基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

基于IMM模型的目标跟踪算法

在机动目标跟踪方法中,为避免具有机动检测的跟踪算法产生的估计时间延迟和机动检测过程中跟踪性能的降低,采用基于交互式多模型（IMM）的自适应机动目标跟踪算法,通过2个目标模型的交互作用来实现对目标机动状态的自适应估计。在工程上,将基于CV和＂当前＂统计模型的IMM算法应用在某导航雷达跟踪系统中,经验证IMM算法对匀速直线运动、机动运动目标跟踪均能取得较好的效果。     

基于双目标模型的时空上下文跟踪算法

传统的时空上下文跟踪算法在更新目标模型时不考虑跟踪结果的有效性,故目标被长时间遮挡后,目标模型容易被错误更新且难以修正。因此,本文提出了一种基于双目标模型的改进时空上下文跟踪算法以解决错误更新问题。该算法引入一个辅助目标判别模型来评估时空上下文算法跟踪结果的有效性,并根据评估结果对目标模型进行更新。辅助模型使用目标的局部纹理信息而不是相关性信息作为特征,在目标被长时间遮挡后也能准确评估更新内容的有效性,并能在遮挡结束后修正错误更新的目标模型。在多组数据集上的实验表明,改进算法在测试数据集上的跟踪成功率为82%,中心偏差为8pixels;在长时间遮挡等干扰情况下的跟踪精度比原时空上下文算法有明显提升,实现了目标的可靠跟踪。     

基于局部不变特征点数据集的目标跟踪算法

现有的基于特征点的跟踪方法不能准确估计目标状态,构建多参数动态更新的局部不变特征点数据集,依据自动特征尺度提取理论,利用目标上的特征点尺度变化估计目标大小变化,利用特征点主方向变化估计目标方向旋转;采用相对于目标中心的坐标描述特征点位置,利用目标大小和方向旋转信息校正该坐标并进行目标中心重建;特征点匹配时不仅要求描述符相似,还要求校正后的空间位置一致,可有效去除误匹配。实验证明,所提算法在动、静摄像平台下均适用,能准确定位目标、跟踪其尺度和方向变化,遮挡时也能正确估计目标状态。     

基于fDSST的长时间目标鲁棒跟踪算法

在跟踪目标过程中,当目标遭遇强遮挡、移出视野、快速运动等时,快速判别尺度空间跟踪(fDSST)算法会丢失目标且无法再找回。为了解决这一问题,提出了一种基于fDSST的长时间目标鲁棒跟踪算法。在经典fDSST算法基础上增加了基于关键点匹配的检测模块和输出自适应决策模块,在判定目标丢失或不可见后可重新匹配目标并重新初始化跟踪器;跟踪时可自适应地选择置信度更高的结果作为最终输出结果;在以Raspberry Pi 4B为主控单元的嵌入式平台上进行算法移植,在OTB-100数据集和嵌入式平台上进行跟踪测试。结果表明：该算法相比其他主流算法具有更高的鲁棒性和准确性,改进算法宜在有嵌入式平台移植需求的应用场景下部署。     

机动目标跟踪的自适应网格交互多模算法改进

在机动目标跟踪的多传感器数据融合算法中,针对自适应网格交互多模算法(AGIMM)存在的不足,本文提出了两方面的改进(1)在网格中心和网格距离的计算中用当前时刻的预测概率代替前一时刻的后验概率,以减小误差;(2)模式集的选择,通过实时扩增的期望模式集E优化当前模式集M,使其更接近于目标真实运动模型.     

组合Kalman隔点预测法用于跟踪机动目标的仿真研究

将Kalman预测法用于经纬仪跟踪机动目标,对不同靶标旋转速度下的机动目标跟踪进行了仿真研究.提出了状态方程输入矩阵G(k),用以弥补等角速度方程的加速度项.根据Kalman预测曲线与实测曲线误差的标准方差最小原则,确定了状态噪声与测试噪声的方差比值Q/R,并优化了适合经纬仪的比值Q/R.提出了组合Kalman隔点预测法,进行了1,2,3个隔点的仿真预测研究.仿真结果表明,组合Kalman隔点预测法可以实现经纬仪隔点跟踪目标.     

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％.     

基于粒子滤波和GVF-Snake的目标跟踪算法

提出了一种基于粒子滤波和GVF-Snake的自适应目标跟踪算法.该算法首先采用背景差分法获取目标初始轮廓,利用改进的GVF-Snake的强大搜索能力,使Snake收敛至运动目标的真实轮廓;然后根据控制点的距离增删控制点,达到自适应地跟踪运动和变形目标的目的;最后通过结合粒子滤波和改进的GVF-Snake,得到一种能量粒子滤波(EPF)目标跟踪算法,并利用提出的的跟踪策略,改进其抗遮挡能力.实验结果表明,被跟踪目标在遮挡情况下也能够保持良好的跟踪效果.     

基于DSP的运动目标识别与跟踪

使用数字信号处理器进行运动目标的识别与跟踪，提出了帧间差阈值法和光流场相结合的算法。通过对弹簧振子的运动分析，验证了系统的精确性和实时性。     

基于迭代学习的注塑机开合模机构定位控制研究

提出一种用于提高注塑机开合模机构定位精度的迭代学习算法,该方法适用于采用开环分级动作控制并利用电子尺进行开合模机构定位的注塑机系统.同时还提出可变学习增益的方法来加快算法收敛速度;应用遗忘因子和学习律误差容限控制的方法来提高学习算法的鲁棒性.算法实际应用表明,在保证开合模动作平稳的前提下,开合模机构能达到较高的定位精度,满足相关注塑加工工艺要求.     

