一种带渐消因子的自适应“当前”统计模型

光电经纬仪对目标跟踪时,目标突发机动时的跟踪效果较差.为此设计了一种带渐消因子的自适应"当前"统计模型.引入渐消因子增强其对突发机动的自适应跟踪能力和其鲁棒性,改进的"当前"模型改善了普通"当前"模型对一般机动目标的跟踪性能.仿真结果表明,和一般"当前"统计模型算法相比,本文提出的算法明显提高了对目标突发机动的跟踪性能.     

基于BP神经网络的Kalman滤波算法的改进

针对传统的Kalman滤波算法在机动较强的目标跟踪中误差变大甚至发散的缺点,考虑到BP神经网络具有较强的非线性逼近能力,提出了用BP神经网络辅助Kalman滤波的新算法,仿真表明该算法优于传统的Kalman滤波算法.     

基于截断正态概率密度模型的简化UKF目标跟踪算法

针对机动目标跟踪问题,在截断正态概率密度模型的基础上,提出了一种简化的UKF滤波算法.该算法采用Kalman滤波替代UKF算法中的时间更新,而保留UKF算法中的量测更新.仿真结果表明,简化UKF算法跟踪精度与标准UKF算法几乎相同,但计算效率却提高了32.2％.     

激光电子经纬仪动态跟踪引导系统的设计

设计了一种基于视觉的激光电子经纬仪跟踪引导系统来提高电子经纬仪工作效率,实现其在大空间范围内目标点的动态测量.介绍了跟踪引导系统结构组成并分析了外置扫描设备以及激光电子经纬仪的运动特性.建立扫描设备运动学模型,说明了利用空间坐标转换关系,通过光轴搜索法实现了经纬仪激光点自动引导的策略.然后,给出了镜头的变焦控制方法.最...     

一种有效的雷达微弱目标检测法

本文提出了一种检测前跟踪算法,它根据雷达图像中包含的目标运动参数的信息预测目标运动轨迹,并沿着预测轨迹积累能量,有效地解决了动态规划检测前跟踪算法(TBD-DP)在能量积累过程中的能量扩散问题.本文描述了算法的能量积累过程,仿真实验显示出该算法最大程度地抑制了聚集在真实目标点周围的虚警噪声,提高了检测前跟踪算法对目标的检测和分辨能力.     

Mean-Shift和Kalman算法在工件分拣技术中的应用

针对生产线上动态工件的跟踪分拣问题,提出了一种Kalman预测目标和Mean-Shift搜索目标综合应用的跟踪算法,实现了对履带上工件的动态跟踪.该算法首先利用Kalman滤波估计出后续运动目标的位置、速度和匹配范围,然后使用基于HSV色彩空间融合的Mean-Shift算法进行小范围搜索和目标匹配,最后将Mean-Shift算法得到的目标位置作为下一帧Kalman滤波器的输入参数使得后续状态具有预测的能力,迭代执行,直至搜索到目标为止.实验证明,该算法能够有效解决动态工件的跟踪和定位问题.     

一种改进的基于光流法的运动目标跟踪算法

运动目标跟踪需要从背景中准确地检测出感兴趣目标并实现有效率的跟踪。文章结合Codebook模型和光流法提出了一个新的目标跟踪方法,首先用Codebook模型检测得到感兴趣目标,然后提取感兴趣目标内部的特征点并用光流法进行跟踪,跟踪过程中实时更新用以跟踪的目标内部的特征点。当目标发生遮挡时,采用Kalman滤波器预测目标的位置,遮挡结束后根据Kalman滤波器预测的位置和Codebook检测结果重新初始化感兴趣目标内部的特征点。实验结果表明,该算法具有较好的鲁棒性和较高的准确率,能够满足实时跟踪的要求。     

分布式Unscented粒子滤波跟踪

提出了一种新的分布式粒子跟踪算法,该算法主要考虑传感网络能量受限、通信受限等特性,改善了通常的分布式粒子滤波粒子数目大、节点间信息交换多的弊端,能够用较少的节点计算得到对机动目标更好的跟踪结果,实现了改进的分布式粒子滤波(DUPF).DUPF算法的主要思想是利用Unscented Kalman滤波改进分布式粒子滤波算法形成一个建议分布,用来生成粒子分布,在这个基础上,通过分布式粒子滤波实现目标的在线跟踪.仿真实验表明,和分布式粒子滤波相比,DUPF只需要其25%的粒子数目就能达到同样的跟踪精度,即可用较少的节点和通信消耗,实现高精度的目标跟踪.     

