无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法.在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪.算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计...     

基于改进边缘化粒子滤波器的机动目标跟踪

为解决边缘化粒子滤波器(MPF)无法估计线性状态的难题,提出了一种改进的MPF目标跟踪算法,采用状态的预测值作为卡尔曼滤波器的量测更新,用卡尔曼滤波器估计目标的速度和加速度;用粒子滤波器(PF)估计目标的位置信息.仿真结果表明改进的MPF在保证目标状态估计精度的同时,降低了PF算法的计算复杂度,克服了PF的退化现象,较好地解决了闪烁噪声下的机动目标跟踪难题.     

一种基于粒子滤波的红外多目标跟踪算法

针对粒子滤波算法固有的"退化"和"样贫"问题,采用基于权值选择重采样算法与粒子滤波算法相结合来优化粒子滤波的滤波性能、克服粒子退化。针对粒子滤波算法在红外目标跟踪,尤其是对遮挡目标跟踪方面的不足,本文从Markov跳变非线性系统贝叶斯状态估计的角度出发,引入一种无向图即马尔可夫随机场(MRF)来描述多目标的交互模型,提出了该系统下的粒子滤波跟踪框架,并将其用在被遮挡的红外多目标跟踪中。实验结果表明,所提出的算法能有效对被遮挡的红外目标进行跟踪,并且在抗遮挡性以及跟踪持久性等方面优于主流算法。     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

基于Kalman滤波器的运动目标跟踪算法

运动目标跟踪是计算机视觉中的一个典型问题,如何能准确快速的跟踪目标是研究的关键。提出了Kalman滤波器结合Camshift的改进算法。首先选取一段视频图像序列,通过背景差分法快速检测出运动目标,初始化搜索窗口,用Kalmam滤波器预测目标位置,再用Camshift迭代算法计算目标最优的位置,将结果作为Kalman滤波器进行下一次预测的估计值。实验表明,当目标被严重遮挡或受到同色背景干扰时,本算法仍能快速准确的跟踪运动目标。     

基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。     

基于粒子预测的非线性状态目标跟踪算法

对目标状态进行可靠的估计,可以在相对较小搜索区域内完成对模板的搜索,提高跟踪的实时性.卡尔曼(Kalman)预测对线性高斯问题能够提供最优估计,而对目标模型、观测方程等要求的非线性、非高斯问题不再适用,针对此问题,提出利用基于蒙特卡罗(Monte Carlo)模拟方法和贝叶斯估计的粒子滤波(Particle Filter)对非线性、非高斯问题进行位置预测.详细描述了基于粒子预测的目标跟踪算法,并给出实验仿真结果.     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

一种快变信道下OFDM系统的Kalman信道估计算法

针对频率选择性快速时变信道的多径干扰和较大的多普勒频谱扩展，提出了一种改进的Kalman滤波算法。用于正交频分复用（OFDM）系统信道估计．该算法采用复杂度大大降低的低维Kalman滤波来跟踪快速时变信道，迭代联合信道估计与检测算法来获得测量矩阵，并对滤波结果利用一种新的简单的最小均方误差（MMSE）估计器进行优化。有效地降低了传统基于Kalman滤波算法的复杂度．仿真结果表明，该方法能够跟踪信道的快速变化，具有良好的估计性能．     

多伯努利滤波的快速红外弱小目标检测与跟踪

针对复杂背景下多个弱目标检测与跟踪中存在的跟踪不稳定、非实时及量测模型高度非线性问题,提出一种基于多伯努利滤波的快速检测与跟踪算法.首先,采用改进的Robinson Guard算法抑制背景杂波,避免强起伏背景图像中目标被抑制的问题;其次,采用平方根容积卡尔曼滤波实现多伯努利检测前跟踪,在保证实时跟踪的同时,解决了滤波的高度非线性,避免了协方差矩阵负定造成的数值不稳定.实测红外背景图像实验表明,改进的Robinson Guard算法能够有效抑制背景杂波、保留弱目标信息,平方根容积卡尔曼多伯努利检测前跟踪能更准、更稳定地估计目标数目和状态,实现目标的实时检测与跟踪.     

