Multiple-object tracking is a task within the field of computer vision. As the name stated, the task consists of tracking multiple objects in the video, an algorithm that completes such task are called trackers. Many of the existing trackers require supervision, meaning that the location and identity of each object which appears in the training data must be labeled. The procedure of generating these labels, usually through manual annotation of video material, is highly resource-consuming. On the other hand, different from well-known labeled Multiple-object tracking datasets, there exist a massive amount of unlabeled video with different objects, environments, and video specifications. Using such unlabeled video can therefore contribute to cheaper and more diverse datasets. There have been numerous attempts on unsupervised object tracking, but most rely on evaluating the tracker performance on a labeled dataset. The reason behind this is the lack of an evaluation method for unlabeled datasets. This project explores unsupervised pedestrian tracking on video taken from a stationary camera over a long duration. On top of a simple baseline tracker, two methods are proposed to extend the baseline to increase its performance. We then propose an evaluation method that works for unlabeled video, which we use to evaluate the proposed methods. The evaluation method consists of the trajectory completion rate and the number of ID switches. The trajectory completion rate is a novel metric proposed for pedestrian tracking. Pedestrians generally enter and exit the scene for video taken by a stationary camera in specific locations. We define a complete trajectory as a trajectory that goes from one area to another. The completion rate is calculated by the number of complete trajectories over all trajectories. Results showed that the two proposed methods had increased the trajectory completion rate on top of the original baseline performance. Moreover, both proposed methods did so without significantly increasing the number of ID switches. / Spårning av flera objekt är en uppgift inom området datorseende. Som namnet angav består uppgiften av att spåra flera objekt i videon, en algoritm som slutför en sådan uppgift kallas trackers. Många av de befintliga spårarna kräver övervakning, vilket innebär att platsen och identiteten för varje objekt som visas i träningsdata måste märkas. Proceduren för att generera dessa etiketter, vanligtvis genom manuell anteckning av videomaterial, är mycket resurskrävande. Å andra sidan, till skillnad från välkända märkta uppsättningar för spårning av flera objekt, finns det en enorm mängd omärkt video med olika objekt, miljöer och videospecifikationer. Att använda sådan omärkt video kan därför bidra till billigare och mer varierande datauppsättningar. Det har gjorts många försök med oövervakad objektspårning, men de flesta förlitar sig på att utvärdera spårningsprestandan på en märkt dataset. Anledningen till detta är avsaknaden av en utvärderingsmetod för omärkta datamängder. Detta projekt utforskar oövervakad fotgängarspårning på video som tagits från en stillastående kamera under lång tid. Utöver en enkel baslinjespårare föreslås två metoder för att utöka baslinjen för att öka dess prestanda. Vi föreslår sedan en utvärderingsmetod som fungerar för omärkt video, som vi använder för att utvärdera de föreslagna metoderna. Utvärderingsmetoden består av banans slutförandegrad och antalet ID-växlar. Banans slutförandegrad är ett nytt mått som föreslås för spårning av fotgängare. Fotgängare går vanligtvis in och lämnar scenen för video tagna med en stillastående kamera på specifika platser. Vi definierar en komplett bana som en bana som går från ett område till ett annat. Färdigställandegraden beräknas av antalet kompletta banor över alla banor. Resultaten visade att de två föreslagna metoderna hade ökat graden av fullbordande av banan utöver den ursprungliga baslinjeprestandan. Dessutom gjorde båda de föreslagna metoderna det utan att nämnvärt öka antalet ID-växlar.

