基于Kalman滤波原理的运动目标跟踪

应用Kalman滤波原理,对运动目标进行跟踪,缩小目标的搜索范围,实现快速实时跟踪,使跟踪更为准确.理论分析和实验结果表明,该算法与常规的模板匹配法、直方图模板匹配法等算法相比,有效地提高了目标跟踪的速度及跟踪的准确性.该算法对运动目标进行跟踪,运行速度可提高三倍.     

基于Kalman滤波的机动目标跟踪方法研究

飞行器的机动性大,在运动过程中随时会出现转弯、跃升俯冲等现象。雷达跟踪系统能否对这种机动进行有效捕获,成为检验其可靠性的关键。在传统Kalman滤波方法基础上,对目标的运动状态进行检测,一旦检测到机动,滤波器就进行不同维数的转换,使跟踪结果快速收敛,从而实现对机动小目标的精确跟踪。仿真结果证明该方法正确有效,计算简便。     

基于强跟踪AUKF的目标跟踪算法

针对无迹卡尔曼滤波器在递推过程中不具有对测量条件变化和系统模型不确定性的自适应性,在模型不准确或出现不良测量条件时跟踪效果不佳的问题,提出一种新的目标跟踪算法,即基于改进强跟踪的自适应无迹卡尔曼滤波器(STF-AUKF)。该算法一方面基于自适应滤波的思想,利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应UKF;另一方面,依据改进强跟踪滤波的思想,采用时变渐消因子实时调节矩阵增益以此应对模型突变,保证跟踪效果。仿真结果表明,STF-AUKF算法在目标突发机动时仍然具有较好的稳定性和跟踪效果。     

基于Kalman滤波和Meanshift算法的目标跟踪

如何实现移动目标被其他物体遮挡后,预测其所处位置,并能够实现遮挡结束后恢复目标的跟踪是视频目标检测与跟踪研究方面的一个热点问题。文章将Kalman滤波器对目标位置估计能力与Meanshift跟踪算法相互结合实现视频序列中移动目标检测与跟踪。利用遮挡因子对目标进行遮挡判断,如果没有发生遮挡则使用Meanshift算法进行直接目标跟踪,一旦检测出遮挡则利用Kalman的预测值进行目标新位置的确定,最终实现对运动目标进行跟踪,并通过MATLAB编写程序实现对运动目标的检测与跟踪。     

一种目标跟踪滤波的新方法

对于目标跟踪系统,当观测不确定性相对系统不确定性较大时,如果采用EKF,UKF算法,由于概率密度函数(PDF)由高斯分布近似使真实的分布结构扭曲,导致系统性能下降或发散,采用粒子滤波时,因为系统不确定性相对观测不确定性较小,所以重采样会使粒子间的独立性消失,导致系统性能下降。为了提高目标跟踪的精度,该文给出一种SMCEKF及SMCUKF滤波算法,在SMC(Sequential Monte Carlo)算法中分别引入EKF及UKF,由独立滤波器更新和传播的随机采样点和相应权重来表示状态的PDF,由于初值和滤波都是独立的,所以确保了表示PDF的随机样值的独立性,在滤波器个数较少、计算量较小的情况下使滤波性能得到提高。文中给出了理论分析和仿真实例证明算法的有效性。     

基于Kalman滤波的无线传感器网络多目标跟踪

研究了无线传感器网络(WSN)多目标跟踪系统,探讨制约其性能的条件,阐明了基于Kalman滤波的系统,同时还应用了若干事件辅助机制。通过相应的仿真实验发现,提出的新方法与调度策略可以实时跟踪多目标,同时还有诸多方面的优势,例如,降低测量时间,缩减计算开销,节约能耗,以及改善精度等。     

基于Kalman滤波与Camshift算法的水面目标跟踪

根据水面监控图像的特点,对运动载体采集到的水面视频图像进行处理,从而实现对运动目标的跟踪。首先,利用Haar分类器检测出水面的运动目标,并用检测结果初始化Camshift跟踪器的搜索窗口;然后,运用Kalman滤波器与Camshift组合算法实现对运动目标的跟踪。其中,利用Kalman滤波算法预测目标在下一帧中出现的位置,Camshift算法用来跟踪目标,以此减小搜索范围,提高跟踪效率。实验结果表明,该算法能够实现对水面运动舰船的检测并进行有效跟踪。     

新的基于Kalman滤波的跟踪方法

模板更新策略是匹配跟踪算法成败的关键,为了提高基于模板匹配跟踪算法的性能,在分析多种模板更新算法的基础上,给出使用Kalman滤波器更新模板的方法。该方法不再将模板图像视为一个整体,而是使用Kalman滤波器对模板图像逐像素点进行更新,以得到自适应和最佳的目标模板图像,使匹配跟踪算法的性能得到很大提高,特别对于目标被遮挡、目标姿态变化以及环境照度变化有很强的适应性。对匹配算法的改进和遮挡的处理使该算法的性能得到进一步提高。实验结果表明该方法行之有效。     

基于机载雷达的地面目标跟踪算法研究

基于已知的道路信息,建立了道路约束条件下的地面目标状态模型。针对雷达测量模型非线性的特点,提出了基于无迹卡尔曼滤波UKF算法的地面目标跟踪算法,并进行了仿真试验分析。仿真结果表明：该算法跟踪精度高、稳定性好。     

