卡尔曼粒子滤波中基于精确运动模型的局部区域估计

粒子滤波广泛应用于对精度和稳定性要求较高的目标跟踪,但其计算量大,并且计算复杂度随着状态量和粒子数目增长迅速增加。将目标跟踪转化为由粗到精的搜索过程,提出了一种基于精确运动模型的改进分层卡尔曼粒子滤波算法。该方法利用加速度的运动模型在真实目标位置的周围估计目标的散布范围,并在该范围内随机生成粒子,寻找精确的目标位置。文中引入加加速度模型主要是由于现有方法的状态量阶数不足,导致模型精确度较低,无法应对大机动目标的跟踪。因此,引入了高阶状态变量加加速度,并将其用于改进分层卡尔曼粒子滤波的运动模型。利用分层卡尔曼粒子滤波、粒子滤波以及提出的方法进行了跟踪试验,结果表明,基于精确运动模型的改进分层卡尔曼粒子滤波模型的跟踪方法能够提高线性运动的预测精度,实现复杂环境下精确稳定的跟踪。     

被动传感器阵列中基于粒子滤波的目标跟踪

针对被动传感器阵列中的机动目标跟踪问题,该文提出了一种基于多模Rao-Blackwellized粒子滤波的机动目标跟踪新方法。算法首先基于Rao-Blackwellization理论将机动目标跟踪问题划分为模型选择和目标跟踪两个子问题;采用多模Rao-Blackwellized粒子滤波对目标运动模型进行选择,扩展Kalman滤波对目标进行更新,有效降低了抽样粒子状态维数,节省了计算时间;最后,建立了被动传感器阵列的非线性观测模型。实验结果表明,提出方法可以有效地对目标模型进行选择,算法的跟踪性能及稳定性要好于交互多模型(IMM)方法。     

基于自控蝙蝠算法智能优化粒子滤波的机动目标跟踪方法

标准粒子滤波重采样过程中对粒子的直接删除会导致粒子贫化,并且综合性价比不高,难以满足高频段精密跟踪雷达的需求.针对上述问题,本文提出了基于自控蝙蝠算法优化粒子滤波的机动目标跟踪方法.该方法首先在粒子滤波中引入蝙蝠算法,用粒子表征蝙蝠个体,模拟蝙蝠群体搜索猎物的过程,使粒子向高似然区域移动.同时,改进算法将粒子接受新状态的比例作为反馈量,设计了自适应闭环控制策略对算法的全局搜索能力和局部搜索能力进行全程动态控制,使得粒子分布更加合理,从而进一步提高了粒子滤波的精度.最后在分别在基础非线性滤波模型和强机动强干扰目标跟踪模型中对改进算法的性能进行了测试.实验结果表明,改进算法提高了目标跟踪的精度.     

基于粒子滤波的红外目标跟踪新算法

粒子滤波是一种在非线性和非高斯情形下进行状态估计的有效方法。提出一种基于粒子滤波的红外目标跟踪的新算法。阐述了粒子滤波算法的原理,将粒子滤波引入到红外目标跟踪中。考虑到传统的粒子滤波跟踪算法存在计算量大,误码多的缺点,对传统算法进行了改进。对采样粒子进行优化选择,改进了重采样环节。实验结果表明,改进算法较传统粒子滤波算法能更准确,更有效的跟踪红外目标。     

多目标环境中的认知雷达跟踪方法

研究了多目标环境中的认知雷达目标跟踪问题,提出了一种基于波形优化和快速粒子滤波的多目标跟踪方法。在量测模型中,基于采样的接收数据建立量测方程,以克服多目标跟踪中的数据关联问题;在状态模型中,与量测模型相匹配,联合估计目标运动状态（位置、速度）和散射系数。为实现多目标跟踪和提高跟踪性能,从联合收发自适应处理角度出发设计跟踪算法和发射波形:1）接收自适应。由于量测数据的维数以及跟踪模型的非线性程度较高,为实现对多目标的有效跟踪以及降低跟踪算法的运算复杂度,采用改进的粒子滤波方法对目标状态进行实时估计;2）发射自适应。考虑到信噪比与跟踪性能关系以及量测模型的特点,基于最优信噪比准则实现了对发射波形的优化。仿真结果表明文中所提出的跟踪方法能够有效的跟踪上目标,且所设计的自适应波形的跟踪性能优于传统固定波形。      

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

一种改进型的粒子滤波器

针对复杂背景条件下图像序列中跟踪运动目标的问题,提出一种改进的粒子滤波图像跟踪算法,该算法利用遗传算法的研究成果,采用选择、交叉、变异等步骤实现对粒子的重采样,解决了粒子滤波器所面临的粒子退化和匮乏问题.由于该算法利用了遗传算法的全局寻优特性,因此该算法具有较强的稳健性.同时,粒子滤波可实现非线性非高斯状态空间模型的最优估计,将该粒子滤波用于目标跟踪,具有较好的过遮挡能力.实验结果表明,该算法状态估计性能好,能够很好地实现复杂图像序列中的目标跟踪.     

