基于混合滤波的无线传感器网络融合跟踪方法

 针对无线传感器网络(WSN)中的多传感器融合目标跟踪,提出一种混合滤波算法,称为无迹混合集中式粒子滤波(UM CPF)。该算法使用了一个混合的粒子传播方案。在使用集中式粒子滤波(CPF)对WSN中的节点测量信息进行融合时,粒子滤波器中的一部分粒子使用从无迹变换(UT)获得的高斯分布作为建议分布进行粒子传播,而剩余的另一部分粒子则简单地使用状态转移先验分布进行粒子传播。WSN中的融合跟踪仿真结果表明,和纯粒子滤波算法CPF相比,在仿真速率相当的情况下,混合滤波算法明显提高了跟踪精度和稳定性。     

基于辅助粒子滤波的机动目标跟踪研究

针对机动目标跟踪巾扩展卡尔曼算法（EKF）收敛速度慢、跟踪精度低的问题,基于粒子滤波（PF）和辅助粒子滤波（APF）的基本思想,结合目标先验信息将速度约束条件加入到跟踪过程巾,对辅助粒子滤波算法进行了仿真分析,与扩展卡尔曼进行仿真对比,分析了跟踪性能和误差。仿真结果表明,对机动目标跟踪问题,辅助粒子滤波不仅解决了扩展卡尔曼线性化困难难题,与EKF相比还具有收敛速度快,跟踪精度高的优点。     

基于CPHD的双层粒子滤波目标跟踪算法

常规基于势概率假设密度滤波(Cardinalized Probability Hypothesis Density,CPHD)的粒子滤波(Particle Fil? ter,PF)跟踪算法应用于多目标跟踪时,容易遇到因粒子数量增加而带来的运算效率下降、目标数目估计不准的问题。文章基于常规粒子滤波 CPHD跟踪算法,通过部署双层粒子,提出基于势概率假设密度滤波的双层粒子滤波 (Two-Layer Particle Filter-CPHD,TLPF-CPHD)算法,以便提高目标数目及状态估计精度。仿真实验结果证明,相比于常规 PF-CPHD算法,新算法具有更好的目标数目和状态估计准确性。     

基于梯度方向二值模式特征的飞机翼尖跟踪技术

研究基于视频图像分析与定位的飞机翼尖跟踪技术,为飞机地面移动提供安全保障.现有图像特征进行翼尖跟踪经常失效且计算效率低下,本文结合纹理和轮廓信息,提出以梯度方向二值模式( OG_ LBP)为特征的粒子滤波跟踪算法,降低特征维数的同时建立局部和全局的翼尖特征直方图描述,提高识别效果.同时,该算法在粒子滤波基本框架之下,结...     

一种混合的多机动目标跟踪算法研究

提出了一种混合的多机动目标跟踪算法:交互多模型模糊联合概率数据关联算法(IMM-FJPDA),该算法将交互多模型算法(IMM)和模糊联合概率数据关联算法(FJPDA)相结合,它克服了IMM-JPDA算法计算量大和IMM-FDA算法在强杂波环境中跟踪精度差的问题.给出了基于模糊C均值(FCM)算法的多机动目标跟踪步骤.仿真结果表明IMM-FJPDA算法跟踪精度与IMM-JPDA算法相当,但计算量明显减小,提高了跟踪实时性.     

随机集的概率假设密度粒子滤波

多目标跟踪问题中,当目标数已知时,可以用概率数据互联(PDA)或联合概率数据互联(JPDA)算法。而当目标数未知或随时间变化时,需要对不同目标数的跟踪进行比较。可以把目标集看作随机集进行讨论,目标数N是随机变量。随机集的跟踪通过有限集统计(FISST)理论来完成。文中讨论了用粒子滤波实现跟踪随机集的方法。实验表明,在杂波环境下,粒子滤波可以稳健跟踪目标状态和目标数。     

基于无人机空中加油的目标追踪算法

针对传统粒子滤波耗时长以及遮挡条件下易丢失目标的缺点,提出了一种基于MS(Mean Shift)聚类的抗遮挡粒子滤波目标追踪算法。该算法结合经典粒子滤波理论,对重采样之后的粒子群进行MS聚类分析,在此基础上提出了加入空间信息的目标概率密度估计方法来描述目标模型,用少量的粒子高效地追踪目标;当目标被严重遮挡时,采用Kalman预估确定目标位置;最后对目标模板进行更新。结果表明,提出的算法在复杂有遮挡的条件下具有很好的追踪准确性与鲁棒性,可以满足实时性要求。     

