基于Rao-Blackwellized蒙特卡罗数据关联的检测跟踪联合优化

提出了基于Rao-Blackwellized蒙特卡罗数据关联的雷达目标检测跟踪联合优化算法。Rao-Blackwellization方法将单目标跟踪与数据关联分开处理,将序贯蒙特卡罗方法（粒子滤波）用于数据关联,实现杂波与虚警量测中的多目标跟踪。同时,根据粒子的分布范围确定波门大小。在考虑粒子权重的前提下,利用检测单元与所有粒子的相对位置对检测门限进行修正,提高检测率。将本文算法与已经实现的基于空域特性的杂波抑制算法相结合,分别应用于仿真数据、S波段相参与非相参雷达实测数据。实验结果表明,本文算法能够在粒子数较少的情况下,实现对小弱目标的检测与跟踪。      

利用一次雷达实现低空空域的安全监视

介绍了一种低成本的低空空域雷达监视实验系统,并提出了一种基于雷达平面位置指示(PPI,Plane Position Indicator)图像的目标检测与跟踪算法,其中杂波抑制和目标状态估计是两项关键技术.经过背景差分的雷达PPI图像,仍然含有大量的背景边缘杂波,该算法利用其空域特性进行杂波抑制,并采用交互式多模型(IMM,Interactive Multiple Models)方法对目标的匀速、加速、减速、转弯等机动运动进行跟踪.详细分析了仿真数据的跟踪效果,并将整套算法应用于两组实测PPI图像,实验结果说明其有效性.     

基于积分域匹配滤波的系统误差检测

目标跟踪中,如果用于数据融合的位置或速度测元中存在系统误差,可采用最小二乘意义上的微分平滑进行滤波及系统误差诊断。由于微分平滑精度较低,由此提出积分域匹配滤波,同时用这种方法检测系统误差。数学推导证明了积分域检测系统误差的精度高于微分平滑,仿真结果亦证实了此结论。     

基于ST-SRCKF的超高速强机动目标跟踪算法

针对超高速强机动目标运动模型难以准确建立且观测数据易出现不良量测而导致滤波发散的问题,提出一种适用于超高速强机动目标的跟踪算法。该算法根据正交性原理推导了一种新的强跟踪平方根容积卡尔曼滤波（ST-SRCKF）结构,并引入多重渐消因子,渐消因子求解方法和作用位置均不同于已有的ST-SRCKF。根据新息的统计学特性,即新息协方差矩阵的迹服从卡方分布,建立了一种改进的CS-Jerk模型,该模型对目标机动的描述更准确,它与改进ST-SRCKF算法的结合实现了对超高速强机动目标的高精度跟踪。仿真结果表明,改进算法对超高速强机动目标的跟踪性能更佳。      

基于相关滤波器的嵌入式动态目标跟踪系统设计

针对空间非合作运动目标监控，提出了一种基于嵌入式技术的动态目标实时检测与跟踪方法，并完成了跟踪系统的研制设计和测试。该视觉目标跟踪系统以嵌入式处理器为控制器，通过相机模组获取实时视频图像，图像经过视觉检测与跟踪算法程序分析，得到目标的位置信息后，控制伺服运动系统调整相机姿态实现对动态目标跟踪。提出了基于相关滤波原理的跟踪算法，搭建了树莓派嵌入式测试系统，完成实时检测与跟踪的实验评估。实验结果表明，嵌入式处理器中检测与跟踪程序的平均运行帧率达到25FPS，伺服机构在水平360°和俯仰±60°范围内实现了对移动速度90°/s的目标的实时、稳定监控与跟踪。     

基于探鸟雷达的机场周边鸟类目标数量估计

针对雷达探鸟中的飞鸟目标数量统计问题，提出了一种多目标航迹自动起始跟踪算法，实现了对机场周边鸟类活动热点区域内鸟类目标数量的统计分析。通过数据关联估计量测与所有可能事件的关联概率，包括目标的新生、延续和消亡，以及杂波的剔除，并通过卡尔曼滤波与平滑方法给出每个目标的平滑轨迹，实现了对目标的全生命周期管理。仿真结果表明:所提算法能很好地实现杂波环境中的多目标航迹自动起始跟踪，正确估计每个目标的起始和消亡时间，统计目标数量的变化情况，且在目标起始的及时性方面明显优于传统的逻辑法。将所提算法应用于机场探鸟雷达实测数据，估计机场周边鸟类数量，可指导机场开展有针对性的鸟击防范工作。      

基于ICP的稳态部分可辨编队目标精细跟踪算法

针对稳态编队在部分可辨条件下精细跟踪的难题,提出了一种基于迭代就近点(ICP)的稳态部分可辨编队精细跟踪算法。首先将ICP算法思想应用于编队成员拓扑的点航关联中,将k时刻的位置状态估计通过最近点循环迭代逼近k+1时刻的量测,在关联判决时采用双门限原则应对部分可辨所带来的漏观测问题,以提高关联时的容错性能;进而采用概率最近邻对漏观测航迹进行填补,以进一步保证跟踪的可靠性;最后,采用多模型法实现编队成员航迹滤波更新,以保证航迹的跟踪滤波精度。仿真结果表明,与现有的基于模版匹配的编队目标跟踪算法以及经典的多假设多目标跟踪算法相比,该算法具有较高的跟踪可靠性与精度,且在编队拓扑发生缓慢变化时具有更高的正确跟踪率。     

