一种新的基于形态学的InSAR干涉相位图滤波算法

在干涉合成孔径雷达（InSAR）成像中，由于相位噪声的影响，在相位展开前应该对干涉相位图作滤波处理，以保证相位展开后结果的正确性，获得真实的数字高度模型。对于InSAR干涉相位图的滤波，滤除相位噪声的同时，应确保有用跳变信息不被滤除。本文基于形态学原理，结合数据的量化处理，提出一种新的InSAR干涉相位图的滤波算法。实验结果表明，该滤波算法的效果优于Candeias等人提出InSAR干涉相位图的形态学滤波算法，且运算速度更快。     

基于量化新息的容积粒子滤波融合目标跟踪算法

针对现有非线性网络化目标跟踪融合算法存在的精度低和实用性差等不足,以一类带有噪声相关的非线性网络化目标跟踪系统为对象,研究基于测量新息量化策略和容积粒子滤波（Cubature particle filter,CPF）的目标跟踪融合算法. 首先,利用状态方程恒等变换和矩阵相似变换理论解除过程噪声与测量噪声以及测量噪声之间的相关性;其次,各个传感器节点采用自适应策略量化局部测量新息并将其发送到融合中心（Fusion center,FC）;随后,在集中式融合框架下采用容积粒子滤波器设计基于测量值扩维的量化融合跟踪算法,进而给出相应的顺序滤波量化融合算法,上述算法可有效解决因自适应量化引起的非高斯问题;最后,通过两个计算机仿真实验验证了所提出跟踪算法的有效性.     

一种结合边缘检测的多基线InSAR高程反演方法

针对多基线InSAR高程重建算法鲁棒性差的问题,提出一种基于边缘检测与路径跟踪策略的多基线InSAR高程反演算法。该算法分为2个步骤。第1步是直接利用多基线最大似然估计算法从多幅不同基线的干涉相位图中获取粗略的地形高程,再用Sobel算子对滤波后的粗略地形高程进行边缘检测,获得地形的不连续边界;第2步则先构建优化的多基线InSAR高程反演模型,随后利用单通道InSAR相位解缠技术中的路径跟踪策略,引导构建的多基线InSAR高程反演模型沿高质量像元到低质量像元的路径进行高程重建,在连续区域引入邻域约束,在不连续区域则阻断邻域约束,既有利于提高算法在连续区域的抗噪性,又可避免邻域约束在不连续区域引起的误差传递现象,从而达到增强算法鲁棒性的目标。多组不同地形的高程反演结果证明了该方法的有效性。     

一种鲁棒的自适应带宽跟踪方法

在自适应带宽均值移动算法的基础上, 引入粒子滤波, 提出一种新的目标跟踪方法. 该方法通过更新带宽矩阵以适应目标尺度的变化; 采用加权和方法融合定位检测结果, 使跟踪不易陷入局部最优状态; 对粒子进行收敛采样, 维持粒子多样性, 减小累积误差; 提出一种目标扩展搜索策略, 用于目标丢失后重新搜索跟踪目标. 实验结果表明, 所提出的跟踪方法在复杂场景中表现出了较好的鲁棒性, 且跟踪轨迹平滑.

     

高效UKF相位解缠算法北大核心CSCD

针对传统的无味卡尔曼滤波相位解缠算法解缠精度和解缠效率难以平衡的问题,提出一种高效无味卡尔曼滤波(unscented Kalman filter,UKF)相位解缠算法。首先,根据干涉图生成相应的枝切线分布图;其次,利用二阶差分函数计算干涉图中各像元的二值化质量权值矩阵;然后,由枝切线分布图以及二值化质量权值矩阵生成可靠性掩模图,该可靠性掩模图将干涉图分为权值为“1”的高质量像元(非枝切线上的二值化质量权值为“1”的像元)、权值为“0”的低质量像元(枝切线上的像元、二值化质量权值为“0”的像元以及枝切线围成的闭环区域中的像元)两部分;最后,由可靠性掩模图确定解缠路径,先利用UKF相位解缠程序按照像元扩散策略解缠高质量像元,余下未解缠像元根据已解缠像元信息,利用UKF相位解缠程序按照行(或列)的方式进行解缠。模拟数据及实测数据实验结果表明,该算法能够高效与稳健地处理干涉图的相位解缠问题。     

InSAR中应用可靠度导向改进的分级表相位展开算法

目的 在干涉合成孔径雷达的相位展开过程中,如果相位展开的展开路径穿过残差点就会产生相位展开的误差。在相位展开的时候,希望将相位展开的误差限制在局部区域,提高相位展开的精度。方法 首先通过判断截断相位图的残差点,并以InSAR的干涉一致性图作为相位展开的可靠性度量,对截断相位图进行量化,将残差处的可靠度设为排序中的最低等级。在进行可靠度排序后进行干涉合成孔径雷达相位图的相位展开。结果 使用该算法改进了经典可靠度导向相位展开算法中可靠度排序的缓慢问题。与经典菱形算法相比,展开精度高很多。与洪水算法相比,展开速度能快上百倍。通过可靠度排序的改进,对干涉合成孔径雷达相位展开后的结果进行分析,可以看到提高了相位展开的精度,有效的控制了相位展开过程中误差的传递。结论 相位展开算法的改进提高了干涉合成孔径雷达相位展开的精度,在干涉合成孔径雷达的相位展开中可以广泛应用。     