EKF交互多模型算法在目标跟踪的应用

针对移动目标跟踪过程中,传感器感知信息存在噪声以及运动轨迹突变导致目标观测失真甚至丢失的问题,提出了一种扩展卡尔曼滤波交互多模型算法(EKF-IMM)。该算法以交互多模型算法为主体,同时融入EKF算法做滤波处理,使得在目标跟踪过程中,不仅对目标的不同运动状态具有自适应能力,同时还能对运动状态中可能的非线性问题做更好的处理,提高算法的鲁棒性。仿真实验表明,EKF-IMM算法能很好得适应多变的目标运动,与标准KF-IMM算法相比,该算法降低了噪声对传感器的干扰,提高了定位精度。     

基于视觉的机动目标定位跟踪的滤波算法

在视觉定位系统中，由于各种噪声的影响，运动目标的三维位置和姿态的计算精度受到一定限制。为了提高运动物体的定位跟踪精度，提出了一种有效的滤波算法。和已有的方法相比，这种算法具有以下两个特点：第一，不再局限于平缓运动的物体，它对于未知运动规律的机动目标同样有效，第二，由于避免了扩展卡尔曼滤波器的使用，滤波复杂度有所下降。通过分析噪声对位姿计算误差的影响，建立了一组描述位姿测量值和真实值关系的线性测量方程。然后，分别给出了两种滤波算法：基于有限记忆的检测自适应滤波和基于数值微分模型的卡尔曼滤波。在检测自适应滤波算法中，给出了分别适用于快机动和慢机动的最优机动检测函数。一旦检测出机动发生，系统采用有限记忆滤波进行矫正。在第二种滤波算法中，系统采用数值微分技术构造出了描述机动目标运动行为的鲁棒估计模型。并且，引入了衰减因子，以防止滤波器的发散现象。该衰减因子可以根据位姿计算值自适应估计。最后，通过伪贝叶斯估计算法，将两种滤波器进行数据融合，有效的降低了机动时刻位姿估值的误差抖动，进一步提高了定位跟踪精度。仿真结果验证了本算法的有效性。     

基于自适应模糊逻辑的多模型跟踪算法

针对基于“当前”统计模型的交互式多模型算法，难以恰当地确定当前模型的概率以及系统参数 和 在跟踪过程中不能自适应调整的缺点， 采用自适应模糊推理的方法进行改进以提高跟踪的快速性。同时应用蚁群算法对设计参数进行优化，以提高跟踪的精度。最后将所设计的基于“当前”统计模型的多模型改进算法用于机动目标的跟踪仿真，仿真结果表明所设计的改进算法是有效的。     

基于IMMPF的组合导航算法研究

为解决组合导航系统中存在的非线性、非高斯等问题,设计了一种多模型粒子滤波器,通过仿真实例验证了该算法不仅对基于伪距和伪距率的组合导航系统具有较高的滤波精度,当在导航系统上加入非高斯噪声之后依然能保持较好的收敛性,而且能在预先设定的模型集内根据模型概率正确匹配系统状态,对环境具有极强的白适应能力。     

一种改进的模型表述在跟踪中的应用

分析了传统MeanShift方法中,特征模型表述缺乏像素点空间位置信息的不足,提出了一种改进特征模型表述方法以解决这个问题。首先对图像模板区域进行分块处理,分别计算每个子块内像素点的空间分布和颜色分布情况,然后以此构建联合特征空间。并且,采用同样的方式计算当前帧候选目标区域的特征模型表述。然后,采用Bhatta-charyya距离的负对数形式,进行特征相似性度量,以获得目标在当前帧的新位置。实验结果表明,提出的跟踪算法是可行的,且具有更好的鲁棒性和跟踪精度,在目标发生旋转和尺度变化及背景区域有相似颜色干扰情况下,取得了更准确的跟踪结果。     

基于数据融合技术的多传感器目标跟踪系统

数据融合技术是集多种学科于一体的前沿技术.多传感器目标跟踪是数据融合技术在目标跟踪领域的应用范例,它将多个传感器信息有机合成,估计目标的运动状态,产生比单一传感器更优越的跟踪性能,在此,阐述了数据融合技术及其在多传感器目标跟踪系统中的应用.     

Target Tracking Algorithm Using Finite-time Convergence Smooth Second-order Sliding Mode Controller for Mobile Robots

Target tracking control for wheeled mobile robot (WMR) need resolve the problems of kinematics model and tracking algorithm.High-order sliding mode control is a valid method used in the nonlinear tracking control system,which can eliminate the chattering of sliding mode control.Currently there lacks the research of robustness and uncertain factors for high-order sliding mode control.To address the fast convergence and robustness problems of tracking target,the tracking mathematical model of WMR and the target is derived.Based on the finite-time convergence theory and second order sliding mode method,a nonlinear tracking algorithm is designed which guarantees that WMR can catch the target in finite time.At the same time an observer is applied to substitute the uncertain acceleration of the target,then a smooth nonlinear tracking algorithm is proposed.Based on Lyapunov stability theory and finite-time convergence,a finite time convergent smooth second order sliding mode controller and a target tracking algorithm are designed by using second order sliding mode method.The simulation results verified that WMR can catch up the target quickly and reduce the control discontinuity of the velocity of WMR.