基于自适应粒子滤波的涡扇发动机故障诊断

针对涡扇发动机非线性、非高斯的特点,提出了一种自适应的粒子滤波算法用于涡扇发动机气路部件突变故障的诊断.为了减小算法的计算量并且保证滤波精度,分析了滤波精度和样本数目的关系,提出根据滤波过程中状态的方差自适应地调整粒子数,在保证一定的滤波精度下可以有效地减少滤波过程中使用的粒子数,提高了算法的实时性.同时,引入扩展卡尔曼滤波(EKF)用于更新粒子,产生重要概率密度函数,在一定程度上避免了粒子的退化.通过某型涡扇发动机的仿真分析表明:改进的算法相比标准粒子滤波算法用于涡扇发动机气路部件故障诊断时,参数估计的方均根误差减小了50%左右,且算法的计算量减小了30%.     

区域杂波估计的多目标跟踪方法

高斯粒子概率假设密度（PHD）滤波往往假定杂波密度参数已知,这种做法对于实际应用是不现实的。此外,杂波的参数值通常依赖于环境条件,可能随时间发生变化。因此,多目标跟踪算法中需要实时准确估计杂波密度的参数。基于此,提出了一种多目标跟踪的区域杂波估计方法。首先根据量测信息在线估计出场景中的杂波数目,然后估计落入目标附近感兴趣区域的杂波数,并估计每个目标感兴趣区域杂波强度。仿真结果表明,在复杂场景下算法的跟踪性能明显优于未进行杂波估计的多目标跟踪算法,提高了跟踪的实时性和跟踪精度。     

融合背景图像信息和多特征压缩的相关滤波跟踪算法

针对相关滤波类跟踪算法目标背景图像信息利用率较低、目标特征表达能力较弱的问题，提出了一种融合背景图像信息的多特征压缩跟踪算法。首先，在上下文感知滤波器的基础上，将背景图像信息加入位置滤波器。其次，提取颜色名(Color Name, CN)特征与梯度直方图(Histogram of Oriented Gradient, HOG)特征，使用最大响应因子及平均峰相关能量(Average Peak-to-Correlation Energy, APCE)评估跟踪结果的可信度，实现两种特征的自适应融合。最后，利用特征降维简化模型的复杂度，实现算法运行速度的提升。实验结果表明，改进后的算法在遮挡、形变、尺度变化等复杂环境下均具有较高的鲁棒性，其跟踪精度和成功率指标均优于DSST及其他主流的跟踪算法，并且仍保持了实时性。     

一种新的目标跟踪特征融合方法

在粒子滤波目标跟踪框架下,给出一种基于颜色直方图和边缘直方图的新特征融合算法．该算法是一种通过颜色和边缘直方图的特征波和熵实现特征之间粒子数重分配的方法。通过实验比较本文算法与单特征跟踪算法的跟踪误差,结果表明本文方法较传统依靠单一特征进行目标跟踪的粒子滤波方法,在运算时间增幅不明显的情况下,实现了更为准确的目标跟踪,并可稳定的应用于运动背景下的动目标跟踪、背景光照变化下的多目标跟踪以及多目标发生相互遮挡等情况。     

未知测量噪声分布下的多目标跟踪算法

 粒子概率假设密度滤波(SMC-PHDF)在进行粒子更新时需要知道测量噪声的概率分布以计算似然函数,这使得SMC-PHDF依赖于测量噪声的概率模型。针对这一点不足,提出一种未知测量噪声分布下的多目标跟踪算法——基于风险评估的概率假设密度滤波(RE-PHDF)。该算法在SMC-PHDF进行概率假设密度(PHD)粒子更新时采用风险函数计算每个PHD粒子的风险值,并通过一个风险评估函数评估每个PHD粒子,然后用评估后的结果更新粒子的权值。由于粒子更新时避免了在多维测量空间中计算似然函数,算法不仅不依赖于测量噪声的概率分布,还可以节省大量计算时间。仿真结果表明：和SMC-PHDF相比,RE-PHDF在未知的复杂测量噪声环境下具有更高的鲁棒性和稳定性;同时,在两种算法跟踪精度接近的情况下,所提算法节省了50%的运行时间。     