Multiple object tracking (MOT) is the task of detecting multiple objects in a scene and associating detections over time to form tracks. It is essential for many scene understanding tasks like surveillance, robotics and autonomous driving. Nowadays, the dominating tracking pipeline is to first detect all individual objects in a scene followed by a separate data association step, also known as tracking-by-detection. Recently, methods doing simultaneous detection and tracking has emerged, combining the task of detection and tracking into one single framework. In this project, we analyse performance of multiple object tracking algorithms belonging to both tracking categories. The goal is to examine strengths, weaknesses, and real-time capability of different tracking approaches in order to understand their suitability in different applications. Results show that a tracking-by-detection system with Scaled-YOLOv4 and SORT achieves 46.8% accuracy at over 28 frames per second (FPS) on Nvidia GTX 1080. By reducing the input resolution, inference speed is increased to almost 50 FPS, making it well suitable for real-time application. The addition of a deep re-identification CNN reduces the number of identity switches by 47%. However, association speed drops as low as 14 FPS for densely populated scenes. This indicates that re-identification CNNs may be impractical for safety critical applications like autonomous driving, especially in urban environments. Simultaneous detection and tracking results suggests an increased tracking robustness. The removal of a complex data association strategy improves robustness with respect to extended modules like re-identification. This indicates that the inherent simplicity in the simultaneous detection and tracking paradigm can provide robust baseline trackers for a variety of applications. We note that further research is required to strengthen this notion. / Multipel objektspårning handlar om att detektera alla objekt i bilder och associera dem över tid för att bilda spår. Det är ett viktigt ämne inom datorseende för flera applikationer, däribland kameraövervakning, robotik och självkörande fordon. Idag är det dominerande tillvägagångsättet inom objektspårning att först detektera alla objekt och sedan associera dem i ett separat steg, också kallat spårning-genom-detektion. På senare tid har det framkommit nya metoder som detekterar och spårar samtidigt. I detta projekt analyserar vi prestanda av metoder som tillämpar båda tillvägagångssätt. Målet med projektet är att undersöka styrkor, svagheter och hur väl metoderna lämpar sig för att användas i realtid. Detta för att förstå hur olika objektspårare kan anpassas till olika praktiska applikationer. Resultaten visar att ett system som tillämpar spårning-genom-detektion med Scaled-YOLOv4 och SORT, uppnår 46.8% noggrannhet med en hastighet på över 28 bildrutor per sekund. Detta på en Nvidia GTX 1080. Genom att minska bildupplösningen når hastigheten nästan hela vägen upp till 50 bildrutor per sekund, vilket gör systemet väl lämpat för realtidsapplikation. Genom att addera ett djupt nätverk för återidentifiering minskar antalet identitetsbyten med 47%. Samtidigt minskar också hastigheten för spårning till 14 bildrutor per sekund i välbefolkade miljöer. Detta indikerar att djupa nätverk för återidentifiering inte lämpar sig för säkerhetskritiska applikationer såsom självkörande fordon. Särskilt i urbana miljöer. Resultat för system som detekterar och spårar samtidigt antyder att de är mer robusta. Genom att ta bort komplexa strategier för associering blir systemen robusta mot ytterligare moduler såsom återidentifiering. Det ger en indikation på att den inneboende enkelheten i dessa system resulterar i objektspårare som kan fungera som grunder i många olika applikationer. Vi noterar att ytterligare forsking behövs för att styrka denna idé.

Detecting generic objects is one important sensing task for applications that need to understand the environment, for example eXtended Reality (XR), drone navigation etc. However, Object Detection algorithms are particularly computationally heavy for real-time video analysis on resource-constrained mobile devices. Thus Object Tracking, which is a much lighter process, is introduced under the Tracking-By-Detection (TBD) paradigm to alleviate the computational overhead. Still, it is common that the configurations of the TBD remain unchanged, which would result in unnecessary computation and/or performance loss in many cases.\\ This Master's Thesis presents a novel approach for multi-objective optimization of the TBD process on precision and latency, with the platform being power-constrained devices. We propose a Deep Reinforcement Learning based scheduling architecture that selects appropriate TBD actions in video sequences to achieve the desired goals. Specifically, we develop a simulation environment providing Markovian state information as input for the scheduler neural network, justified options of TBD actions, and a scalarized reward function to combine the multiple objectives. Our results demonstrate that the trained policies can learn to utilize content information from the current and previous frames, thus optimally controlling the TBD process at each frame. The proposed approach outperforms the baselines that have fixed TBD configurations and recent research works, achieving the precision close to pure