基于Struck算法的遮挡目标跟踪

Struck算法是近年来综合性能较优的视觉目标跟踪算法,但对于较大比例遮挡或全部遮挡情形,算法性能下降明显.通过对Struck算法的分析发现,当遮挡出现时算法分类器会引入错误信息,从而导致跟踪失败或者跟踪漂移.在Struck算法框架的基础上加入遮挡判断机制,在检测到较大比例遮挡后停止分类器更新,并通过缩放搜索样本的尺寸解决目标尺寸快速变化导致的遮挡检测虚警;对于具有一定运动信息的目标,通过卡尔曼滤波器进行预测解决目标全遮挡后的持续跟踪.实验证明,提出的算法框架对遮挡情形下的目标跟踪具有较高的鲁棒性.     

大小渐变目标检测与跟踪算法研究

针对快速压缩跟踪(FCT)算法难以适应复杂背景下大尺寸目标渐变成一个点目标的情况,提出一种改进的目标跟踪算法。首先采用FCT进行跟踪,并且计算当前帧跟踪框与初始跟踪框之间的余弦相似度。一旦余弦相似度小于设定的阈值,则立即切换到卡尔曼滤波器,并且采用基于最大连通域的方法检测目标位置及大小。当目标接近点目标,则将目标检测方法切换至基于高斯差分尺度空间的目标检测方法。实验结果表明该算法可以实现尺寸渐变目标的实时跟踪。     

转换坐标卡尔曼滤波器的雷达目标跟踪

本文在三维空间中推导出转换坐标卡尔曼滤波算法,用此算法进行了雷达目标跟踪仿真,和用推广的卡尔曼滤波算法进行的仿真结果进行了比较,得出转换坐标卡尔曼滤波算法比推广的卡尔曼滤波算法精度高的结论。     

EKF、PF在目标跟踪中的研究

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter,EKF）、粒子滤波器（Particle filter,PF）。EKF利用泰勒级数方法,将非线性问题转化到线性空间,再利用卡尔曼滤波器进行滤波,并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法,它将复杂的目标状态分布表示为一组加权值,通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布,已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验,对二者的性能进行了仿真比较,结果证明在复杂的非高斯非线性环境中,PF的性能明显优于EKF,但计算复杂,耗时长。     

多种跟踪算法对机动目标跟踪的应用研究

通过建立目标运动模型,对多种跟踪滤波器进行了分析仿真。仿真结果表明,混合状态估计交互式多模型算法（IMM）对机动目标跟踪效果比其它类型的滤波器好得多,并且确定了在航迹滤波与机动跟踪方面综合表现性能较高的IMMVCVA跟踪算法。通过外场实际数据验证,表明该算法对现实环境中的目标稳定跟踪具有重要的意义。     

基于卡尔曼滤波器的运动目标跟踪算法

为了有效解决运动目标遮挡时目标信息容易丢失从而导致跟踪失败的问题,提出一种基于卡尔曼滤波器的运动目标跟踪算法。该算法首先利用高斯混合模型的背景差分法,结合空间邻域的相关性信息得到运动目标图像,然后通过建立帧间关系矩阵将跟踪情况分为5种状态分别进行处理,这5种状态是新目标出现、目标匹配、目标遮挡、目标分离和目标消失。采用卡尔曼滤波器预测目标参数,建立目标在下一帧中的预测信息。当运动目标相互遮挡时,在卡尔曼滤波器预测区域内采用交叉搜索法实现多个运动目标的精确匹配。通过多个视频序列测试,该算法能够获得良好的跟踪结果。     

计算机补偿在雷达跟踪系统中的应用

为了应付高速机动飞行的目标,提高雷达的跟踪精度,在雷达伺服系统中引入计算机速度－－加速度补偿环节非常必要。我们利用计算机速度－－加速度补偿的方案对某雷达伺服系统进行了改进试验,试验结果表明,跟踪性能提高７０－９０％。     

一种复杂背景下红外目标稳定跟踪算法

针对红外单目标在长期跟踪过程中的强背景干扰、遮挡、形变以及目标特征信息减弱等实际问题,提出了一种基于跟踪-学习-检测(Tracking-Learning-Detection,TLD)框架的红外目标稳定跟踪方法.该方法在压缩跟踪算法(Compressive Tracking,CT)的基础上替换广义的类Harr特征为HOG特征,引入互补随机测量矩阵,优化纹理和灰度特征信息的权重,同时引入卡尔曼滤波器记录空间上下文位置信息,以解决CT算法和TLD算法在目标被遮挡时的跟踪失效和全局检索问题.基于TLD算法框架和改进CT算法相结合的红外图像跟踪算法有效地解决了遮挡和强干扰问题,提升了算法的跟踪准确性和长期跟踪稳定性.实验结果表明,本文提出的算法在红外地面环境中能较好地实时稳定跟踪并保持良好的准确性和鲁棒性.     

