基于拉依达准则与线性拟合的改进型无迹卡尔曼滤波粗大误差补偿算法

无迹卡尔曼滤波是卡尔曼滤波技术的重要组成部分,它有效地克服了扩展卡尔曼滤波的估计精度低、稳定性差等缺陷。然而无迹卡尔曼滤波未考虑粗大误差(如离群值、静差和漂移)的影响。目标跟踪经常受到不同种类粗大误差的影响,研究无迹卡尔曼滤波器对粗大误差的检测和补偿,对目标跟踪准确性的提高有重大意义。本文针对观测值中各种粗大误差影响目标跟踪精度的问题,采用拉依达准则对观测值进行检测。为了对误差进行补偿,本文提出了一种观测数据残差线性拟合的方法,使用拟合产生的预测残差补偿粗大误差,使补偿后的目标运动轨迹能够减小粗大误差的干扰。经过目标跟踪仿真实验和对比,本文提出的改进型无迹卡尔曼滤波算法能有效地减小粗大误差观测值对状态预测过程的影响,能实现对目标的准确跟踪,提高了滤波的稳定性和准确性。     

基于卡尔曼滤波的移动机器人运动目标跟踪

提出了一种基于卡尔曼滤波的运动目标快速跟踪算法。针对复杂背景下彩色运动目标跟踪问题,采用基于颜色特征和形状特征相结合的方法进行目标识别。利用卡尔曼滤波器的预测功能,预测运动目标在下一帧中的位置,将图像全局搜索问题转换为局部搜索,提高了系统的实时性。实验结果表明:该算法满足移动机器人运动控制的实时性要求,实现了对运动目标的快速跟踪。     

基于卡尔曼滤波与Zernike-facet模型的运动小目标检测

本文提出了一种新的运动小目标检测算法,该算法基于卡尔曼滤波和Zernike-facet模型。卡尔曼滤波器是一种简单和常用的状态估计快速算法,能够较为准确地对目标的运动位置、速度作出预测。本文首先利用卡尔曼滤波预测图像序列中目标的位置并得到目标搜索窗口,然后利用Zernike-facet模型检测搜索窗口中的匹配图像。仿真实验证明,这种方法是有效可行的。     

一种时空域联合的机动视频目标精确跟踪方法

提出一种采用Bhattacharyya系数最大化并联合时空域信息的视频目标跟踪方法。时域通过卡尔曼滤波预测目标的运动信息,空域用Camshift算法精确匹配视频目标。由于运动目标机动性比较强,卡尔曼滤波预测的位置和真实位置存在较大的误差,容易导致下一步跟踪失败。采用基于Bhattacharyya系数的由粗到精的核匹配搜索方法,在卡尔曼滤波预测的位置基础上适当扩大搜索范围,通过Bhattacharyya系数最大化确定初始匹配窗口,再用Camshift算法精确匹配视频目标。实验证明该方法对机动快速运动目标具有很高的跟踪精度。     

基于改进容积卡尔曼滤波的认知雷达跟踪算法

在认知雷达目标跟踪过程中,由于存在初始跟踪误差及系统量测方程的非线性等原因,导致卡尔曼滤波算法性能较差.为解决上述问题,将Gauss-Newton迭代方法与容积卡尔曼滤波算法相结合,建立迭代容积卡尔曼滤波算法.算法在迭代过程中利用最新的量测信息并更新迭代过程中产生的新息方差,降低了目标初始状态的估计误差,并且减小了线性化量测方程引入的传递误差.仿真结果表明,迭代容积卡尔曼滤波算法与传统的扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、容积卡尔曼滤波算法相比,在认知雷达中的跟踪精度更高,稳定性更好,对初始误差的容错性更强.结果可为雷达目标跟踪优化提供科学依据.     