detection while keeping the latency much lower. Both tuneable configurations show positive and synergistic contribution to the optimization objectives. We also show that our policies are generalizable, with inference and action time of the scheduler having minimal latency overhead. This makes our scheduling design highly practical in real XR or similar applications on power-constrained devices. / Att upptäcka generiska objekt är en viktig uppgift inom avkänning för tillämpningar som behöver förstå omgivningen, såsom eXtended Reality (XR) och navigering med drönare, bland annat. Algoritmer för objektdetektering är dock särskilt beräkningstunga när det gäller videoanalyser i realtid på resursbegränsade mobila enheter. Objektspårning, å andra sidan, är en lättare process som vanligtvis implementeras under Tracking-By-Detection (TBD)-paradigmet för att minska beräkningskostnaden. Det är dock vanligt att TBD-konfigurationerna förblir oförändrade, vilket leder till onödig beräkning och/eller prestandaförlust i många fall.\\ I detta examensarbete presenteras en ny metod för multiobjektiv optimering av TBD-processen med avseende på precision och latens på plattformar med begränsad prestanda. Vi föreslår en djup förstärkningsinlärningsbaserad schemaläggningsarkitektur som väljer lämpliga TBD-åtgärder för videosekvenser för att uppnå de önskade målen. Vi utvecklar specifikt en simulering som tillhandahåller Markovian state-information som indata för schemaläggaren, samt neurala nätverk, motiverade alternativ för TBD-åtgärder och en skalariserad belöningsfunktion för att kombinera de olika målen. Våra resultat visar att de tränade strategierna kan lära sig att använda innehållsinformation från aktuella och tidigare ramar för att optimalt styra TBD-processen för varje bild. Det föreslagna tillvägagångssättet är bättre än både de grundläggande metoderna med en fast TBD-konfiguration och nyare forskningsarbeten. Det uppnår en precision som ligger nära den rena detektionen samtidigt som latensen hålls mycket låg. Båda justerbara konfigurationerna bidrar positivt och synergistiskt till optimeringsmålen. Vi visar också att våra strategier är generaliserbara genom att dela upp träning och testning med en 50 %-ig uppdelning, vilket resulterar i minimal inferenslatens och schemaläggarens handlingslatens. Detta gör vår schemaläggningsdesign mycket praktisk i verkliga XR- eller liknande tillämpningar på enheter med begränsad strömförsörjning.

Internet of Things (IoT) and Machine Type Communication (MTC) have got more momentum in the last few years but still, need to be penetrated with their full swing in our daily life. This can be possible with general framework that provides global network coverage. Non-terrestrial networks comprised of satellites and aerial platforms are expected to provide next-generation communication services in underserved and un-served areas by ensuring the quality of service that cannot be covered by existing terrestrial networks owing to economical and geographical limitations. The aim of this thesis is to formulate a set of massive and critical MTC use cases such as global environment monitoring, tracking of shipping containers and smart agriculture, and assess their comprehensive requirements like data size, sensor node density and uplink capacity and discuss possible network architectures and deployments focusing on satellite or aerial networks. A rigorous discussion on different network architectures to address the requirements have been presented, that involve (1) Low Earth Orbit (LEO) satellite based network, (2) High Altitude Platform (HAP) based network, and (3) HAP and UAV based network. The proposed network architectures have been simulated and analyzed using MATLAB tools for respective use cases in terms of required number of satellites or aerial platforms. The criteria for selection of network architectures for the use cases are based on the minimum number of satellites or aerial platforms. The results show that LEO constellation consisting of 260 satellites are feasible concerning deployment and management for global environment monitoring network. Similarly, 1440 LEO satellites provide global coverage for tracking of shipping containers. Smart agriculture use case requires high throughput, and hence HAP and UAV integrated network architecture is more realistic for a fully autonomous system as compared to other network architectures. Cooperative control and management of set of agricultural machines can be performed at the UAV. Simulation results show that single UAV can be capable of commanding and controlling the agricultural smart machines in one square kilometer crop field and can send the summary of events to the central station via a HAP. / Internet of Things (IoT) och maskintypkommunikation (MTC) har fått mer fart under de senaste åren men måste fortfarande penetreras med sin fulla sväng i vårt dagliga liv. Detta kan vara möjligt med allmän ramverk som ger global nätverkstäckning. Icke- markbundna nät bestående av satelliter och flygplattformar förväntas tillhandahålla nästa generations kommunikationstjänster i undervärdiga och obetjänade områden genom att säkerställa kvaliteten påtjänster som inte kan täckas av befintliga marknät pågrund av ekonomiska och geografiska begränsningar. Syftet med den här avhandlingen är att formulera en uppsättning massiva och kritiska MTC-användningsfall som global