基于运动状态的航迹起始算法研究

 针对传统的基于逻辑的航迹起始方法在量测扩展过程中存在的弊端，提出了基于目标运动状态的航迹起始算法，并给出了更为精确的起始波门构造方法。利用目标的位置信息形成候选目标航迹，在候选目标航迹扩展过程中，采用提出的修正Hough变换提取目标状态信息，并根据目标〖JP2〗的状态信息对候选航迹进行检验。仿真结果表明，该算法比其他基于逻辑的方法有更低的虚警概率，并且对存储空间要求低，适于工程应用。     

机载雷达目标跟踪与航迹信息提取

针对机动目标跟踪中航迹信息提取精度不高的问题,提出一种ECEF坐标系下基于交互多模型的多机协同跟踪算法。首先,各载机以ECEF坐标系为融合中心对目标量测进行无偏转换处理,以有效减小量测转换误差对目标跟踪的影响;然后,利用交互多模型的方法对目标进行融合跟踪,以进一步提高目标机动时的跟踪精度;最后,通过二次滤波的方法,来有效实现目标航迹信息的精确提取。仿真结果表明,该算法可较好地提高目标机动时的跟踪精度和航迹信息提取精度。     

基于相对位置矢量的群目标灰色精细航迹起始算法

为解决群内目标精细航迹起始的难题,基于对传统航迹起始算法及现有群目标航迹起始算法优缺点的分析,给出了完整的群目标航迹起始框架,并提出了一种基于相对位置矢量的群目标灰色精细航迹起始算法。首先基于循环阈值模型、群中心点进行群的预分割、预关联,然后对预关联成功的群搜索对应坐标系,建立群中各量测的相对位置矢量,基于灰色精细互联模型完成群内量测的互联,最后基于航迹确认规则得到群目标状态矩阵。经仿真数据验证,与修正的逻辑法、基于聚类和Hough变换的多编队航迹起始算法相比,该算法在起始真实航迹、抑制虚假航迹及杂波鲁棒性等方面综合性能更优。     

基于序贯关联算法的多目标无源跟踪

基于序贯关联算法,对多目标无源跟踪问题进行了研究。在只有角度信息可以利用的情况下,首先,利用波门技术对各个无源传感器角度测量数据进行关联和滤波,形成参数航迹;然后,将各个无源传感器的参数航迹送到融合中心进行关联配对,并在关联过程中通过构造关联质量函数对参数航迹的关联历史情况进行度量,解决参数航迹关联模糊问题;最后,通过对关联成功的参数航迹进行交叉定位,给出多个不同目标的位置信息,实现分布式无源系统对多目标的数据关联和跟踪,并通过仿真分析,对算法的有效性和可行性进行验证。     

航迹起始算法研究

针对传统的基于逻辑的航迹起始算法存在的弊端,分别提出了基于一步延迟思想和多假设思想的航迹起始算法。基于一步延迟思想的方法利用相邻2个采样周期的量测信息来选择用于航迹扩展的量测,从而实现航迹扩展的唯一性,可以在保证航迹起始性能的同时有效地降低存储要求。而在基于多假设思想的航迹起始算法中,在候选目标航迹的扩展阶段,采用关联矩阵拆分的办法获得当前多个可行假设,进而实现原假设的扩展与分裂,从而使得扩展后的源于各个候选目标的量测序列之间无共用量测现象。仿真结果表明了算法的有效性。     

基于视觉注意机制的认知雷达数据关联算法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟、以及概率数据关联算法不适于多交叉目标跟踪的问题,提出了一种基于人类视觉选择性注意机制和知觉客体的"特征整合"理论的认知雷达数据关联算法。算法以综合交互式多模型概率数据关联算法为基础,采取假设目标最大机动水平已知的"当前"统计模型和匀速运动模型作为模型集,通过实时交互使关联波门能够随目标机动动态调整,较好地兼顾了雷达计算耗时和跟踪成功率。在利用目标位置特征的基础上,进一步提取、整合目标运动特征,对关联波门交叉区域公共量测进行分类,使多交叉目标跟踪问题转化为多个单目标跟踪问题,优化了传统概率数据关联算法。仿真结果表明：与传统关联波门设计方法相比,算法跟踪失败率和计算耗时明显降低;而且在计算资源增加不大的情况下,杂波环境适应性也得到了显著增强。     