基于粗大误差检测和补偿的改进型EKF动态目标跟踪算法

卡尔曼滤波作为当前动态目标跟踪中的常用滤波算法,研究其动态跟踪的准确性对于军事制导,交通导航等领域具有重大意义。针对动态系统目标跟踪观测过程中存在的坏值、静差和漂移三种粗大误差,基于传统扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法框架,引入了一种粗大误差检测和补偿方法,实现了对动态系统观测值中粗大误差的准确辨识和优化补偿,使得扩展卡尔曼滤波能够结合粗大误差检测和补偿方法有效地排除观测值中的粗大误差,滤波后的状态估计值更加准确地逼近真实值。经过仿真实验和对比,提出的改进型EKF算法能有效地排除粗大误差观测值对状态预测过程的影响,并且实现了对动态系统目标的准确跟踪,这大大提高了动态目标跟踪的精确度。     

动态背景下运动目标检测与跟踪研究

主要研究动态背景下的运动目标检测和跟踪问题。背景补偿差分法是一种常用的动态背景下运动目标检测算法,但检测到的目标轮廓要比其真实轮廓大,检测结果不准确且算法复杂度较高。主动轮廓模型在图像分割和目标提取过程中具有拓扑结构变化灵活性,对数值计算方案的设计更加方便、有效,据此提出一种基于改进C-V模型和卡尔曼滤波的算法,用来检测和跟踪动态背景下的运动目标。提出的算法利用C-V模型曲线演化检测和跟踪目标,使C-V模型在目标的边缘处收敛。结合卡尔曼滤波预测运动目标下一帧位置,从而实现对运动目标轮廓的跟踪。实验结果表明,该方法可以对动态背景下运动目标进行精确的检测与跟踪。     

基于FastICA的雷达弱目标检测前跟踪方法研究

研究了强噪声干扰下的雷达弱目标检测及跟踪问题。针对信号与噪声干扰之间的相互独立性,提出了一种基于FastICA的弱目标检测前跟踪(TBD)算法。该算法的关键为对分离后的信号进行能量分配,以及求解所构建的一个多目标规划问题,进而实现匹配回波信号的能量积累。仿真实验结果表明,在负信噪比的情况下,无论是高斯噪声还是非高斯噪声,该方法均可以实现检测前跟踪的目的;用能量积累过程中记录的目标状态信息为观测值,则可以通过滤波估计的方法最终实现对目标的稳健跟踪。该方法为弱小目标的跟踪检测技术提供了一种新的思路。     

结合运动方程与卡尔曼滤波的动态目标追踪预测算法

针对传统定位技术误差较大且无法预测目标位置等问题,提出了一种结合运动方程与卡尔曼滤波的动态目标追踪预测算法ME-KF。通过运动方程模拟动态目标运动特性,利用卡尔曼滤波来减小干扰噪声对测量结果的影响,并预测下一时刻的目标位置。该算法在辽宁排山楼矿井的人员定位系统中得到了实际应用,并取得了显著成果。实验结果表明,该方法提高了定位精度,能够对人员位置进行预测以及对危险区域进行预警,并且成功地分析判断了障碍物的分布状况。     

基于TBD的粒子滤波红外点状动目标跟踪算法研究

提出了一种新的低信噪比红外序列图像运动点目标检测与跟踪算法,该算法有机地结合了TBD检测算法与粒子滤波跟踪算法。首先通过多帧TBD处理后,检测出运动目标的初始位置和运动速度,然后在跟踪阶段采用粒子滤波算法估计目标运动状态,可实现信噪比为2的点目标的检测与跟踪。对真实红外图像序列进行实验仿真,仿真结果证明,该算法具有良好的实时性与很高的精确性。     

基于边缘化粒子滤波的红外小目标检测跟踪

针对红外探测系统中单帧红外图像中低信噪比小目标检测问题,提出一种基于边缘化粒子滤波算法的检测前跟踪方法.该方法根据混合状态滤波的思想,直接利用原始图像数据,采用粒子数确定的持续概率密度函数和新生概率密度函数,推导出目标存在的概率.对没有出现在量测方程中的线性状态变量边缘化,用卡尔曼滤波器进行时间更新.实验结果证明,该方...     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.该算法先采用转换量测容积卡尔曼滤波器和位置量测对目标状态进行估计,再利用经典容积卡尔曼滤波器对新构造的伪多普勒量测进行量测更新以实现目标跟踪.通过对所提算法的性能分析验证该算法的一致性和收敛性.仿真结果表明,该算法与其他跟踪算法相比,具有更高的跟踪精度.     