miljöövervakning, spårning av fraktcontainrar och smart jordbruk, och utvärdera deras omfattande krav som datastorlek, sensornoddensitet och upplänkkapacitet och diskutera möjliga nätverk arkitekturer och distributioner med fokus påsatellit- eller flygnät. En rigorös diskussion om olika nätverksarkitekturer för att möta kraven har presenterats, som involverar (1) Low Earth Orbit (LEO) satellitbaserat nätverk, (2) High Altitude Platform (HAP) baserat nätverk, och (3) HAP och UAV baserat nätverk. De föreslagna nätverksarkitekturerna har simulerats och analyserats med MATLAB-verktyg för respek- tive användningsfall i termer av det nödvändiga antalet satelliter eller flygplattformar. Kriterierna för val av nätverksarkitekturer för användningsfallen är baserade pådet minsta antalet satelliter eller flygplattformar. Resultaten visar att LEO-konstellationen bestående av 260 satelliter är möjlig när det gäller distribution och hantering för globalt miljöövervakningsnätverk. Påliknande sätt ger 1440 LEO-satelliter global täckning för spårning av fraktcontainrar. Småjordbruksanvändningsfall kräver hög kapacitet, och följaktligen är HAP och UAV integrerad nätverksarkitektur mer realistisk för ett helt autonomt system jämfört med andra nätverksarkitekturer. Kooperativ kontroll och hantering av jordbruksmaskiner kan utföras vid UAV. Simuleringsresultat visar att en enda UAV kan vara kapabel att kommandera och kontrollera jordbrukssmarta maskiner i ett kvadratkilometer grödningsfält och kan skicka sammanfattningen av händelser till centralstationen via HAP.

Ultrasound imaging systems are a safe and affordable imaging modality with the disadvantage of low spatial resolution, especially for assessing smaller vessels. However, with the implementation of super-resolution ultrasound imaging techniques, studies have shown promising results in achieving a resolution below the diffraction limit. Super-resolution ultrasound imaging techniques takes advantage of the point spread function to localize the centroid of the ultrasound contrast agents in an image. By superimposing thousands of these images, a super-resolved image of the localized and tracked contrast agents can be created, which presents an image where vessels down to a few micrometers can be resolved. The purpose of this master’s thesis was to implement super-resolution ultrasound imaging, test different localization methods and analyze them by using different ultrasound contrast agent concentrations. Grayscale ultrasound images were acquired using the Verasonics system for three different microbubble concentrations. The super-resolution ultrasound imaging program was executed on the grayscale images using three different localization methods, Gaussian fit, No-shift and Interpolation based scheme. The microbubbles were localized and tracked over several frames to create a super-resolved image which had the pixel resolution of a 10th of the wavelength. Significant improvements were demonstrated in the super-resolved images compared to the grayscale images. The higher microbubble concentrations resulted in a higher number of localized and tracked microbubbles. While the low concentration exhibited lower values. Comparing the methods, Gaussian fit and No-shift detected higher number of microbubbles than the method Interpolation. Although further analysis is needed, the thesis concluded that using Gaussian fit as a localization method and higher microbubble concentrations, a super-resolved image can be produced even if the program is tested on fewer images. / Ultraljudsavbildning är en säker och billig avbildningsmodalitet med en låg spatial upplösning, framför allt vid avbildning av mindre kärl. Men med implementering av ultraljudsavbildningstekniker med superupplösning har studier visat lovande resultat för att uppnå en upplösning under diffraktionsgränsen. Ultraljudsavbildningstekniker med superupplösning utnyttjar punktspridningsfunktionen för att lokalisera ett ultraljudskontrastmedels centerpunkt i en bild. Genom att överlagra tusentals av dessa bilder skapas en superupplöst bild av det lokaliserade och spårade kontrastmedlet. Med hjälp av superupplösta bilden kan kärl som är några mikrometer urskiljas. Syftet med denna masteruppsats var att implementera ultraljudsavbildning med superupplösning, testa olika lokaliseringsmetoder och analysera de genom att använda olika koncentrationer av mikrobubblor. Gråskale ultraljudsbilder samlades in med hjälp av Verasonics systemet för tre olika koncentrationer av mikrobubblor. Superupplösningsprogrammet var exekverad på gråskalebilderna för tre olika lokaliseringsmetoder, Gaussian fit, No-shift och Interpolation based scheme. Mikrobubblorna lokaliserades och spårades över flera bilder för att skapa en superupplöst bild vilket hade en tiondel av våglängden som pixelupplösning. Resultatet presenterade en märkbar förbättring i de superupplösta bilderna jämfört med gråskalebilderna. De högre koncentrationerna med flera mikrobubblor resulterade i ett högre antal lokaliserade och spårade mikrobubblor, medan den lägre koncentrationen gav färre lokaliserade mikrobubblor. Metoderna Gaussian fit och No-shift detekterade flera mikrobubblor än metoden Interpolation. Slutsatsen visade att användningen av lokaliseingsmetoden Gaussian fit med högre koncentrationer av mikrobubblor ger en superupplöst bild även om programmet exekveras på färre bilder.