一种改进的机动目标跟踪算法研究

为了克服＂当前＂统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷,文章分析了造成此缺陷的原因,通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度,仿真结果表明,该算法能够准确描述各种机动情况。     

基于波形调度的机动目标跟踪算法

针对机动目标的跟踪问题,提出一种结合自适应匀速（Constant Acceleration,CA）模型和波形调度的平方根容积卡尔曼滤波（Square-Root Cubature Kalman Filter,SCKF）算法.在CA模型的基础上,通过构建Jerk分量与速度、加速度的近似关系,使得状态过程噪声与滤波器输出的状态协方差矩阵相联系,以实现模型的自适应调整.另外,利用分数阶傅里叶变换（Fractional Fourier Transform,FrFT）旋转发射波形的模糊函数,使得量测误差椭圆与滤波算法中的状态预测误差椭圆正交,得到最优的发射波形,以从数据处理和信号处理两方面共同提升系统的跟踪性能.仿真结果表明,相比于基于改进当前统计（current statistical,CS）模型的无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法、基于CS模型的SCKF算法、基于CA模型的SCKF算法和交互式多模型（IMM）SCKF算法,所提算法结构简单且跟踪精度更高.     

一种改进自适应机动目标跟踪算法

针对“当前”统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷和强跟踪滤波器对非机动部分跟踪精度不理想的缺陷。通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度;对卡尔曼滤波算法中预测误差协方差及渐消因子的计算作出修正,改进机动部分和非机动部分的精度;将目前常用的估计协方差的计算公式采用Joseph公式,增强数值的稳定性和算法的鲁棒性。仿真和实践结果表明该算法具有良好的性能。     

机动目标跟踪算法仿真

针对目前应用最广的几种目标跟踪算法进行了介绍,目的是研究其在不同的跟踪条件下这些方法的性能差异,从而在此基础上发展出更加鲁棒的模型.确立了跟踪算法性能评价的相对均方根误差均值准则,通过Monte-Carlo方法,利用大量的仿真结果分析,得到了一些有益的结论.     

遗传算法的模糊Kalman滤波用于机动目标跟踪

针对卡尔曼滤波器对机动目标跟踪效果不佳的缺点，提出基于遗传算法的模糊卡尔曼滤波器（GA-based FKF）。它将未知的机动加速度看作附加过程噪声，全部过程噪声的时变方差用模糊系统来估计，并用遗传算法对模糊系统进行优化。最后将该算法与交互多模型方法通过仿真进行了比较。仿真结果表明GA-basedFKF提高了跟踪性能，减小了计算量，是有效可行的。     

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。     

机动目标自适应高斯模型与跟踪算法

提出了一种描述机动目标运动状态的自适应高斯模型,在这种模型中,机动目标的加速度被认为是具有非零均值、时间相关的随机过程,并假定其概率密度函数服从高斯分布。指出了机动目标运动模型的均值和方差与目标机动加速度最佳当前估计值之间的关系,在此基础上,提出了相应的自适应卡尔曼滤波算法。仿真结果表明,该算法对机动目标在不同机动方式下的位置、速度和加速度均有良好的跟踪效果,且所需计算量小。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

机动目标无源跟踪IMM-MKF算法

为提高运动多站对机动目标的无源跟踪性能,提出了一种新的基于交互式多模型-边缘化卡尔曼滤波(IMM-MKF)的机动目标跟踪算法。该算法将交互式多模型(IMM)结构和边缘化卡尔曼滤波(MKF)结合,利用MKF算法对每个模型进行滤波,对滤波结果进行交互作用来得到跟踪结果。以只测角机动目标跟踪为例对所提算法进行仿真分析,仿真结果表明,相对于采用扩展卡尔曼滤波(EKF)、不敏卡尔曼滤波(UKF)及容积卡尔曼滤波(CKF)算法的典型交互式多模型算法,所提算法具有更好的跟踪性能。