
2. KCF算法KCF（Kernelized Correlation Filter）算法是一种基于快速相关滤波器的物体跟踪算法。
目标跟踪算法综述
⽬标跟踪算法综述第⼀部分：⽬标跟踪速览先跟⼏个SOTA的tracker混个脸熟，⼤概了解⼀下⽬标跟踪这个⽅向都有些什么。
⼀切要从2013年的那个数据库说起。
如果你问别⼈近⼏年有什么⽐较niubility的跟踪算法，⼤部分⼈都会扔给你吴毅⽼师的论⽂，OTB50和OTB100(OTB50这⾥指OTB-2013，OTB100这⾥指OTB-2015，50和100分别代表视频数量，⽅便记忆)：Wu Y, Lim J, Yang M H. Online object tracking: A benchmark [C]// CVPR, 2013.Wu Y, Lim J, Yang M H. Object tracking benchmark [J]. TPAMI, 2015.顶会转顶刊的顶级待遇，在加上引⽤量1480+320多，影响⼒不⾔⽽喻，已经是做tracking必须跑的数据库了，测试代码和序列都可以下载：，OTB50包括50个序列，都经过⼈⼯标注：两篇论⽂在数据库上对⽐了包括2012年及之前的29个顶尖的tracker，有⼤家⽐较熟悉的OAB, IVT, MIL, CT, TLD, Struck等，⼤都是顶会转顶刊的神作，由于之前没有⽐较公认的数据库，论⽂都是⾃卖⾃夸，⼤家也不知道到底哪个好⽤，所以这个database的意义⾮常重⼤，直接促进了跟踪算法的发展，后来⼜扩展为OTB100发到TPAMI，有100个序列，难度更⼤更加权威，我们这⾥参考OTB100的结果，⾸先是29个tracker的速度和发表时间(标出了⼀些性能速度都⽐较好的算法)：接下来再看结果(更加详细的情况建议您去看论⽂⽐较清晰)：直接上结论：平均来看Struck, SCM, ASLA的性能⽐较⾼，排在前三不多提，着重强调CSK，第⼀次向世⼈展⽰了相关滤波的潜⼒，排第四还362FPS简直逆天了。
速度排第⼆的是经典算法CT(64fps)(与SCM, ASLA等都是那个年代最热的稀疏表⽰)。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ 空军 工程 大学 防空反 导 学院 ， 西安 ７ １ ０ ０ ５ １ ） 摘 要 ： 目标跟 踪 问题 在 国防领 域 ， 如 雷达对 飞机 、 轮船 和 导弹 等机 动 军 事 目标 的精 确探 测 和 定位 很 大程 度 上
决 定 了战 争武 器的有 效性 。针 对点 目标和 扩展 目标 同时存 在的特 殊情 况 ， 提 出基 于随机 集 的点 目标和 扩展 目标 联合 跟踪 算 法。该算 法探 索基 于随机 有 限集的扩展 目标滤 波器对 于点 目标跟 踪的 不足 ， 并 尝试通 过放 宽 约束 条 件 的方式 对其进 行 改进 。仿 真 结果表 明 ， 在 点 目标 和扩展 目 标 同时存 在 的 情 况下 ， 所 提 算 法相 比 于 已有基 于 随 机 集理论 的扩展 目 标 跟踪 算 法具有 更好 的鲁棒 性 。 关键 词 ： 多 目 标 跟踪 ； 随机有 限集 ； 点目 标； 扩展 目标
Ｊ ｏ ｉ ｎ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｐ ｏ ｉ ｎ ｔ ｔ ａ ｒ ｇ ｅ ｔ ａ ｎ ｄ ｅ ｘ ｔ ｅ ｎ ｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｒ ａ ｎ ｄ ｏ ｍ ｓ ｅ ｔ
Ｗｕ Ｊ ｕ ｎ ｃ ｈ ｅ ｎ，Ｚ ｈ ｏ ｕ Ｆ ｅ ｎ ｇ （ Ａ ｉ ｒ＆ Ｍｉ ｓ ｓ ｉ ｌ ｅ Ｄ ｅ ｆ ｅ ｎ ｓ ｅ Ａ ｃ ａ ｄ ｅ ｍｙ ， Ａ ｉ ｒ Ｆ ｏ ｒ ｃ ｅ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｘ ｉ ’ ａ ｎ ７ １ ０ ０ ５ １ ，Ｃ ｈ ｉ ｎ ａ ）
ｊ ｏ ｉ ｎ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｐ ｏ ｉ ｎ ｔ ｔ ａ ｒ ｇ ｅ ｔ ａ ｎ ｄ ｅ ｘ ｔ ｅ ｎ ｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ．Ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｒ ａ ｎ ｄ ｏ ｍ ｆ ｉ ｎ ｉ ｔ ｅ ｓ ｅ ｔ ｔ ｈ ｅ ｏ ｙ， ｒ ｔ ｈ ｅ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｅ ｘ ｐ ｌ ｏ ｒ ｅ ｄ ｔ ｈ ｅ ｄ ｅ ｉ ｆ ｃ ｉ ｅ ｎ Байду номын сангаас ｅ ｏ ｆ