基于混合粒子滤波的运动火焰跟踪算法

提出一种基于混合粒子滤波的运动火焰跟踪算法。针对通用粒子滤波算法计算量大的问题,提出了混合粒子滤波,将Mean Shift算法嵌入到粒子滤波中,并用自适应运动模型和目标模型自动更新的策略改善算法性能。基于混合粒子滤波提出了火焰识别和火焰跟踪相结合的运动火焰自动跟踪算法,先火焰识别,再火焰跟踪,且跟踪时,如果估计目标与模型的相似度小于阈值则切换到火焰识别阶段。识别与跟踪的相互切换保证了跟踪结果的正确性。实验结果表明混合粒子滤波具有很好的跟踪效果,与粒子滤波和Mean Shift算法相比,提高了跟踪精度;基于混合粒子滤波的火焰跟踪算法能够跟踪复杂环境下的运动火焰,提供火焰的精确位置。     

一种实用的融合方法在辅助粒子滤波中的应用

研究机动目标跟踪优化问题,传统的扩展卡尔曼滤波(Extended Kalman Filtering,EKF),无迹卡尔曼滤波(UnscentedKalman Filtering,UKF)跟踪机动目标强非线性系统,滤波精度有限,并存在噪声。为了提高跟踪滤波的精准性和可靠性,提出建立一种协同转弯非线性模型,将辅助粒子滤波(Auxiliary Particle Filtering)和数据融合相结合的跟踪滤波算法。辅助粒子滤波在重采样前对各个粒子权值依据似然函数进行修正,同时采用一种将多个滤波器结合的实用的数据融合方法,可以进一步提高滤波精度。经仿真表明,算法能减小运算量,并能很好的提高跟踪滤波精度。     

角闪烁噪声测量条件下的剩余飞行时间估计

针对雷达导引头角闪烁噪声测量条件下的机动目标,研究剩余飞行时间计算方法;建立了闪烁噪声计算模型;在粒子滤波算法和扩展卡尔曼滤波算法的基础上,推导了扩展卡尔曼粒子滤波算法的实现过程;根据估计结果建立了剩余飞行时间计算模型,在剩余飞行时间表达式中考虑了目标机动加速度的影响;仿真结果表明,基于机动目标当前统计模型的扩展卡尔曼粒子滤波算法对闪烁噪声测量条件下的机动目标具有良好的跟踪性能,对剩余飞行时间具有较高的估计精度。     

一种基于改进UPF的运动声阵列交互多模型目标跟踪方法

针对运动声阵列在有色噪声环境中的非线性滤波跟踪实时性问题,提出一种基于改进粒子滤波的交互式多模型目标跟踪(IMM-IUPF)方法.该方法采用最小斜度单形无迹变换结合变尺度无迹变换的 Sigma点选取策略,对标准无迹粒子滤波(UPF)进行改进,大幅缩减UPF样本选取计算量;将改进的UPF与交互式多模型(IMM)相结合,通过定义自适应增益修正系数,弥补样本点缩减造成的精度降低问题;最终通过与传统的基于IMM的粒子滤波(IMM-PF)和基于IMM的无迹粒子滤波(IMM-UPF)进行Matlab数值仿真对比验证所提出算法的实用性.     

基于Mean-Shift的卡尔曼粒子滤波车辆跟踪算法研究

在视频车辆跟踪算法中针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不准确性,提出一种基于Mean-Shift的卡尔曼(Kalman)粒子滤波算法。该算法利用建立基于目标颜色直方图特征模型对视频车辆目标进行建模,并将其与Kalman滤波相结合进行更新;通过采用Mean Shift算法将Kalman滤波器引用到粒子滤波器当中,通过预测迭代,从而达到对车辆的运行轨迹的修正。将先验信息预测与粒子滤波相结合在保持跟踪系统整体上的非线性、非高斯性,兼顾了卡尔曼滤波局部的线性高斯特性。实验结果表明,该方法与传统粒子滤波方法相比,具有较好的实时性和较高的准确率,能够准确稳定地对目标车辆进行跟踪。     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

基于Meanshift和粒子滤波的行人目标跟踪方法

针对粒子滤波跟踪算法计算代价大以及Meanshift跟踪算法容易陷入局部极值等问题,提出一种嵌入均值优化的粒子滤波跟踪算法。该算法根据粒子滤波的运动模型估计目标区域位置,利用Bhattacharyya距离度量粒子区域和目标模型的相似性,并根据相似性来更新粒子权值,使用Meanshift优化算法改善粒子的估计位置,使得这些粒子的候选区域能更加接近目标模板,极大提高了粒子的使用效率。实验结果表明,该算法能够有效进行人的跟踪,处理人的短暂遮挡问题,性能优于粒子滤波算法,有较好的实用性。     

基于萤火虫优化粒子滤波的新型机动目标跟踪算法

交互式多模型粒子滤波算法需要多个模型才能对强机动目标进行跟踪,并且粒子滤波的重采样会导致粒子贫化现象,针对该问题提出一种新型机动目标跟踪方法.该方法首先将萤火虫群体的吸引和移动机制引入粒子滤波;再将改进粒子滤波引入交互式多模型中,通过智能寻优的方式提高交互式多模型的跟踪精度和稳定性.实验结果表明,相对于IMM-PF,改进方法可以用更少的时间达到同等精度,提高了机动目标跟踪的效率.     