光电跟踪系统纯角度滤波器的设计

为了在不增加硬件的条件下改善光电跟踪系统的性能,提出了仅基于目标角度信息的状态估计方法,设计了纯角度跟踪滤波器.首先,分析了带有激光测距仪的红外跟踪系统的工作机理;针对目标机动性特点,建立了球坐标系下目标的“当前”机动模型.然后,针对纯角度跟踪过程中高频图像序列存在复杂噪声干扰的问题,采用集员估计的方法对目标状态模型进行了补偿和调整,并在此基础上设计了自适应椭球滤波算法.最后,以舰载光电跟踪系统对来袭目标的跟踪为例进行了仿真.对比实验结果表明,对于复杂噪声条件下的强机动目标,在激光测距仪回波率为50％的情况下,利用基于自适应椭球滤波算法的纯角度滤波器进行辅助跟踪,可以实现方位(俯仰)角度估计均方差≤0.6 mrad的稳定跟踪,效果显著优于传统滤波方法,具有良好的工程实用价值.     

路面机动目标的融合跟踪

针对自主车辆的机动目标跟踪问题提出了一个利用雷达和图像传感器的融合跟踪方法.采用动力学模型对车辆运动进行描述以适应车辆机动的情形.利用雷达的距离信息建立视觉窗口,利用三维线框模型从窗口图像中获取车辆转向角,然后通过数据融合技术,充分利用雷达与图像传感的量测信息,提高对机动目标的状态估计精度.三维仿真实验证明,与单纯基于雷达量测的跟踪方法相比,该融合方法大大提高了对机动目标的跟踪精度.     

基于卡尔曼预测和滤波的视频目标跟踪

视频目标跟踪在军事和民用领域有着广泛的应用,其实现算法首选卡尔曼滤波算法,但是在应用卡尔曼滤波算法之前首先要获得目标当前时刻的观测信息,在全帧图像搜索并确定目标需要耗费大量的计算资源。针对这一问题,文章结合目标跟踪时的卡尔曼滤波算法,在每次完成目标状态的滤波估计后,进行卡尔曼一步预测,确定目标下一时刻可能的范围,避免下一时刻确定量测信息时对整幅图像的搜索,极大地减小计算量,提高目标跟踪的实时性和精度。计算机仿真实验验证文中所提方法的有效性。     

Centroid weighted Kalman filter for visual object tracking

In the visual object tracking, the Kalman filter presents commonly the state model and observation model uncertainty in the actual performance of Gaussian noise, so it makes the estimation of certain parameters produce errors in the model, and results in decreasing estimation precision. In order to enhance the stability of the Kalman filter, an algorithm based on centroid weighted Kalman filter (CWKF) for object tracking is proposed in this paper. The algorithm firstly uses background subtraction method to detect moving target region, and then uses the Kalman filter to predict target position, combining centroid weighted method to optimize the predictive state value, finally updates observation data according to the corrected state value. Tracking experiments show that the algorithm can detect effectively moving objects and at the same time it can quickly and accurately track moving objects with good robustness.     

基于改进 Mean－shift算法的铲斗目标跟踪

针对挖掘机器人铲斗目标实时跟踪问题,提出了Kalman＋Mean－shift算法的铲斗目标跟踪算法。与Mean－shift算法以及Camshift 算法相比,该算法通过Kalman滤波器对目标位置的预测,解决了跟踪过程中出现干扰时无法跟踪目标的问题。运用OpenCV进行跟踪程序设计,对挖掘机模型的铲斗目标进行跟踪实验,对算法的可行性进行验证。实验结果显示,结合Kalman滤波器的Mean－shift算法能够准确地实施对铲斗目标的跟踪。     

利用动态靶标谐波特性评价光电经纬仪的跟踪性能

提出了一种利用动态靶标实现光电经纬仪跟踪性能等效正弦评价的新方法。分析了动态靶标目标及相应跟踪误差的幅度谱和功率谱特性,提出将动态靶标看作由有限项基频谐波和整数倍基频高次谐波的加权和组成的谐波源。根据被检光电经纬仪跟踪性能设计等效正弦信号,利用动态靶标产生与等效正弦信号同频率的谐波信号完成光电经纬仪跟踪误差系统在该频率下幅频特性函数值的测试。等效正弦的幅值和测得的幅频特性值乘积即为跟踪等效正弦信号的跟踪误差最大值,从而实现了跟踪性能评价。利用该方法测得方位方向的最大跟踪误差为0.65′,远小于4′的指标要求,而利用动态靶标直接检测的值为4.7′。实验表明该方法准确、可行,同时避免了直接利用动态靶标检测时可能使跟踪伺服系统出现过度校正的问题。     