无人驾驶矿用运输车辆感知及控制方法

针对当前矿区生产作业效率低下、安全事故频发等问题,提出了一种矿用运输车辆无人驾驶感知及控制方法。感知部分,设计出基于激光雷达和毫米波雷达融合的多目标识别架构,在数据关联的基础上,应用基于卡尔曼滤波的联合概率数据关联（JPDA）算法实现矿区环境下多目标识别;控制部分,采用路径预瞄-跟踪的方式,将横向控制与纵向控制进行解耦,并通过反馈机制实时进行偏差修正,实现无人驾驶矿用运输车辆精准的横向与纵向控制。此外,搭建了矿车无人驾驶系统平台,在矿区不同场景下对上述感知及控制方法进行了测试。实验结果表明,感知算法能够实现道路可行驶区域的精确检测,并可识别出多种障碍物类型,控制算法在上下坡等场景下可实现无人驾驶矿用运输车辆纵向速度和横向位置的精准控制,满足实际应用需求。      

基于PHD未知杂波密度多机动目标跟踪

基于随机有限集（RFS）的跳变马尔可夫系统（JMS）是多机动目标跟踪的有效方法。但现有的方法假设杂波密度是先验已知的,而实际中杂波密度是未知且可能随着环境的改变而变化。针对这一问题,提出了一种适用于线性高斯模型的未知杂波密度下多机动目标跟踪算法。该算法以未知杂波密度高斯混合概率假设密度（λ-GMPHD）滤波为基础建模杂波和真实目标,采用线性高斯JMS模型描述目标机动,推导了未知杂波密度下多机动目标跟踪的GMPHD迭代解析表达式。仿真结果表明,所提算法可实现对于杂波密度以及目标数和目标状态的准确估计。      

基于聚类最近数据关联的多目标跟踪算法

提出了一种基于聚类最近数据关联的多目标跟踪算法.建立了基于目标位置、目标大小和目标灰度的3层匹配距离,将3个距离加权综合得到目标匹配的距离函数.以目标链为基准寻找与其存在最小匹配距离关系的观测目标作为目标链的数据后继,再以此观测目标为基准寻找与其存在最小匹配距离关系的目标链作为该目标的数据前驱.当且仅当匹配对象之间前驱与后继关系同时成立时认为二者匹配成功.将已有目标链分为4类,将当前帧观测目标分为2类.分析各类数据间可能存在的匹配关系,利用上述方法进行匹配运算.对于目标遮挡等情况,基于目标运动轨迹的瞬时直线性和均值滤波原理,将某时间段内的目标质心坐标作为输入数据得到回归直线,预测下一时刻的目标质心位置.目标大小和灰度预测数据由该时间内均值滤波得到.本算法在多人体跟踪实验中取得良好效果.     

非线性量测下自适应噪声协方差PHD滤波

概率假设密度(PHD)滤波算法已被证明是实时多目标跟踪的有效方法,但现有这些基于PHD滤波的方法假设量测噪声协方差先验已知,而实际中量测噪声协方差可能是未知或随着环境改变而变化。针对这一问题,提出了一种适用于非线性量测模型的自适应噪声协方差多目标跟踪算法。该算法以PHD滤波为基础,采用容积卡尔曼(CK)技术近似非线性量测模型,利用逆威沙特(IW)分布描述量测噪声协方差分布,通过变分贝叶斯(VB)近似技术迭代估计量测噪声协方差和多目标状态联合后验密度。仿真结果表明,本文所提算法可有效估计量测噪声协方差,同时实现准确的目标数和目标状态估计。     

低复杂度自适应容积卡尔曼滤波算法

确定采样型滤波算法中的容积卡尔曼滤波（CKF）算法滤波性能优良,但是却难以克服目标模型不确定性或者目标状态突变带来的影响。构造强跟踪CKF能有效改善算法的自适应性,但是在求解渐消因子时大大增加了计算量。为此,提出一种低复杂度自适应CKF算法,通过设立基于新息的自适应修正判决准则和修正方式,直接对状态预测值进行修正,使滤波算法能及时跟上目标真实状态,以提高滤波精度。使用浮点操作数计算并分析了CKF算法、强跟踪CKF算法及所提算法的复杂度,同时将3种算法应用在建模不准确的目标跟踪中,并进行仿真验证。仿真结果表明:在目标建模不匹配的情况下,低复杂度自适应CKF算法和强跟踪CKF算法都能保持较好的滤波精度和数值稳定性,同时所提算法在算法复杂度上有明显改善。      

基于ATI技术的一种动目标检测的实现方法

提出了一种基于双孔径天线沿航迹向干涉(ATI, Along-Track Interferometry)的动目标检测、测速及定位的实现方法.该方法与DPCA(Displaced Phase Center Antenna)技术相比,不要求天线载体速度和脉冲重复频率之间必须满足严格的制约条件,同时克服了DPCA技术及CSI(Clutter Suppression Interferometry)技术产生的动目标回波强度随目标径向速度按正弦规律相消而降低了对慢速目标的检测能力的不足.在ATI理论分析的基础上,给出了利用干涉图像的干涉相位信息进行动目标检测、径向速度分量估计及定位的一种实现方法.这种检测方法能够完成被地面背景杂波淹没的慢速运动目标的检测、测速及定位.计算机仿真结果验证了其有效性.      

基于杂波量测集约束的改进MS-MeMBer滤波器

针对高杂波密度场景下,传统多传感器多目标多伯努利(MS-MeMBer)滤波器存在的量测划分假设质量下降、势估计结果出现偏差等问题,提出了一种基于杂波量测集约束的改进MS-MeMBer滤波器。首先,通过将杂波量测集的影响引入到更新过程中,优化了目标量测集的权重,并给出了杂波场景下的单目标多传感器似然函数。然后,通过两步贪婪划分机制,得到了改进的多传感器量测划分假设。通过仿真将所提方法与传统MS-MeMBer滤波器进行了比较,实验结果表明:在高杂波密度场景下,改进MS-MeMBer滤波器具有更优的多目标跟踪性能。