机动目标DOA跟踪粒子滤波算法

针对标准粒子滤波算法在机动目标波达方向(direction of arrival, DOA)随时间快速变化导致跟踪精度下降、实时性变差及多目标跟踪误差大等不足的问题,本文提出了一种改进粒子滤波(particle filter, PF)算法。该算法依据阵列信号处理模型和匀速(constant velocity,CV)模型,建立了机动目标跟踪的状态方程和观测方程作为状态空间模型,并在此基础上,借鉴多重信号分类(multiple signal classification,MUSIC)算法谱函数修改了粒子滤波的似然函数,实现了对目标方位的实时动态跟踪。仿真结果表明,与传统子空间类跟踪算法和标准粒子滤波算法相比,本文方法跟踪精度更高,收敛速度更快,抗噪能力及鲁棒性更强,对轨迹交叉的多目标跟踪性能也更优。      

结合幅度信息的粒子滤波机动目标被动跟踪

为提高杂波条件下的机动目标被动跟踪的性能,提出了一种新的粒子滤波目标被动跟踪算法。在声纳的输出端,提取信号的幅度信息(AI),建立多模型对转弯机动目标进行状态估计,以粒子滤波算法作为基本跟踪滤波算法,将AI与概率数据关联(PDA)算法中的似然比相结合,详细推导了结合AI的粒子滤波目标被动跟踪算法(PF-AI)实现的具体过程。在同一被动目标跟踪场景,同时使用单纯PDA算法、结合辅助信息的PDA算法和PF-AI进行被动跟踪仿真,分析了轨迹跟踪性能,并使用均方根误差比较了误差性能。仿真结果表明,与两种基于PDA的跟踪算法相比,PF-AI具有更高的跟踪精度,且算法易于实现。     

一种自适应基于纹理和颜色特征的目标跟踪算法

针对运动目标进行跟踪,常采用粒子滤波跟踪算法。为了减少相似背景像素点及光照变化对机动目标跟踪的干扰,采用了基于目标纹理特征和颜色特征融合的自适应粒子滤波算法,通过采用了不同的状态转移模型和观测模型,根据不同的跟踪环境进行自适应选择,并给出了相应的实验结果。实验结果表明,该算法在跟踪的性能和鲁棒性方面有所改进。     

一种面向互动投影的多目标跟踪方法

针对互动投影系统对多目标跟踪在自适应和实时性方面的需求,提出了一种基于自适应混合粒子滤波和自适应数据关联的多目标跟踪方法.该方法采用基于背景差检测的混合粒子滤波并将跟踪置信度引入目标的状态量中,根据跟踪置信度大小自适应地加强或减弱关联强度进行数据关联;同时,根据数据关联结果分析目标出现、目标消失、目标衍生、目标相遇等复杂运动情况,对每个目标进行自适应混合粒子滤波跟踪.实验证明该方法提高多目标跟踪性能,能够较好满足互动投影的应用需求.     

非线性滤波算法性能对比

随着目标运动的多样性和复杂化,雷达非线性目标跟踪算法越来越受到重视。本文对目前非线性滤波的主要算法即扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波的滤波模型、适用条件、性能进行了分析比较,通过一个非线性非高斯模型进行了仿真,验证了这些算法的性能,仿真结果表明非线性条件下粒子滤波算法要明显优于其它两种滤波算法。     

一种基于QMC-APF的检测前跟踪算法

针对粒子滤波检测前跟踪算法中存在的粒子数目大,导致计算量和存储量大的问题,提出了一种基于拟蒙特卡罗的辅助粒子滤波检测前跟踪算法。该算法通过引入拟蒙特卡罗思想,产生低差异序列代替原来算法中的伪随机序列,使得粒子分布更加均匀,可以有效降低粒子数;采用辅助粒子滤波算法,对粒子进行两次加权操作。实验仿真表明,在对雷达弱目标进行检测与跟踪的过程中,该算法能够在保证算法性能的同时减少算法中的粒子数目,有效降低计算量和存储量。     