基于改进的FCM和信息熵修正的航迹融合算法

在局部航迹信息质量不均衡条件下,选择所有局部航迹进行航迹融合的算法会造成系统航迹质量下降。为了提高跟踪性能,提出了一种基于改进的模糊C均值(FCM)和信息熵修正的航迹融合算法。通过交互式多模型(IMM)滤波后的航迹信息对聚类数据做“质量”修正,改进后的FCM算法对局部航迹进行聚类分析,利用信息熵和隶属度对局部航迹进行选择和融合,达到修正聚类中心和提高系统航迹质量的效果。仿真结果表明：当多个传感器跟踪机动目标时,在传感器的观测精度发生变化和存在量测丢失的情况下,该算法的跟踪性能优于已知的航迹融合算法。     

基于波位聚类的相控阵雷达群目标调度模型

如何有效分配有限的能量和时间资源,从而实现大量密集群目标的跟踪测量,是相控阵雷达资源调度面临的难点问题。在采用基于最小期望时间和时间槽优先占用的自适应资源调度模型的基础上,论述了基于波位动态聚类及分区识别算法的相控阵雷达群目标调度模型,详细描述了群目标调度流程图。群目标调度模型根据距离门宽度、方位俯仰波束宽度、目标速度、航迹预测误差和点迹测量误差等确定群目标的分区位置及大小,自动实现群目标的聚类和跟踪。仿真分析表明:该模型能够适应目标群的动态演化过程,实现群内外所有目标的独立跟踪,有效节约群目标跟踪时的资源开销,并已在实际工程应用中得到了验证。     

基于相位相关的部分可辨编队精细起始算法

针对部分可辨条件下编队目标的精细起始难题,提出了一种基于相位相关的部分可辨编队精细起始算法。首先,采用基于坐标映射距离差分的快速群分割与基于编队中心点的预互联对雷达量测进行预处理;然后,利用图像匹配中相位相关特性,将相邻时刻编队结构进行补偿对准,解决了低目标发现概率情况下的编队结构对准问题;最后,采用增加虚拟量测并后验判决的方式,结合最近邻法做编队航迹精细互联,在填补航迹缺失、增加正确航迹的同时抑制虚假航迹的产生。经仿真验证,与修正的逻辑法、基于相对位置矢量的灰色编队精细起始算法相比,本文所提算法在提高航迹正确起始率、抑制虚假航迹方面性能优势显著,且对环境杂波与雷达精度具有较好的鲁棒性,对目标发现概率具有较好的适应性。     

飞行小目标自适应双波门跟踪算法

波门跟踪是一种利用实际图像处理的区域范围的视觉跟踪算法。在飞行小目标信噪比较低的情况下,现有方法往往不能获得稳定的跟踪结果。针对小目标跟踪的特点,提出了一种自适应双波门的跟踪算法。该算法采用帧间差分算法检测小目标,通过质心标定修正当前帧目标的初始位置,并利用最小二乘估计预测算法实现目标范围的估计,从而实现自适应跟踪的目的。实验结果表明,即使在飞行小目标被短时遮挡情况下,利用本算法也能稳定地检测出它的位置,能根据目标的轮廓自适应地确定目标波门形状,并能有效解决目标跟踪偏移和短时丢失等问题。     

SMALL TARGET TRACKING TECHNIQUE WITH DATA FUSION OF DISTRIBUTED SENSOR NET

ＳＭＡＬＬＴＡＲＧＥＴＴＲＡＣＫＩＮＧＴＥＣＨＮＩＱＵＥＷＩＴＨＤＡＴＡＦＵＳＩＯＮＯＦＤＩＳＴＲＩＢＵＴＥＤＳＥＮＳＯＲＮＥＴＣＨＥＮＧＨｏｎｇｗｅｉ（程洪玮）,ＺＨＯＵＹｉｙｕ（周一宇）,ＳＵＮＺｈｏｎｇｋａｎｇ（孙仲康）（Ｆａｃｕｌｔｙ４０６,...     

