多模型GGIW-GLMB算法跟踪机动群目标

针对多个机动群目标跟踪问题,提出了一种多模型伽马高斯逆威夏特-广义标签多贝努利（MM-GGIW-GLMB）算法。采用多模型算法对群目标进行运动建模,利用最适高斯（BFG）近似在预测阶段对多模型进行融合,减小了多模型算法的运算量,为进一步提高算法在目标机动阶段的跟踪性能,引入强跟踪滤波器（STF）对BFG算法得到的预测状态协方差进行修正。利用最优次模式分配（OSPA）距离及其一倍标准差和航迹标签正确率衡量算法对机动群目标的跟踪性能。仿真结果表明,本文算法能够提升对机动群目标的跟踪精度和稳定性。      

基于Jerk输入估计的MCS模型及非线性跟踪算法

针对强机动目标跟踪问题,基于当前统计(CS,Current Statistical)模型、改进输入估计 (MIE,Modified Input Estimation)和无迹强跟踪滤波器,提出了一种新的自适应目标跟踪算法.该算法引入Jerk输入估计改进了当前统计模型的状态方程和机动加速度方差调整方法,利用改进的无迹强跟踪滤波器实现了状态协方差、状态噪声协方差和机动频率的联合自适应.在没有加速度先验知识的情况下,能够实时准确跟踪目标连续强机动、匀加速机动和匀速运动状态.仿真实验表明:相比CS模型无迹滤波算法、CS模型无迹强跟踪算法和交互多模型算法,该算法在对目标强机动的适应性、跟踪精度和对突变状态跟踪的收敛性方面都有更好的性能.     

空间目标快速轮廓特征提取与跟踪技术

为满足空间目标交会对接任务中高精度、快速的测量要求,提出了一种空间目标快速轮廓特征提取与跟踪技术。该算法首先从初始帧图像中分割定位目标所在局部区域,作为目标连续跟踪的初始值;其次基于初始帧目标局部区域完成对初始帧目标边缘特征的检测及细化处理;最后采用Hough变换完成对初始帧目标边缘的检测及细化后的局部图像轮廓直线的提取,分别选取目标轮廓四方向最优的直线参数作为最终目标轮廓直线获取的效果,并采用梯度最大法则实现两两求交获取的轮廓特征的优化提取。在目标逼近过程中,结合相邻帧图像间目标尺度动态变化的关联性,根据初始帧提取目标轮廓特征的先验信息,确定目标在第二帧图像中的轮廓位置,并依次根据上一帧图像的轮廓位置信息定位目标在当前帧所在的区域,通过局部处理实现序列图像轮廓区域特征的连续跟踪。该算法无需遍历整个图像,所需处理的目标区域大幅减小,能够有效克服由目标图像较多边缘干扰导致的轮廓提取效果差及处理速度慢的缺点,具有速度快、准确性强、稳定性高等优点。     

基于L2范数最小化联合模型的目标跟踪算法

为了解决稀疏表示的跟踪算法的计算代价比较大,且目标的表观由于多种原因会发生变化的问题,提出了一种在贝叶斯推理框架下,建立结合基于全局模板的判别式模型和基于局部描述子的生成式模型的联合模型,通过L2范数最小化进行求解的目标跟踪方法.在跟踪过程中,适时地更新判别式模型中的正负模板和生成式模型中模板的系数向量,使模板具有很强的适应性和判别性.实验结果表明,与其他典型的算法相比,该算法对于光照变化、尺度变化、遮挡、旋转等情况具有较强的鲁棒性.      

空间机动目标的跟踪和定位

轨道机动控制过程中，推力加速度的不确定性是机动目标运动的主项摄动。通过对推力加速度和机动目标运动建模，在地心惯性系建立了增广系统状态动力学模型，在地平测量坐标系建立了离散量测模型，同时讨论了机动目标增广状态非线性动力学模型的线性化问题。给出了扩展卡尔曼滤波实时估计增广状态向量的算法，仿真分析证明所述算法稳定、收敛，对机动目标具有较高的定位精度。     

基于功率互补对的树形结构混合滤波器组

提出了一种近似完全重构的树形结构混合滤波器组(HFB)的设计方法,利用基于功率互补对的树形结构的模拟分解滤波器,而非传统的低通、带通和高通分解滤波器均匀分割整个系统带宽.采用遗传算法实现了功率互补对的优化设计,并基于逆快速傅立叶变换(IFFT)实现了数字综合滤波器的设计以保证近似完全重构.3阶和5阶的功率互补对与63阶的数字FIR(有限冲击响应)综合滤波器所组成的四通道混合滤波器组,具有1.06×10^-7dB平均失真误差和-111?dB的平均混叠误差,满足15?bit的模数转换(ADC)系统要求.     