高斯粒子群优化粒子滤波检测前跟踪算法

针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题,提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集,使粒子集朝着后验概率密度分布取值较大的区域运动,增加粒子的多样性,克服了粒子贫乏问题,并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目,提高了标准粒子滤波算法的检测和跟踪性能。同时,建立了检测前跟踪系统的观测模型和系统模型,对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真,仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。     

改进的多特征粒子滤波目标跟踪算法研究

针对在复杂环境下多特征融合的粒子滤波算法跟踪精确度低的问题,提出一种改进的多特征融合算法;该算法采用二阶中心差分卡尔曼滤波方法来实现建议分布函数的优化,在重要性采样中融入最新的测量信息,提高了粒子的使用效率,并引入动态模板更新机制对目标模板实时更新;在多特征融合策略上利用基于粒子滤波框架下的EM算法适用于不同数量样本集的特点求解状态估计,不仅避免因计算特征权重产生误差,而且提高了算法的实时性;滤波器仿真实验结果表明,在一维非线性模型下对比其它改进粒子滤波算法,本文提出的方法性能最优;在基于视频序列的目标跟踪实验中,通过比较本文算法在不同特征、不同采样粒子数量条件下的性能对比验证本文算法的有效性;最后通过一系列不同环境下的跟踪实验证明,本文算法对复杂条件下的目标跟踪具有较高的精度和鲁棒性。     

基于灰色系统理论和粒子滤波器的目标跟踪算法

提出一种基于灰色系统理论和粒子滤波的目标跟踪算法,自适应调整搜索范围,并采用交叉熵理论来度量目标模型与粒子确定区域特征模型之间的相似度。先用粒子滤波算法对运动目标状态进行估计,确定目标中心位置,利用历史目标位置状态序列,通过灰色系统理论对下一帧目标状态进行预测;然后对重采样后的粒子的位置和粒子的搜索范围进行修正,采用交叉熵理论来衡量目标与粒子确定区域的特征模型之间的相似度。仿真结果表明,相比传统的粒子滤波算法,新算法具有更好的鲁棒性和跟踪精度。     

扩展风险性滤波算法的修正方法

针对非线性系统扩展风险性滤波(ERSF)估计精度较低的缺点,提出一种基于二阶Taylor展开对其进行高阶修正的算法.该算法利用高阶项对一阶扩展卡尔曼滤波(EKF)的状态估计向量及协方差阵进行适当修正,并由新息滤波方法得到修正的扩展风险性滤波(MERSF).高度非线性的仿真研究表明,所提出的算法在计算量增加不多的情况下,滤波精度有明显的提高.

     

用于弹道目标跟踪的新的非线性滤波算法

针对再入阶段弹道目标的跟踪问题,提出一种新的自适应滤波算法,即强跟踪有限差分扩展卡尔曼滤波（STFDEKF）算法,用于非线性系统的目标跟踪。该方法使用Sterling内插公式进行多项式的近似,从而实现对非线性函数的近似,避免了非线性函数的求导运算;并且算法中引入强跟踪的因子来修正先验的协方差矩阵。新算法改进了跟踪精度,扩大了应用范围,增强了滤波收敛性。仿真实验将新算法与扩展卡尔曼滤波器（EKF）、有限差分扩展卡尔曼滤波器（FDEKF）进行了比较,结果表明,STFDEKF在跟踪精度和滤波可靠性上均优于EKF和FDEKF,但其计算复杂性更大。得出结论,STFDEKF是个很有效的非线性滤波算法。     

基于核函数粒子滤波和多特征自适应融合的目标跟踪

经典粒子滤波及其改进算法在观测模型与真实情况存在偏差时会导致滤波发散,针对这一问题,提出一种核函数粒子滤波算法.该算法根据目标状态与粒子状态之间的距离,利用核函数产生权值对粒子进行二次加权,根据粒子的二次加权结果进行粒子重采样;以改进的粒子滤波算法为框架,提出了一种自适应多特征融合目标跟踪方法,利用相似性度量动态地评价特征对目标与背景的区分能力,并自适应地计算特征融合权重,以适应目标跟踪过程中目标与背景的变化,提高目标跟踪的鲁棒性.实验结果表明,文中提出的目标跟踪方法比经典粒子滤波目标跟踪方法具有更强的抗干扰性能和较高的跟踪精度.