复合K噪声下机动目标跟踪自适应UPF算法

针对复合K噪声下机动目标跟踪系统具有强非线性非高斯的特点,提出了一种自适应无迹粒子滤波(Adaptive Unscented Particle Filter,AUPF)算法.该算法建立在常加速模型及其改进滤波算法基础上,并将无迹卡尔曼滤波(Unscented Kalman Filter,UKF)与强跟踪滤波(Strong Tracking Filter,STF)算法相结合作为提议分布,提高了系统跟踪一般机动和阶跃机动的能力.在给出复合K噪声模型的基础上,利用AUPF算法对几种典型机动目标进行了计算机仿真,并同无迹粒子滤波(Unscented Particle Filter,UPF)算法进行了比较.仿真结果表明,复合K噪声下AUPF算法能更有效地对各种机动目标进行跟踪,具有较高的跟踪精度.     

一种采用自适应测角噪声的交互多模型跟踪方法

针对转换瑞利滤波器(SRF)由于测角误差先验信息不准确而导致跟踪性能退化的问题,提出了一种基于交互式多模型转换瑞利滤波器(IMM-SRF)的目标跟踪方法。该方法采用多个不同测角噪声水平的SRF模型进行滤波,并且通过对滤波结果的自适应加权融合解决测角误差未知的问题。与SRF方法相比,该方法无需测角误差的先验信息,鲁棒性和实用性更好。仿真结果表明,IMM-SRF方法可实现对匀速运动和曲线运动目标的准确跟踪,并且收敛速度也较快,验证了所提方法的有效性。     

一种基于模型选择的PF-TBD算法

在目前的基于粒子滤波检测前跟踪(PF-TBD)算法中,对粒子的预测通常是根据单一直线运动模型实现的,在目标机动时由于与运动形式相差较大,影响了跟踪效果。为此,提出一种基于模型选择的粒子滤波检测前跟踪(MM-PF-TBD)算法。该算法由已估计出的目标位置,计算相对偏转角,并以此判定目标当前的运动模式,进而选择相应的运动模型对下一时刻的粒子进行预测,显著提高了对粒子预测的精度。理论分析和仿真实验表明,文中所提算法适用于目标不同的运动形式,有效提高了目标机动时的检测和跟踪性能。     

基于自适应粒子滤波算法的对海跟踪研究

机载雷达对海面慢速运动目标跟踪时存在非高斯非线性状态估计问题,传统的卡尔曼滤波器跟踪不仅会产生目标定位偏差,而且会造成航迹起伏。文中将自适应粒子滤波算法应用到具有闪烁噪声背景下的海面目标跟踪问题中,此算法可根据预测粒子在状态空间中的分布情况自适应选择粒子数量,从而在保证跟踪精度的同时减少了算法的运算量。仿真结果表明,自适应粒子滤波器可实现对闪烁噪声背景下的慢速目标高精度定位跟踪,且跟踪性能优于标准粒子滤波器,具有工程实用价值。     

闪烁噪声环境下的机载雷达对海跟踪研究

建立了闪烁噪声环境下,机载雷达对海跟踪模型,比较了代价函数修正法和粒子滤波算法在机载雷达对海跟踪中的滤波性能.仿真结果表明:粒子滤波算法具有更高的跟踪精度和更强的适应性,在得不到闪烁噪声准确先验信息的条件下,依然能保持较好的跟踪性能.     

基于自适应卡尔曼滤波的机动目标跟踪算法

针对一般卡尔曼滤波融合跟踪方法无法实现对机动目标的有效跟踪问题,提出一种自适应卡尔曼滤波融合方法,设计一种能够提供目标开始机动瞬时估计的目标机动探测器,反复对目标的加速机动进行估计,当确定目标开始机动时,卡尔曼滤波模型将自适应地调整为目标机动状态模型。最后,通过仿真实验对比分析,证明文中所提方法优于一般卡尔曼滤波融合方法。     

具有非高斯相关噪声的目标跟踪

为实现强杂波背景下视频的鲁棒跟踪,在常 用非线性系统模型的基础上引入柯 西高斯混合噪声模型,充分考虑了非高斯噪声前 后时刻的状态相关性,并以权重条件最小方差为标准,推导了非高斯相关噪声的最优建议分 布 函数,在粒子滤波框架内实现了非高斯相关噪声模型时系统状态的准确估计。在新算法的框 架内采用多特征自适应融合的方法,实现了强噪声背景下视频目标的鲁棒跟踪。实验结果表 明,本文方法扩展了粒子滤波的适用范围,有效提升了强噪声环境下视频目标跟踪的精度和 稳定性。