基于声学传感器的目标跟踪扩展算法

针对机动的目标跟踪,提出扩展的卡尔曼滤波器/多假设跟踪方法(EKF/MHT),该算法具有结构和计算简单,鲁棒性好的特点,同时研究了和声学传感器相联系的目标数量、位移量和探测分辨率对跟踪性能的影响,并通过仿真,充分说明了文中所提出的跟踪算法能够较好地弥补传统的Kalman滤波/MHT方法在跟踪机动目标时的不足。     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。     

机动目标静态多模型算法

目标跟踪是指利用传感器测量对目标运动状态进行估计。该文针对这一问题,首先建立机动目标跟踪模型;然后实现了基于扩展卡尔曼滤波的静态多模型算法,并对静态多模型与GPB1算法进行了比较。     

强机动目标跟踪自适应交互式多模型算法

针对机动目标跟踪过程中建立的目标模型和目标的实际运动模式出现失配的问题,提出了从一组离散模型集中选出最优模型,并自适应调整模型参数,使模型逼近目标实际运动模式的交互式多模型算法.蒙特卡罗仿真表明,该算法与传统的常速模型与自适应协同转弯模璎交互算法(IMM-CV/ACT)相比,在目标发生强机动时,能及时有效的把跟踪误差峰值控制在测最标准差之下,适合于强机动目标跟踪.     

载机机动对目标被动探测跟踪影响的算法研究

针对单载机仅用单传感器对目标进行纯方位测量的被动探测跟踪问题,研究了载机的不同机动方式对目标被动探测跟踪算法性能的影响。建立了修正极坐标下目标被动探测跟踪模型,分析了该模型在扩展的卡尔曼滤波中的滤波特性和载机机动方式对该模型的影响,在Matlab环境中进行了仿真。结果验证了在载机不机动的情况下,该目标被动探测跟踪算法无法跟踪上目标;载机机动后一定时间后不再做机动会导致算法重新发散;当载机做适当的周期机动,该算法可持续跟踪目标。     

基于粒子滤波的机动目标跟踪

在单机动目标跟踪中,目标的机动情况是未知的,提出的算法用粒子滤波器求加速度的估计,由Kalman滤波得到加速度的重要性概率密度函数。仿真实验结果表明,该算法可较好地跟踪目标状态（包括加速度）的变化。     

基于立方体模型和EKF的运动汽车跟踪算法研究

针对固定摄像机、大范围复杂交通场景,提出了一种运动汽车的实时跟踪算法。根据汽车的刚体特性,采用立方体模型与运动汽车图像进行匹配的算法,避免三维重建的难题,能较为直观地得到运动汽车的形体信息。结合车辆的非线性运动特征引入EKF算法,准确地预测车辆的相关参数信息,减少目标跟踪过程中的搜索时间,从而能够实时准确地跟踪运动汽车目标。通过真实交通视频仿真实验,该算法具有较好的跟踪能力和抗干扰性能。     

基于自适应卡尔曼滤波的机动目标跟踪算法

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。     

机动目标预测跟踪方法研究

在目标被遮挡条件下的自动预测跟踪中,研究了跟踪机动目标过程中的角位置自适应卡尔曼预测算法。针对估计与预算中出现的发散现象,推导了导引头框架角位置预测方法。建立了目标遮挡预测跟踪测试系统,设计多种不同的目标运动形式,并通过转台实现,测试改进的自适应位置预测算法在典型测试条件下的有效性和准确程度。实验结果表明:当目标进入遮挡区域时,改进的自适应位置预测算法能够有效地实现预测跟踪,保证目标退出遮挡时能够顺利重新捕获和跟踪。     

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计1只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF—Singer算法对机动目标进行跟踪。能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。     

基于分类模型的目标跟踪算法研究

基于分类模型的目标跟踪算法采用分类模型实现对多目标的跟踪。在传统算法中目标跟踪的对象是每个传感器的实时采样,而在分类模型中将传感器采样根据分类规则进行分类。然后将类的特征作为一个新的采样为下一层的模型提供输入,可以减少计算的复杂度。该模型是一个可扩展模型,可以为分类器设计不同的算法对模型进行扩展。模型自身采用低耦合的层次化设计,每一层均可以采用不同的分类器,这样可以充分利用各种分类算法的优点。     

一种机动目标的跟踪算法研究

目前在机动目标跟踪领域中讨论比较多的算法包括扩展卡尔曼滤波算法、强跟踪算法、UKF算法和粒子滤波算法;扩展卡尔曼滤波算法对非线性方程进行一阶线性阶处理,这种近似所带来的误差会随着非线性化程度的严重而越来越显著,最终造成滤波器的发散;而粒子滤波作为一种基于蒙特卡洛方法的贝叶斯滤波算法,虽然不需要对非线性方程进行一阶近似,但是其计算负担过于繁重,很难满足实时性的要求,提出了一种基于粒子滤波（PF）的径向基（RBF）神经网络（PF—RBF—Neural—Networks）机动目标跟踪算法,该算法能够获得和粒子滤波几乎相同的跟踪精度,同时又克服了粒子滤波计算量大的缺陷,仿真结果验证了该算法的有效性和可行性。     

一种机动目标跟踪的异步航迹融合算法

为实现机动目标跟踪,提出一种异步序贯航迹融合算法。融合中心包含匀速和匀加速2种融合模型,均通过信息去相关方法实现序贯航迹融合,并利用调整过程噪声的方法抑制融合发散。对匀加速融合模型的加速度估计进行显著性检验,实现机动检测。当检测到机动时输出匀加速融合模型的结果,反之输出匀速融合模型的结果。仿真结果表明,该算法能实现对机动目标的稳定跟踪,具有较高的跟踪精度。     

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。     

基于扩展卡尔曼滤波的声传感器跟踪算法

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。     

知识辅助的多模型机动目标跟踪算法

多模型机动目标跟踪技术是一种先进的目标跟踪算法。由于目标类型越来越多、运动环境越来越复杂,仅使用位置量测进行目标跟踪变得越来越难以满足应用要求。除位置量测之外,引入目标和环境相关的知识,对多模型算法中的模型集、转移概率矩阵和模型概率这3个关键因素进行自适应调整,可以有效提高机动目标跟踪性能。本文对知识辅助多模型机动目标跟踪算法的原理和方法等进行了分析。按照知识作用的对象（模型集、转移概率矩阵和模型概率）和作用方式（智能法和非智能法）分别介绍了该类算法的原理及其特点,最后对该类算法下一步的研究方向和发展趋势进行了展望。     

体育视频序列中基于IMM的运动目标跟踪算法

在视频处理领域的运动目标跟踪问题中,卡尔曼滤波器（KF）与扩展卡尔曼滤波器（EKF）已经得到了广泛的应用,但在复杂背景或是目标高机动运动的情况下跟踪效果并不理想。提出一种基于交互多模型算法（IMM）,并采用去偏转换测量卡尔曼滤波器（CMKF-D）对运动目标进行跟踪的算法。该算法有效地解决了单一模型无法与运动特性相匹配的问题,并克服了KF、EKF对非线性模型线性化所引入的误差。以足球视频为例进行仿真实验,结果表明该算法有效地提高了视频序列中运动目标跟踪的准确率。