Kalman滤波结合Blob匹配的运动目标跟踪算法研究

Blob匹配法应用于多目标时,匹配速度会变慢,而Kalman滤波器可以预测运动目标在下一帧的位置。因此,文章考虑将kalman滤波结合Blob法对目标跟踪进行研究。     

UPF算法及其在目标跟踪中的应用

分析了基于贝叶斯理论的粒子滤波算法的优缺点,研究了一种改进的粒子滤波(PF)算法UPF。将两种算法在目标跟踪中的性能进行了比较。仿真结果表明,改进算法UPF定位精度更高,抗噪声能力更强,实时性更好。     

Unscented卡尔曼滤波对目标位置预测

采用一种针对目标位置预测只能测量角度信息的卡尔曼滤波算法,实现对目标的位置、速度和加速度的估计。由于是纯方位目标运动分析,所以一般的线性滤波方法不能使用,主要使用UKF滤波算法,并给出了具体步骤。通过仿真运算与以前的方法进行比较,发现该算法实现方便,并在滤波精度、稳定性和收敛时间等方面有了很大提高。     

结合扩展卡尔曼滤波的CamShift移动目标跟踪算法

CamShift算法是一种利用颜色信息对移动目标进行跟踪的算法,当目标快速运动或者受到干扰时容易导致跟踪失败.因此提出了一种结合CamShift与扩展卡尔曼滤波的移动目标跟踪算法,使用扩展卡尔曼滤波对目标运动速度和空间位置进行预测,同时采用目标加权直方图改进CamShift算法.所研究的算法能有效地克服目标背景干扰,存...     

自适应渐消UKF算法及其在仅测角被动定位中的应用

针对仅测角被动定位受多径、镜像和干扰源影响,噪声无法准确建模,传统EKF及其改进滤波算法容易发散的问题,将自适应渐消因子引入UKF算法中,调整滤波增益以及状态误差协方差矩阵,提出一种自适应渐消UKF算法,给出了具体的计算流程。仿真了不同雷达诱饵布置干扰下滤波算法的稳定性。仿真结果表明,与传统的EKF以及自适应渐消EKF算法相比,该算法收敛速度更快,稳定性更好。     

基于ATUKF的地面动目标跟踪算法

地面动目标运动速度较小,且运动模型随着道路实时变化,在远距离前提下机载雷达如何对地面动目标进行精确跟踪已成为亟待解决的难题。针对该问题,文中提出了一种自适应转弯无迹滤波算法。首先,通过推导目标位置、速度与转弯率的关系,并将其作为状态变量进行自适应更新,提高了跟踪模型准确性;其次,引入无迹变换的思想,有效减小非线性估计误差。仿真实验表明,所提算法的位置和速度均方根误差均小于传统的Singer和交互式多模型算法,为地面动目标精确跟踪提供了一种新的思路。     

基于Jerk模型和EKF的多基地雷达机动目标跟踪算法

针对多基地雷达系统对高机动目标的跟踪精度问题,提出了基于Jerk模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.通过建立系统的离散状态方程和非线性观测方程,推导状态向量和误差协方差矩阵的初始化计算公式,给出EKF滤波的流程.利用Monte Carlo仿真,分析和比较了在变加速目标轨迹下Jerk与当前统计模型的跟踪效果,表明该算法具有对高机动目标实现准确自适应跟踪的能力.     

基于扩展卡尔曼滤波的FLANN网络学习算法

针对函数连接型神经网络(FLANN)误差反传(BP)学习算法存在收敛速度慢和容易陷入局部极小值等问题,结合扩展卡尔曼滤波(EKF)理论,提出了一种基于扩展卡尔曼滤波的FLANN网络学习算法.新算法把网络的权值作为EKF的状态,网络的输出作为EKF的观测,通过扩展卡尔曼滤波算法来调整网络权系数从而获得最优网络状态,即网络权系数的最优估计.仿真结果表明,新算法比BP学习算法在收敛速度和稳态误差性能等方面都得到了大大提高.     

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。     

Modified Unscented Kalman Filter for a Multirate INS/GPS Integrated Navigation System

Instead of the extended Kalman filter, the unscented Kalman filter (UKF) has been used in nonlinear systems without initial accurate state estimates over the last decade because the UKF is robust against large initial estimation errors. However, in a multirate integrated system, such as an inertial navigation system (INS)/Global Positioning System (GPS) integrated navigation system, it is difficult to implement a UKF‐based navigation algorithm in a low‐grade or mid‐grade microcontroller, owing to a large computational burden. To overcome this problem, this letter proposes a modified UKF that has a reduced computational burden based on the basic idea that the change of probability distribution for the state variables between measurement updates is small in a multirate INS/GPS integrated navigation filter. The performance of the modified UKF is verified through numerical simulations.     

UKF改进算法在组合导航INS误差校正中的应用

针对无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法与全球定位系统/惯性导航系统(Global Positioning System/Inertial Navigation System,GPS/INS)组合导航模型不匹配,且鲁棒性不足,难以适应INS 元件的随机性和突变性的问题,提出了一种UKF改进算法。该算法有效结合了混合滤波思想、平方根滤波技术及交互式多模型结构,分别克服了算法与线性/非线性模型不匹配,协方差矩阵非正定以及参数设置难以适应模型不确定性的问题。仿真实验分别考察了新算法在INS平台角初始大误差及加速度计零偏突变两种情况下的表现。实验表明,新算法在估计精度及鲁棒性方面比UKF有较大提高,能够有效校正INS元件产生的随机和突变误差。