共查询到17条相似文献,搜索用时 140 毫秒
1.
基于扩展卡尔曼滤波的声传感器跟踪算法 总被引:2,自引:0,他引:2
针对声传感器单站单目标跟踪,提出了一种基于扩展卡尔曼滤波(EKF)的跟踪算法,将声波传输时延的影响转换到运动模型的可变周期上,通过参数在线估计的方法,估计该可变周期,进而解决了有信号时延的跟踪问题。通过把先验已知的速率当作观测值,解决了纯方位角跟踪时系统不完全可测的问题。仿真验证了算法的正确性和有效性。 相似文献
2.
3.
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。 相似文献
4.
5.
在机动目标跟踪过程中,由于目标运动的不确定性,雷达系统接收的数据存在噪声,使预置目标运动模型通常很难得到较高的跟踪精度。为此,以自适应卡尔曼滤波为基础,将直角坐标系和球坐标系相结合,提出了一种混合坐标系下的自适应卡尔曼滤波算法。算法避免了两个坐标系变换引起的噪声统计规律变化问题,并针对目标发生大机动运动的情况,自适应的调整动态模型中机动目标运动参数。蒙特卡洛仿真结果表明,改进算法的收敛速度和对状态的估计精度均得到优化,并对机动目标具有较好的跟踪性能。 相似文献
6.
为了提高双DIFAR浮标的定位精度,提出一种新的基于扩展卡尔曼滤波的双DIFAR浮标目标参数估计与跟踪算法。建立目标与浮标的数学运动模型及坐标系,推导出目标状态方程及观测方程,最后确定了滤波初始状态值及初始协方差矩阵。仿真结果表明,使用卡尔曼滤波技术,成功实现了目标参数估计与跟踪的任务。该算法与经典算法相比,跟踪精度更高,同时可以直接计算出目标速度及航向。 相似文献
7.
为了研究运动声阵列对二维目标在复杂环境中的实时跟踪性问题,根据运动声阵列及二维目标的运动特点建立了状态方程与测量方程,并将其描述为块的形式.根据不同的状态块,利用小波变换把状态块分解到不同尺度上,分别在时域和频域上建立相应尺度上的状态与观测信息之间的关系;采取卡尔曼滤波器递推思想来实现运动声阵列的多尺度贯序式卡尔曼滤波算法,根据最小二乘误差估计理论推导了运动声阵列跟踪系统在球坐标系和直角坐标系下的误差,为提高系统跟踪精度奠定了理论基础,并为工程应用提供了实际方法.与传统的卡尔曼滤波算法相比,Matlab仿真结果表明了本文算法的有效性和优越性. 相似文献
8.
针对纯方位单站目标跟踪中观测方程非线性且易受滤波初值影响的问题,提出了一种距离参数化混合坐标系下的平方根容积卡尔曼滤波(SRCKF)算法.该滤波算法首先将平方根容积卡尔曼滤波算法应用于混合坐标系,比直角坐标系下的平方根容积卡尔曼滤波算法能得到更好的跟踪效果;接着将距离参数化思想和混合坐标系下的平方根容积卡尔曼滤波算法结合,消除了距离信息不可测对跟踪效果的影响.仿真结果表明,该滤波算法虽略微提升了计算复杂度,但其鲁棒性和滤波精度均有大幅度的提高. 相似文献
9.
针对基于二维目标检测和卡尔曼滤波的多目标人体跟踪算法在视频拍摄角度不定的情况下,检测算法生成不同角度人体二维检测框的朝向和尺度混淆以及卡尔曼滤波器随机初始化造成的初始跟踪误差逐步放大问题,提出一种基于相机模型投影的多目标三维人体跟踪算法。在人体检测阶段,提出Multi-task RCNN(MTRCNN)网络,使用人体运动趋势指导的三维目标检测替代传统的二维目标检测;通过相机模型在世界坐标系中进行人体检测框的投影。在跟踪阶段,使用目标三维尺度和朝向信息初始化卡尔曼滤波参数,加入三维包围框IOU生成目标匹配分数;通过Kuhn-Munkres(KM)算法进行数据关联。在标注数据集和MOT17数据集上与多种算法相比,该算法具有更稳定的初始跟踪性能,并且有效减少了两种ID Switch错误。 相似文献
10.