No description available.

Query systems were recently introduced as an architecture for constructing compilers, and have shown to enable fast and efficient incremental compilation, where results from previous builds is reused to accelerate future builds. With this architecture, a compiler is composed of several queries, each of which extracts a small piece of information about the source program. For example, one query might determine the type of a variable, and another the list of functions defined in some file. The dependencies of a query, which includes other queries or files on disk, are automatically recorded at runtime. With these dependencies, query systems can detect changes in their inputs and incorporate them into the final output, while reusing old results from queries which have not changed. This reduces the amount of work needed to recompile code, which saves both time and energy. We present a new parallel execution model for query systems using work-stealing, which dynamically balances the workload across multiple threads. This is facilitated by various augmentations to existing algorithms to allow concurrent operations. Furthermore, we introduce a novel data structure that accelerates incremental compilation for common use cases. We evaluated the impact of these augmentations by implementing a compiler frontend capable of parsing and type-checking the Go programming language. We demonstrate a 10x reduction in compile times using the parallel execution mode. Finally, under certain common conditions, we show a 5x reduction in incremental compile times compared to the state-of-the-art. / Query-system är en ny arkitektur som har använts för att implementera kompilatorer för programspråk och har ett fokus på att möjliggöra snabb och effektiv inkrementell kompilering. Med denna arkitektur består en kompilator flera olika mindre funktioner, som var och en svarar på en liten fråga om källprogrammet, såsom typen av en variabel eller listan över funktioner i en fil. Genom att spåra hur dessa funktioner anropar varandra, och den data de läser, kan kompilatorer upptäcka förändringar i sina indata och utföra den minimala mängd arbete som krävs för att sammanställa dessa förändringar i utdata. Detta minskar mängden arbete som behövs för att kompilera om kod, vilket sparar både tid och energi. I denna rapport presenterar vi en ny exekveringsmodell för Query-system som möjliggör parallellism med hjälp av work-stealing. Detta underlättas av flera tillägg till befintliga algoritmer som gör det möjligt att utföra alla operationer parallellt. Utöver detta introducerar vi även en ny datastruktur som gör inkrementell kompilering snabbare för många vanliga användningsområden. Vi utvärderade effekten av dessa förändringar genom att implementera ett kompilatorgränssnitt som kan analysera och verifiera korrekthet av typer Go-programmeringsspråket. Resultaten visar en 10x reduktion i kompileringstider med hjälp av parallellkörningsläget. Vi demonstrerar även 5 gånger lägre kompileringstider vid inkrementella ändringar än vad som tidigare varit möjligt.

In biology, it is common to study cultured cells (in vitro) with fluorescence time-lapse microscopy. The cells are recorded for longer period of time and can later be viewed at an accelerated speed. During the acquisition some live cells tend to migrate. This can be a problem if the cell’s migration speed is high enough to move outside the field of view (FOV) during the acquisition time. The cells that moves outside the FOV can no longer be recorded and the information about them will be lost. This thesis presents scripts that have been developed for ZEN (blue) to be able to track a specific migrating cell of interest in real-time with automated control of imaging parameters. The microscope stage position is modified on-the-fly to have the tracked cell in the center of the FOV for the whole experiment. Three different types of experiments to track migrating NK cells were performed with the scripts. The results show that the scripts were able to track one NK cell for more than 1 hour in both conventional wide-field and lattice light-sheet microscopy. The segmentation was inaccurate when one or more objects were in close proximity to the tracked cell. By applying a watershed algorithm the segmentation result can be improved in some cases. / Inom cellulär biologi är det vanligt att studera odlade celler (in vitro) med time- lapse-mikroskopi. Flertals bilder tas på cellerna under en längre tidsperiod och när experimentet är klart så kan man titta på bilderna som en video. Under förvärvet av bilderna så tenderar vissa levande celler att migrera. Ett problem som kan uppstå är om cellens migrationshastighet är tillräckligt hög för att röra sig utanför synfältet under anskaffningstiden. De celler som rör sig utanför synfältet kan inte längre avbildas och informationen om dem kommer att gå förlorad. I denna avhandling presenteras programmeringskoder som har utvecklats för ZEN (blue) som kan spåra en specifik migrerande cell i realtid med automatiserad kontroll av bildbehandlings parametrar. Mikroskopets scenposition modifieras under experimentets gång för att få den spårade cellen kontinuerligt i mitten av synfältet. Tre olika sorters experiment i kombination med programmeringskoderna utfördes för att spåra NK-celler. Resultaten visar att programmeringskoderna lyckades spåra en NK-cell i mer än 1 timme i både ett bredfältsfluorescensmikroskop och ett lattice light-sheet mikroskop. Segmenteringen var felaktig när ett eller flera objekt var i närheten av den spårade cellen. Genom att tillämpa en watershed algoritm kan segmenteringsresultatet förbättras i vissa fall.