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。     

空中运动目标的识别和跟踪控制

针对空中运动目标的识别和跟踪,提出图像匹配算法和连通域算法相结合的方法。该方法主要用图像匹配算法获得目标的位置信息,当图像匹配算法失效时,则采用连通域算法重新捕获目标、获得图像模板。同时,为提高跟踪的实时性,采用最小二乘线性预测法来预测目标的运动轨迹。在实验室的目标跟踪系统平台上,该方法能够对运动目标进行稳定的识别和跟踪。     

基于改进SURF和P-KLT算法的特征点实时跟踪方法研究

 针对视频序列中运动目标的实时跟踪问题,提出一种基于改进SURF算法和金字塔KLT算法相结合的特征点跟踪方法。首先人工标定目标区域,利用改进的SURF算法分块快速提取具有高鲁棒性、独特性的特征点;然后在后续帧中应用金字塔KLT匹配算法对特征点进行稳定跟踪,采用基于统计的方法剔除错误匹配对;最后利用Greedy Snake分割算法提取轮廓确定更加精准的位置信息,更新目标区域。为使算法更具鲁棒性,还设计了离散点筛选、自适应更新策略。利用飞行视频数据库进行了大量的仿真,结果表明:该算法适用于多尺度图像序列中位置、姿态发生快速变化且结构简单的飞行器的稳定跟踪。帧平均时间为31.8 ms,比SIFT+P-KLT跟踪算法减少47.1%;帧几何中心、目标轮廓面积平均误差分别为5.03像素、16.3%,分别比GFTT+P-KLT跟踪算法减少27.2%、56.9%,比SIFT跟踪算法减少38.6%、68.4%。     

基于人工神经网络的多模型目标跟踪算法

针对在目标跟踪中单模型跟踪算法难以应对目标运动形式的变化,而多模型跟踪算法存在结构固定、跟踪精度被非匹配模型削弱且模型切换缓慢的矛盾,文章提出了一种基于人工神经网络的多模型目标跟踪算法。通过分析目标几种基本运动模式的轨迹特点,归纳出目标运动轨迹的特征向量。利用训练好的BP神经网络对滑窗里的轨迹段进行运动模型识别,按结果进行跟踪模型切换,达到使跟踪算法实时适应目标运动状态的目的。仿真结果证明了该算法的有效性,且与传统的多模型算法相比,具有结构更加简单、更强的灵活性和拓展性的特点。     

复杂环境下一种基于改进核相关滤波的视觉鲁棒目标跟踪方法

目标跟踪在自动驾驶和智能监控系统等实时视觉应用中发挥着重要作用。在遮挡、相似干扰等情况下，传统的基于相关滤波的跟踪算法容易发生漂移，鲁棒性有待进一步提高。基于此，提出了一种扩展特征描述的检测辅助核相关滤波目标跟踪架构。首先，在传统的核相关滤波目标跟踪算法的基础上，通过目标检测辅助对跟踪结果进行质量判断，实现对遮挡以及目标丢失的判别；然后通过拓展特征模板的构建与匹配，实现抗干扰相似目标判断及目标重定位；最终，以行人跟踪为例进行了试验，分别通过OTB数据及验证试验和移动机器人平台视觉跟踪验证试验，验证了算法的可行性，并对算法的跟踪性能进行了测试。试验结果表明，所提方法能够稳定地跟踪移动目标，对遮挡、相似干扰具有较强的鲁棒性。     

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。