针对多运动目标视频序列中目标存在过缓运动且相互间遮挡的问题,提出一种改进的混合高斯模型(Gaussian Mixture Model,GMM)进行目标检测并结合卡尔曼滤波进行跟踪的新算法;在运动背景检测中,采用三帧差法和混合高斯模型的融合算法进行目标提取,解决了过缓运动目标检测区域不完整的问题;在运动目标跟踪中,由于Kalman滤波器采用目标检测结果进行预测,对观测噪声矩阵进行自适应更新,使得跟踪的稳定性得到加强;通过对比,验证了新算法对存在过缓以及遮挡的不规律运动情况的多目标检测识别与跟踪的实时有效性与准确性。 相似文献
11.
目标跟踪中的传感器管理 总被引:5,自引:1,他引:5
对序贯Kalman滤波在多传感器多目标跟踪中的应用情况进行了分析,提出了一种基于费歇信息增量的多传感器对多目标的分配方法。该方法较好地解决了传感器的组合分配问题,并能对目标的跟踪精度实施控制,仿真结果证明了该方法的有效性。 相似文献
12.
针对单一探测方式难以对“低慢小”目标进行全天候探测与跟踪,采用雷达与光电的主被动复合探测技术,结合两者的优势,提高定位精度,实现脉冲多普勒雷达扫描探测引导光电系统精跟踪。首先利用四元数法建立雷达坐标系与光电坐标系的空间配准模型,雷达与光电系统空间配准后,光电接收到目标位置信息视场自动转向目标;当雷达与光电探测到同一目标,通过最小二乘法将雷达与光电探测目标数据进行加权时间配准,最后将配准后的数据采用扩展卡尔曼滤波交互多模型算法(EKF-IMM)进行滤波预测,改善复合探测系统能持续跟踪能力,同时对目标在不同运动状态下具有强适应性。仿真与实验分析表明通过复合探测的方法实现对目标进行探测跟踪,利用EKF-IMM算法降低了噪声干扰,提高了目标跟踪能力及精度,其精度较传统模型提高了7%左右。 相似文献
13.
Current statistical model (CSM) has a good performance in maneuvering target tracking. However, the fixed maneuvering frequency will deteriorate the tracking results, such as a serious dynamic delay, a slowly converging speedy and a limited precision when using Kalman filter (KF) algorithm. In this study, a new current statistical model and a new Kalman filter are proposed to improve the performance of maneuvering target tracking. The new model which employs innovation dominated subjection function to adaptively adjust maneuvering frequency has a better performance in step maneuvering target tracking, while a fluctuant phenomenon appears. As far as this problem is concerned, a new adaptive fading Kalman filter is proposed as well. In the new Kalman filter, the prediction values are amended in time by setting judgment and amendment rules, so that tracking precision and fluctuant phenomenon of the new current statistical model are improved. The results of simulation indicate the effectiveness of the new algorithm and the practical guiding significance. 相似文献
14.
15.
16.
17.
Seul-Ki Han Won-Sang Ra Jin Bae Park 《International Journal of Control, Automation and Systems》2017,15(3):1155-1166
This paper addresses the target tracking problem using time difference of arrival (TDOA) and frequency difference of arrival (FDOA) measured by moving sensor network whose position and velocity are noise contaminated. It is a known fact that the existing approaches to this problem still have two unsolved technical issues; the unsatisfactory convergence behavior of the tracking filter mainly caused by severe nonlinearity of the problem itself and the tracking performance degradation due to the sensor position and velocity errors. In order to resolve these matters radically, the given target tracking problem is formulated as the robust state estimation problem of the linear system with stochastic uncertainties in its measurement matrix and solved by using the robust Kalman filter theory. The proposed scheme enables us to overcome the inherent limitations of the conventional nonlinear filters for its linear filter structure. It can also prevent the performance degradation due to imperfect sensor position and velocity information. Through the simulations, the effectiveness and reliable target tracking performance of the proposed method are demonstrated. 相似文献