ｋ ｎ ｏ ｗ ｎ ｅ ｘ ｔ ｅ ｎ ｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ｆ ｉ ｌ ｔ ｅ ｒ ｆ ｏ ｒ ｐ ｏ ｉ ｎ ｔ — ｔ ａ ｒ ｇ ｅ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ，ａ ｎ ｄ ｔ ｒ ｉ ｅ ｄ ｔ ｏ ｒ ｅ ｌ ａ ｘ ｔ ｈ ｅ ｃ ｏ ｎ ｓ ｔ ｒ ａ ｉ ｎ ｓ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｉ ｔ ．Ｃｏ ｍｐ ａ ｒ ｅ ｄ ｔ ｏ ｋ ｎ ｏ ｗ ｎ ａ ｌ ｇ ｏ —
第３ ４卷 第 ９期 ２ ０ １ ７年 ９月
计 算 机 应 用 研 究
Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ ｓ
Ｖｏ １ ． ３ ４ Ｎｏ ． ９ Ｓ ｅ ｐ． ２ ０１ ７
点 目标 和 扩展 目标 联 合 跟 踪 算 法
中图分类 号 ：Ｔ Ｐ ３ ９ １ ． ４ 文 献标志 码 ：Ａ 文章 编号 ：１ ０ ０ １ — ３ ６ ９ ５ （ ２ ０ １ ７ ） ０ ９ — ２ ５ ８ ６ — ０ ４
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ － ３ ６ ９ ５ ． ２ ０ １ ７ ． ０ ９ ． ０ ０ ５
ｒ ｉ ｔ ｈ ｍｓ ｏｒ ｆ ｅ ｘ ｔ ｅ ｎｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ｔ ｒ ａ ｃ ｋｉ ｎｇ ｂａ ｓ ｅ ｄ ｏ ｎ ｒ ａ ｎ ｄｏ ｎ ｌ ｓ ｅ ｔ ｔ ｈｅ ｏ ｒ ｙ，ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈａ ｔ ｔ ｈ ｅ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｉ ｓ ｍｏ ｒ ｅ ｒ ｏ — ｂｕ ｓ ｔ ｉ ｎ ｔ ｈ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｃ ｅ ｏ ｆ ｐ ｏ ｉ ｎｔ ｔ ａ ｒ ｇ ｅ ｔ ａ ｎ ｄ ｅ ｘ ｔ ｅ ｎ ｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ． Ｋｅ ｙ ｗｏｒ ｄｓ ： ｍｕｌ ｔ ｉ — ｔ ａ ｒ ｇ ｅ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ；ｒ ａ ｎｄ ｏ ｍ ｉｎｉ ｆ ｔ ｅ ｓ ｅ ｔ ；ｐｏ ｉ ｎｔ ｔ ａ ｒ ｇ ｅ ｔ ；ｅ ｘ ｔ ｅ ｎｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ
ｍｉ ｓ ｓ ｉ ｌ ｅ ｓ，ｅ ｔ ｃ，ｔ ｈａ ｔ ａ ｒ ｅ ａ ｌ ｌ ｍａ ｎ ｅ ｕｖ ｅ ｒ ｉ ｎ ｇ ｍｉ ｌ ｉ ｔ ａ ｒ ｙ ｔ ａ ｒ ｇ ｅ ｔ ｓ， ｄ ｅ ｔ ｅ ｒ ｍｉ ｎ ｅ ｔ ｈ ｅ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｎｅ ｓ ｓ ｏ ｆ ｔ ｈ ｅ ｗａ ｒ ｗｅ ａ ｐｏ ｎ ｓ ｔ ｏ ａ ｇ ｒ ｅ ａ ｔ ｅ ｘ ｔ ｅ ｎ ｔ ． Ａｉ ｍｅ ｄ ａ ｔ ｓ ｐ ｅ ｃ ｉ ａ ｌ ｃ ｏ ｎｄ ｉ ｔ ｉ ｏ ｎ ｔ ｈａ ｔ ｐ ｏ ｉ ｎ ｔ ｔ ａ ｒ ｇ ｅ ｔ ａ ｎ ｄ ｅ ｘ ｔ ｅ ｎ ｄ ｅ ｄ ｔ ａ ｒ ｇ ｅ ｔ ｅ ｘ ｉ ｓ ｔ ｅ ｄ ａ ｔ ｔ ｈｅ ｓ ａ ｍｅ ｔ ｉ ｍｅ，ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ａ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｆ ｏ ｒ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔ ａ ｒ ｇ ｅ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｉ ｎ ｔ ｈ ｅ ｄ ｅ ｆ ｅ ｎ ｓ ｅ ａ ｒ ｅ ａ，ｓ ｕ ｃ ｈ ａ ｓ ｒ ａ ｄ ａ ｒ ’ Ｓ ｐ ｒ ｅ ｃ ｉ ｓ ｅ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ ａ ｉ ｒ ｃ ｒ ａ ｆ ｔ ｓ ，ｓ ｈ ｉ ｐ ｓ ａ ｎ ｄ