基于位置和速度的点状运动目标Bayes跟踪

采用结合概率数据关联的卡尔曼滤波方法,研究一种基于位置、速度信息的微弱点动目标Bayes跟踪技术。其关键是在跟踪区域检测时,检测器以Basyes模式进行工作,检测门限随目标先验概率比变化。提出一种新的门限计算方法。与基于恒虚警概率准则的跟踪技术相比,跟踪过程中检测到的虚警目标明显减少,仿真结果验证了该算法的实时性与精确性。     

基于Tiny-YOLOV3的无人机地面目标跟踪算法设计

为了提高四旋翼无人机对地面目标跟踪的稳定性和跟踪精度,提出了一种结合Tiny-YOLOV3和卡尔曼滤波的跟踪算法;首先分析了Tiny-YOLOV3的原理和网络结构,并基于Tiny-YOLOV3的目标检测结果,结合无人机状态和目标的几何关系建立了目标跟踪系统的数学模型;接着对目标相对运动关系进行分析,建立目标的运动学模型,考虑到目标检测结果受干扰影响较大,应用卡尔曼滤波器实现对目标轨迹的滤波和预测,进而提升目标跟踪的精度;最后根据经过卡尔曼滤波后的目标轨迹信息设计无人机控制律,在轨迹控制的同时引入对无人机偏航角的控制,从而实现无人机对目标的稳定跟踪;仿真结果表明无人机对目标的位置跟踪精度在0.5 m以内,速度跟踪误差在0.2 m/s以内,偏航角跟踪误差在3°以内,跟踪效果良好,从而论证了所提算法的有效性。     

基于粒子滤波的检测前跟踪改进算法

针对低信噪比环境下微弱目标的实时检测与跟踪,提出一种基于粒子滤波的检测前跟踪改进算法.该算法在粒子滤波的基础上融合不敏卡尔曼滤波(uKF1)算法,融合后的新算法在利用重要性密度函数产生粒子时充分考虑当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子的分布更接近状态的后验概率分布.仿真实验表明,改进算法的检测与跟踪性能优于标准的粒子滤波算法.     

紧耦合多传感器混合跟踪算法

在增强现实应用中实现对运动目标的准确跟踪是一个具有挑战性的任务。基于混合跟踪通过对多传感器信息的融合通常比单一传感器跟踪算法更为优越的特性,提出了一种新的紧耦合混合跟踪算法实现视觉与惯性传感器信息的实时融合。该算法基于多频率的测量数据同步,通过强跟踪滤波器引入时变衰减因子自适应调整滤波预测误差协方差,实现对运动目标位置数据的准确估计。通过标示物被遮挡状态下的跟踪实验结果表明,该方法能有效改善基于扩展卡尔曼滤波器的混合跟踪算法对运动目标位置信息预测估计的准确性,提高跟踪快速移动目标的稳定性,适用于大范围移动条件下的增强现实系统。     

违章车辆快速检测方法研究——基于鲁棒颜色差分直方图

针对传统的智能交通系统中违章车辆检测方法实时性差、易受光照变化条件变化制约,影响后续辨别车辆违章和图像取证抓拍的问题,提出了一种基于颜色差分直方图和卡尔曼滤波的鲁棒、快速的违章车辆检测跟踪算法。该算法采用背景模糊匹配思想,选择初始背景图像;利用对环境变化鲁棒的颜色差分直方图算法检测运动目标;对运动目标团块的质心运动状态采用卡尔曼滤波进行跟踪预测,从而在预测的区域内检测同一目标团块;通过判断其质心运动轨迹,达到辨别违章车辆检测与抓拍的目的。通过对真实道路中不同天气条件下的场景进行检测,实验结果表明该算法能够快速而准确地检测违章车辆。     

两级量测更新的粒子滤波检测前跟踪算法

针对低信噪比下弱目标的检测与跟踪问题,提出了一种基于两级量测更新的粒子滤波器检测前跟踪算法。算法在粒子滤波状态更新之后,在其状态估计附近,引入卡尔曼滤波框架,进行第2级的量测更新,提高了粒子携带信息的利用程度。仿真结果表明,新算法获得了更好的检测和跟踪性能。     

基于卡尔曼滤波的弱小目标实时检测与跟踪

提出一种基于卡尔曼滤波的弱小目标实时检测与跟踪方法。计算每帧图像上所有星点到参考星点的距离,利用目标与背景恒星运动特性上的差异检测出运动目标。针对漏检问题,采用卡尔曼滤波算法估计目标在漏检帧上的位置,通过对图像的重分割寻找丢失目标,利用目标的运动信息建立连续的目标链。实验结果表明,该方法能实现高检测率和低虚警率的实时检测。