Adaptive Vold–Kalman filtering order tracking

This study proposes and implements an adaptive Vold–Kalman filtering order tracking (VKF_OT) approach to overcome the drawbacks of the original VKF_OT scheme for condition monitoring and diagnosis of rotary machinery. The paper comprises theoretical derivation and numerical implementation. Comparisons of the adaptive VKF_OT scheme to the original are accomplished through processing two synthetic signals composed of close orders and crossing orders, respectively. Parameters such as the weighting factor and the correlation matrix of process noise, which influence tracking performance, are investigated. The adaptive scheme coping with end effects of computation can simultaneously extract multiple order/spectral components, and effectively decouple close and/or crossing orders associated with multi-axial reference rotating speeds. Furthermore, the adaptive OT scheme is realized through Kalman filtering based upon adapted one-step prediction scheme, where a parameter, the weighting factor, is newly introduced into the computation. Thus the technique can be computed on-line and implemented as a real-time processing application.     

遮挡环境下基于路侧异源雷达融合的多交通目标鲁棒跟踪方法

多目标跟踪是保障自动驾驶行驶安全与效率的基础,其获取的数据广泛应用于自动驾驶运动规划、驾驶决策等上层应 用。 传统多目标跟踪方法在遮挡环境下往往存在目标丢失、错位的现象,针对这一问题,本文提出了基于异源雷达融合与遮挡 预测模型的鲁棒跟踪方法。 首先,基于激光雷达与毫米波雷达的局部观测一致性方程,提出了一种基于多目标运动约束与全局 最大匹配的多传感动态自标定算法。 其次,针对完全遮挡环境下因观测数据缺失导致的跟踪中断问题,提出了一种基于异构雷 达融合无迹卡尔曼滤波与长短期时序神经网络的混合监督目标位置预测方法。 通过实验表明,本文提出的方法在完全遮挡环 境下可有效补全至少 81% 断开的多车辆目标轨迹,且相比于最先进的方法,能够实现更为可靠的多交通目标跟踪。     

采用多伯努利滤波器的过采样点目标检测前跟踪

为了提高过采样体制下点目标的探测能力,提出了基于多伯努利滤波器的过采样点目标检测前跟踪方法。分析了时空过采样体制的成像过程,给出了时空过采样体制下的点目标成像模型,并将过采样观测过程等效建模为多个单采样线阵同时观测的过程。利用提出的模型,将单采样条件下的图像处理方法自然地扩展到过采样条件下。然后,根据等效观测模型,给出了针对过采样点目标的多伯努利预测和更新过程,并用序贯蒙特卡罗的方式实现了该检测前跟踪方法。最后,通过仿真实验验证了本文算法的有效性。实验结果表明:本文提出的方法能够在图像信噪比≥3的条件下,有效检测和跟踪过采样体制下的多个点目标,目标估计误差≤0.25pixel;与单采样检测前跟踪相比,过采样检测前跟踪能够探测目标能量更弱的小目标。因此,本文方法能够满足高精度天基点目标检测跟踪的需求。     

基于卡尔曼滤波器的等效复合控制技术研究

等效复合控制技术是一种比较理想的高精度跟踪技术手段。阐述了复合控制及等效复合控制技术的基本原理,分析了机动目标的随机加速度模型,给出了卡尔曼滤波预测算法的实现过程,并在假定目标满足随机加速度模型的基础上,建立了基于卡尔曼预测滤波技术的光电经纬仪的等效复合控制系统。针对脱靶量滞后问题,提出了一种人为将编码器延迟再和脱靶量合成,而后采用卡尔曼滤波进行外推来克服该问题对系统影响的新方法。仿真结果表明,所建立的等效复合控制系统,可以对60°sin0.573 t的等效正弦目标达到0.2'的跟踪精度,相对于传统的速度滞后补偿方法,精度提高了10倍。最后实验验证了等效复合控制系统的有效性。     

基于鲁棒自适应SCKF的智能汽车目标状态跟踪研究

准确的自车和前车状态估计是智能汽车有效决策和控制的前提,而以往的研究通常不考虑噪声统计特性不确定的问题,导致某些情况下车辆状态估计的误差很大。为此,提出一种鲁棒自适应平方根容积卡尔曼滤波（Robust adaptive square-root cubature Kalman filter,RASCKF）算法,以降低噪声统计不确定性对估计精度的影响。首先,采用最大后验概率准则估计了过程噪声协方差和测量噪声协方差的统计值,以提高噪声稳定时状态估计的精确性。然后,基于标准化测量新息序列设计了故障检测规则,利用实时测量新息对噪声协方差进行校正处理,保证状态估计算法的鲁棒性。最后,在不同的噪声干扰工况下对RASCKF算法进行了仿真验证。结果表明,RASCKF算法在估计精度和稳定性上明显优于标准SCKF算法,有效地解决了智能汽车目标状态跟踪过程中噪声统计特性不确定的问题。