一种基于扩展模型的隐身目标检测前跟踪方法

现有的检测前跟踪算法对高分辨雷达隐身目标模型适应性不强,从而容易导致跟踪发散。针对该问题,把粒子滤波与检测前跟踪算法相结合应用于扩展隐身目标的检测跟踪,提出了一种隐身目标扩展模型检测前跟踪方法。首先,采用扩展模型对目标的扩展属性进行假设检验,从而判断目标是否为扩展目标;然后,把目标扩展长度引入状态向量,进行基于扩展模型的隐身目标检测前跟踪（Track-before-detect,TBD）,克服粒子滤波易发散的不足,实现对目标空间长度的估计。仿真结果表明,该算法能够准确判断目标的扩展属性并进行有效的检测跟踪。     

一种新的基于机动检测的机动目标跟踪算法

针对Kalman滤波跟踪机动目标发散和目前多数自适应Kalman滤波算法对运动模型适应性不强的问题,提出了一种新的基于机动检测的机动目标跟踪算法,通过实时自适应的改变滤波模型提高对机动目标跟踪精度。对这种方法与Kalman滤波算法进行了计算机仿真比较,结果表明,该方法计算量小,可实时精确地自适应匹配目标的运动模型,可实现对机动目标稳定可靠的跟踪。     

一种融合的长时单目标跟踪策略

本文提出一种融合的长时单目标跟踪策略，融合基于深度学习的目标检测算法和基于相关滤波的单目标跟踪算法，形成两种跟踪模式，根据多种判断策略控制跟踪模式切换，能够在保证跟踪鲁棒性的情况下大幅度提高跟踪实时性。将该跟踪策略用在自制数据集ATP-UAV上，取得了较好的跟踪效果。     

多坐标系下目标跟踪的联合滤波

针对雷达目标观测和处理在不同的坐标系下完成，本文提出了联合滤波算法来跟踪机动目标。该算法以卡尔曼滤波器为基础，直角坐标系下和极坐标系下的算法相联合，不仅克服了两种坐标系下滤波算法的不足，而且对机动目标有很好的跟踪效果。仿真实验结果表明了该算法的有效性。     

改进的粒子滤波算法在软着陆小天体中的应用

针对小天体软着陆过程中估计目标天体质心视线的导航方法失效问题,给出了一种基于特征点信息的自主光学导航方法。为了进一步提高对轨道参数的估计精度,考虑到系统中存在的非高斯噪声,以及基本粒子滤波算法带来的粒子退化和采样枯竭问题,给出了一种改进的粒子滤波算法。最后,通过仿真计算,验证了所给出的自主光学导航方法以及改进的粒子滤波算法的可行性和有效性。     

一个用于目标跟踪的改进粒子滤波算法

简化UT（unscented transformation）转化参数，修改UKF（unscented Kalmanfilter）提议分布，提出了改进的粒子滤波算法。调节因子的增加使得能在线自适应估计，滤波性能提高，并形成一个自适应的算法。仅有角测量的目标跟踪仿真试验证实了改进的粒子滤波算法要优于其它滤波方式。     

基于PSO的多观测器轨迹优化研究

在多观测站目标被动跟踪过程中,多观测器运动轨迹对定位跟踪精度有重要影响.为提高对运动目标的跟踪精度,将目标滤波协方差的迹作为目标优化函数,提出一种基于粒子群算法(Particle Swarm Optimi-zation,PSO)的多观测器轨迹优化方法,并将轨迹优化加入运动目标被动跟踪过程中,实现了观测器自适应运动下的运...     

面向再入目标跟踪的估计与辨识联合优化算法

准确的弹道系数辨识和精确的目标状态估计是再入目标高精度跟踪与高可靠识别的关键。一方面,状态估计的误差会造成模型参数(弹道系数)的辨识风险;另一方面,模型参数的辨识偏差又会导致模型失配从而降低目标状态的估计精度。因此,需要实现再入目标的状态估计和参数辨识的联合优化。针对再入目标弹道系数未知情形,提出了一种基于期望最大化(EM)框架并采用粒子滤波(PF)平滑器实现的PF-EM联合优化算法。在E步基于粒子平滑器得到目标状态的后验平滑估计,M步采用数值优化算法更新上一次迭代的弹道系数,通过E步和M步的不断迭代,以保证状态估计和弹道系数辨识的一致性。算法仿真对比表明:所提算法的状态估计和参数辨识精度均优于传统的状态增广算法。