高动态GPS信号粗捕和精捕算法仿真实现

为了解决高动态下对GPS信号快速捕获的问题,提出了改进的部分匹配滤波(PMF)和快速傅里叶变换(FFT)相结合的粗捕方法,对其原理和结构进行了分析,并针对其引起的扇贝损失和捕获性能不高的问题,对传统PMF+FFT方法进行加窗处理;考虑到高动态下基于扩展卡尔曼跟踪的方法对捕获后参数的精度要求很高,因此在粗捕的基础上提出了基于线性调频Z变换(CZT)算法的精捕方法,并在GPS信号理论模型和模拟高动态轨迹的基础上,实现了高动态GPS数字中频信号的生成,为进一步加快捕获速度,对于冷启动时提出了一种组合码相关的卫星快速盲搜方法;最后通过MATLAB进行系统仿真实验,验证了所提出的高动态GPS信号粗捕和精捕算法能在加速度为100 g的高动态环境下有约10 Hz的捕获精度。     

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。     

飞行器栖落机动的轨迹跟踪控制及吸引域优化计算

针对固定翼飞行器栖落机动的纵向运动，研究了栖落机动轨迹跟踪控制设计与吸引域优化计算方法。首先，根据栖落动力学模型和栖落过程中各个状态量的约束，用广义伪谱法生成标称轨迹，以此为基础设计了分段线性轨迹跟踪控制律。然后，在平方和（SOS）算法的基础上计算出栖落轨迹的吸引域，以保证吸引域内的飞行器能最终栖落在目标区域。最后，进一步改进吸引域的迭代优化计算方法以扩大吸引域范围。仿真结果验证了栖落机动轨迹跟踪控制律的有效性，并表明运用所设计的吸引域优化计算方法可以获得更大的吸引域。      

基于深度学习的无人机视觉目标检测与跟踪

针对目标检测中小目标物体漏检率及误检率高等问题,提出了一种基于Yolov3-Tiny算法的改进模型。改进k-means聚类方法,增加3×3和1×1的卷积池化层,将第9层卷积输出上采样,并与第8层卷积得到的特征图进行连接,得到新的输出:52×52卷积层,形成新的特征金字塔。基于卡尔曼滤波算法实现目标跟踪,提出融合跟踪算法的检测网络,使用匈牙利匹配算法对检测边缘框与跟踪边缘框进行最优匹配,利用跟踪结果修正检测结果,提高了检测速度,同时提升了检测能力。在ROS、Gazebo和自动驾驶仪软件PX4的综合仿真环境下对所提算法进行了对比试验。试验结果表明:改进算法平均检测速度降低了15.6%,mAP提高了6.5%。融合跟踪算法后的网络平均检测速度提高了34.2%,mAP提高了8.6%。融合跟踪算法后的网络能够满足系统实时性和准确性的要求。      

基于图像卷积的地图匹配算法

地图匹配定位是一种主流的车载导航定位方法，其以车辆轨迹数据和路网地图为基础，将车辆位置估计输出到路网地图上。该过程可对车辆定位结果进行修正，是车辆导航、交通诱导、交通预测等应用的基础。针对现有地图匹配算法存在的一些问题，如算法流程依赖路口匹配精度，在较大初始误差场景下寻路正确率较低，以及寻路结果错误易影响后续匹配精度等，提出了一种基于图像卷积的地图匹配方法。利用图像卷积方式对比了车辆轨迹与道路的几何特征，以实现匹配定位，从而确保了初始误差较大场景下的匹配精度，并且避免了由寻路错误所引发的相关问题。