Automatic tracking and video of surveillance on a farm could help to support farm management. In this project, an automated detection system is used to detect sows in surveillance videos. This system is based upon deep learning and computer vision methods. In order to minimize disk storage and to meet the network requirements necessary to achieve the real-performance, tracking in compressed video streams is essential. The proposed system uses a Discriminative Correlation Filter (DCF) as a classifier to detect targets. The tracking model is updated by training the classifier with online learning methods. Compression technology encodes the video data, thus reducing both the bit rates at which video signals are transmitted and helping the video transmission better adapt to the limited network bandwidth. However, compression may reduce the image quality of the videos the precision of our tracking may decrease. Hence, we conducted a performance evaluation of existing visual tracking algorithms on video sequences with quality degradation due to various compression parameters (encoders, target bitrate, rate control model, and Group of Pictures (GOP) size). The ultimate goal of video compression is to realize a tracking system with equal performance, but requiring fewer network resources. The proposed tracking algorithm successfully tracks each sow in consecutive frames in most cases. The performance of our tracker was benchmarked against two state-of-art tracking algorithms: Siamese Fully-Convolutional (FC) and Efficient Convolution Operators (ECO). The performance evaluation result shows our proposed tracker has similar performance to both Siamese FC and ECO. In comparison with the original tracker, the proposed tracker achieved similar tracking performance, while requiring much less storage and generating a lower bitrate when the video was compressed with appropriate parameters. However, the system is far slower than needed for real-time tracking due to high computational complexity; therefore, more optimal methods to update the tracking model will be needed to achieve real-time tracking. / Automatisk spårning av övervakning i gårdens område kan bidra till att stödja jordbruket management. I detta projekt till ett automatiserat system för upptäckt upptäcka suggor från övervaknings filmer kommer att utformas med djupa lärande och datorseende metoder. Av hänsyn till Diskhantering och tid och hastighet Krav över nätverket för att uppnå realtidsscenarier i framtiden är spårning i komprimerade videoströmmar är avgörande. Det föreslagna systemet i detta projekt skulle använda en DCF (diskriminerande korrelationsfilter) som en klassificerare att upptäcka mål. Spårningen modell kommer att uppdateras genom att utbilda klassificeraren med online inlärningsmetoder. Compression teknik kodar videodata och minskar bithastigheter där videosignaler sänds kan hjälpa videoöverföring anpassar bättre i begränsad nätverk. det kan dock reducera bildkvaliteten på videoklipp och leder exakt hastighet av vårt spårningssystem för att minska. Därför undersöker vi utvärderingen av prestanda av befintlig visuella spårningsalgoritmer på videosekvenser Det ultimata målet med videokomprimering är att bidra till att bygga ett spårningssystem med samma prestanda men kräver färre nätverksresurser. Den föreslagna spårning algoritm spår framgångsrikt varje sugga i konsekutiva ramar i de flesta fall prestanda vår tracker var jämföras med två state-of-art spårning algoritmer:. Siamese Fully-Convolutional (FC) och Efficient Convolution Operators (ECO) utvärdering av prestanda Resultatet visar vår föreslagna tracker blir liknande prestanda med Siamese FC och ECO. I jämförelse med den ursprungliga spårningen uppnådde den föreslagna spårningen liknande spårningseffektivitet, samtidigt som det krävde mycket mindre lagring och alstra en lägre bitrate när videon komprimerades med lämpliga parametrar. Systemet är mycket långsammare än det behövs för spårning i realtid på grund av hög beräkningskomplexitet; därför behövs mer optimala metoder för att uppdatera spårningsmodellen för att uppnå realtidsspårning.