三维重构中一种快速全局最优算法

在机器视觉中,三维重构是一个重要问题。基于无穷范数表示的误差函数已经证明可以获得全局最优,但是计算速度很慢。基于二范数的最小二乘法速度虽然很快,但因为误差函数是非凸的,所以无法在理论上证明获得的结果是全局最优的,即使是通过二分迭代等方法,往往也只能获得一个局部最优。文中提出一种判定策略,通过对二范数表示的误差函数的Hessian矩阵进行计算,判断最小二乘法获得的局部最优是否是全局最优。因此在三维重构中,可以先用最小二乘法求解,如果误差函数Hessian矩阵为正则结果是全局最优否则调用无穷范数方法重新求解全局最优,这样既保证了精度又加快了计算速度。实验证明该算法是可行的。     

基于粒子滤波和优化TVAR模型的时频分析算法

传统的卡尔曼滤波(KF)或时变参数自回归(TVAR)模型对非高斯和强非平稳信号处理无能为力,其算法往往跟踪不上频率的变化。粒子滤波能够处理非线性/非平稳问题,并与TVAR模型结合可获得较好的时频跟踪性能。然而,巨大的计算量是粒子滤波的主要问题。由于粒子滤波通常依赖于大量的粒子数目,尤其是估计量维数较高时,会产生较大的计算负荷。文章提出了一种基于优化TVAR模型结合粒子滤波的时频分析算法,实现了对非平稳、非高斯信号时频谱的准确估计,通过优化的TVAR模型跨过时变参数而直接以频率为估计量,并动态检测频率成分个数,降低估计量维数,从而比传统方法减低了一半以上的计算复杂度。通过仿真信号实验证明,文中算法时频分析精准度明显优于传统算法,并较大幅度地改善了计算性能。     

量测噪声自动加权Kalman滤波

从Kalman滤波技术的稳定性出发，分析了Kalman滤波算法的实质及容量发散的原因，提出在Kalman滤波中引入系统量测噪声协方差阵（R）的计算，并对其加权，从而影响滤波增益，抑制发散，推算舰位／GPS组合导航的应用仿真表明明显测噪声自动加权Kalman滤波算法对系统模型误差和量测噪声协方差误差具有良好的自适应性。     

Kalman滤波的发散及其抑制

在对Kalman滤波算法进行深入分析的基础上,对Kalman滤波算法在实际应用中常出现的发散现象进行了简单的阐述,指出了产生发散的原因,并给出了几种常用的抑制发散的算法,说明了进一步研究的方向。     

一种基于UKF的AUV移动声学网络协同导航方法

针对扩展卡尔曼滤波(EKF)在自主水下航行器(AUV)移动声学网络协同导航中,存在强非线性观测方程条件下线性化误差大、计算复杂等缺点,文章提出一种基于无迹卡尔曼滤波(UKF)的AUV移动声学网络协同导航方法.利用移动长基线原理和UKF方法,建立基于UKF的协同导航滤波算法,并通过仿真实验与传统的EKF协同导航算法进行对比.仿真结果表明,基于UKF的协同导航算法能明显减小导航定位误差,在导航精度上优于EKF方法,是AUV协同导航中一种更加简单有效的导航滤波方法.     

联邦滤波器在小型飞行器距离定位融合估计中的应用

为了进一步修正小型飞行器距离定位误差，给出了一种利用联邦滤波方法进行数据融合的小型飞行器定位误差修正方法，解决了由于差分GPS长时间静默影响定位精度的问题。仿真和数据回放结果表明：采用卡尔曼滤波方法可提高定位精度，采用联邦滤波方法效果更好，使用中方法可以得到飞行器更准确的距离定位，可满足多种类型的飞行器距离定位系统的精度要求。     

多路快速卡尔曼算法

在实际应用中,往往遇到需要处理具有多输入单输出的系统。在要求快速收敛和跟踪的场合下,LMS 算法及常规的快速卡尔曼算法均不适用。本文导出了一种适用于这种情况的复值多路快速卡尔曼算法。理论分析和计算机模拟结果均表明了这种算法的可行性。     

中远程空空导弹允许攻击区的快速模拟算法

允许攻击区是衡量空空导弹瞬时最大攻击能力的一个重要指标。本文以某型中远程复合制导空空导弹为例,提出一种快速模拟算法来计算导弹的允许攻击区。仿真结果表明：本文提出的快速模拟攻击区算法在满足机载计算机实时性要求的前提下,有较高的精度。