With the expected growth of Unmanned Aerial Vehicle (UAV) traffic in the coming years, the demand for UAV tracking solutions in the Air Traffic Control (ATC) industry has been incentivized. To ensure the safe integration of UAVs into airspace, Air Traffic Management (ATM) systems will need to provide a number of services such as UAV tracking. The Interacting Multiple Model Extended Kalman Filter (IMM-EKF) is an industry standard for aircraft tracking, but no such algorithm has been tried and tested for UAV tracking. This thesis aims to determine a suitable tracking algorithm for the specific case of non-cooperative tracking of UAVs from radar data. In non-cooperative tracking scenarios, we do not have any information regarding the UAV other than radar measurements indicating the target’s position. We investigate an Adaptive Interacting Multiple Model Unscented Kalman Filter (IMM-UKF) method with three different motion model combinations in addition to comparing a Cartesian vs. Spherical measurement model. A comparison of motion models shows that using a Constant Jerk (CJ) model to model target maneuvers in the IMM structure reduces the risk of filter divergence as compared to using a turn model, such as Constant Turn (CT) or Constant Angular Velocity (CAV). The CJ model is thus a suitable choice to have as one of the motion models in an IMM structure and works well in conjunction with two Constant Velocity (CV) models. We were not able to determine if the Spherical measurement model is better than the Cartesian measurement model in general. However, the Spherical measurement model improves the accuracy of the state estimate in some cases. Adaptive tuning of the system noise covariance Q and measurement noise covariance R does not improve the accuracy of the state estimate but it improves the filter robustness and consistency when the filter is incorrectly tuned. Based on our results, we believe that the adaptive IMM-UKF shows promise but that there is still room for improvement with regards to both the accuracy and consistency. However, we will need to perform extensive tests with real UAV radar data to draw concrete conclusions. / Med den förväntade tillväxten av trafik med obemannade flygfordon (UAV) under de kommande åren kommer efterfrågan för spårningslösningar för UAV inom flygövervakning. För att säkerställa en säker integration av UAV:er i luftrummet, kommer Air Traffic Management (ATM)-system att behöva tillhandahålla tjänster för UAV-spårning. Det så kallade Interacting Multiple Model Extended Kalman Filter (IMM-EKF) filtret är en industristandard spårning av flygplan, men ingen sådan algoritm har prövats och testats för UAV-spårning. Denna avhandling syftar till att fastställa en lämplig spårningsalgoritm för det specifika fallet med icke samarbetande spårning av UAV från radardata. I icke samarbetande spårningsscenarier har vi ingen information om UAV:n utöver radarmätningar. Vi presenterar en adaptiv metod baserad på IMM-UKF, där vi ersätter EKF i industristandarden IMM-EKF med ett filter av typen UKF. Vi undersöker tre olika kombinationer av rörelsemodeller och jämför också en kartesisk med en sfärisk mätmodell. Vår jämförelse av rörelsemodeller visar om man använder en Constant Jerk (CJ) modell för manövrar i IMM-strukturen minskar risken för divergens jämfört med att använda en svängmodell, såsom Constant Turn (CT) eller Constant Angular Velocity (CAV). CJ-modellen är alltså ett lämpligt val att ha som en av rörelsemodellerna i en IMM-struktur och fungerar bra i kombination med två Constant Velocity (CV) modeller. Vi kunde inte avgöra om den sfäriska modellen var bättre än den kartesiska modellen. Adaptiv inställning av systembrusets kovarians Q och mätbrus kovarians R förbättrar inte tillståndsuppskattningens noggrannhet men den förbättrar filtrets robusthet och konsistens när filtret är felaktigt inställt. Baserat på våra resultat tror vi att den adaptiva IMM-UKF metoden är lovande men att det fortfarande finns utrymme för förbättringar när det gäller både noggrannhet och konsistens i spårningen. Vi kommer dock att behöva utföra omfattande tester med riktiga UAV-radardata för att dra konkreta slutsatser.