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。     

一类新型机动目标跟踪算法

阐述了当跟踪非机动目标时,传统的Kalman滤波可以得到很好的跟踪精度。但是当日标机动时,传统的Kalman滤波不能对目标的突然变化做出及时的改正和预测,因此跟踪精度很差,甚至出现丢失目标的情况。文中采用的基于截断正态概率模型的改进自适应目标跟踪算法, 其结构和计算简单,鲁棒性好,较好地解决了使用Kalman滤波带来的不足。     

改进的MMPHD机动目标跟踪方法

基于序列蒙特卡罗方法的经典多模概率假设密度滤波方法及其各种衍生方法,在预测过程中依据多个并行的状态转移模型,通过将大量粒子散布到下一时刻目标所有可能出现的状态空间实现目标状态的捕获,造成计算量大、目标跟踪精度差。为此,提出一种改进的多模粒子概率假设密度机动目标跟踪方法。该方法利用最新量测信息估计目标运动模型概率及模型参数,并将估计得到的目标模型应用到粒子概率假设密度滤波方法的预测过程中生成预测粒子,从而将大部分粒子聚合在目标最可能出现的状态空间邻域中,实现粒子的有效利用。数值仿真表明,所提方法不仅显著地减少了目标丢失个数,而且提高了目标跟踪精度。     

强跟踪滤波在高超声速滑翔目标跟踪中的应用

高超声速滑翔目标(HGT)机动模式复杂多样、轨迹形态灵活多变,增加了跟踪模型建模的不确定性,导致目标跟踪的精度低。为了提高跟踪精度,提出了一种基于强跟踪滤波的高超声速滑翔目标跟踪方法。首先,在地基雷达坐标系下建立目标运动模型和量测模型,利用维纳随机过程来表征运动模型中未知项的变化特性。其次,采用强跟踪无迹卡尔曼滤波(UKF)算法对目标运动状态进行估计,提高模型不确定性存在时滤波器的状态跟踪能力。最后,利用目标常用的基于标准轨迹的制导方法生成了一条可行飞行轨迹。仿真结果表明,该方法的跟踪精度高,强跟踪滤波能够有效降低模型不确定性存在时的状态估计误差。     

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。     

基于均值漂移无味粒子滤波的地面运动目标变结构交互多模型跟踪(英文)

为了跟踪地面运动目标,本文提出在变结构交互多模型基础上使用均值漂移无味粒子滤波的算法。模型滤波中,通过均值漂移将无味粒子滤波产生的采样粒子向目标状态最大后验密度估计方向移动。"停止"模型基础上,提出了"遮蔽"模型:出现地形遮蔽时,使用上一时刻的预测代替下一时刻的测量,且保持道路模型与遮蔽前一致。仿真实验采用地面运动目标指示雷达,考虑地面运动目标的三种常见场景:进入或离开道路、经过道路交叉点以及无测量值。使用了RMSE和ANEES两种评价指标,实验结果表明本文算法有效地提高了目标改变行驶道路时的跟踪精度;且目标速度过低或被遮蔽时,可以避免轨迹中断。     

高超声速滑翔目标自适应跟踪方法

针对机动模式复杂多变的高超声速滑翔目标跟踪问题,提出了一种机动频率自适应跟踪方法。采用介于常速度和常加速度模型之间的Singer模型来表征目标气动力加速度的变化,从而建立跟踪系统的状态方程。根据地基雷达量测量获得系统的量测方程,鉴于距离和角度信息的量级相差较大将其由球形量测量转换为位置量测量。为了适应高超声速滑翔目标灵活多样的机动模式,基于正交性原理和无迹卡尔曼滤波算法实现了Singer模型中机动频率参数的自适应。利用滤波信息计算得到能够反映状态模型误差大小的调整因子,用于放大Singer模型中的机动频率,进而调整状态方程的过程噪声以降低模型误差。通过对2种典型机动轨迹的跟踪仿真,并与交互式多模型等方法进行比较,结果表明所提方法的跟踪精度高、计算量小,能够较好地适应阶跃机动和连续幅值变化的机动。     

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。     

一种改进的高超声速滑翔目标跟踪方法

针对临近空间高超声速滑翔目标跟踪问题，提出一种基于反向传播神经网络修正改进迭代扩展卡尔曼滤波(Back Propagation Neural Network-aided Improved Iterative Extended Kalman Filter, BP-IIEKF)的目标轨迹跟踪方法。在雷达站坐标系下建立目标运动模型和量测模型。引入阻尼因子修正IEKF算法中的协方差预测矩阵，并定义算法的代价函数，给出迭代终止条件，保证了算法收敛精度，减小状态的观测更新误差，提高了目标状态估计精度。利用BP神经网络修正滤波结果，补偿系统滤波误差，进一步提高了跟踪精度。仿真结果表明所提算法对高超声速滑翔目标具有更高的跟踪精度。     

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。     

基于多传感器的机动目标跟踪与融合技术综述

在分析了目标跟踪技术的重要地位之后，对目标跟踪要素进行了简要介绍。同时，描述了机动目标建模、滤波算法、航迹管理、传感器管理以及目标身份识别技术常用的方法，试图对基于多传感器的机动目标跟踪和识别算法构建一个轮廓和框架。     

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。     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

粒子滤波联合目标跟踪分类算法

针对现有联合目标跟踪分类(JTC)算法计算量大实时性差的缺陷,本文在JTC求解中引入粒子滤波,替代数值积分,大大缩短了计算时间;利用低分辨率常规雷达(LRR)提供的目标运动学信息和电子支援措施(ESM)提供的目标电磁设备信息,同时提高了目标的识别概率和跟踪性能。仿真验证了粒子滤波联合目标跟踪分类算法的实时性和有效性。     

临近空间高超声速滑跃式轨迹目标跟踪技术

针对临近空间目标飞行速度快、机动特性强和加速度突变的特性,提出一种地心直角(ECEF)坐标系下基于目标特性分析的修正强跟踪滤波(MSTF)算法。首先,通过对ECEF坐标系下目标量测的无偏转化处理,以有效减小目标高超声速飞行所带来的旋转、平移和线性化误差影响;接着,在对目标特性充分分析的基础上,合理构建强跟踪滤波(STF)模型,通过对模型参数的自适应调节,以有效实现临近空间高超声速滑跃式轨迹目标的精确跟踪;最后,结合统计学原理对目标加速度的突变进行合理检测和补偿,以进一步修正强跟踪滤波模型的跟踪精度。仿真结果表明,与现有的临近空间目标跟踪算法相比,该算法具有较高的定位跟踪精度。     

扫描跟踪和图象跟踪之间的协调控制

扫描跟踪和图象跟踪方式之间的协调控制系统设计者提出了一些重要的问题。扫描跟踪用于点目标，图象跟踪用于大面积目标；在任何给定条件下，有时两种方法都可能用到。必须找到协调控制的一个最佳点。目标还可能在扫描跟踪和图象跟踪最佳的状态之间变化。当用一种方式丢失目标后，用另一种方式再次捕获目标又是另一个必须论述的问题。两种方式的局限性是需要考虑的：采用二维空间算法点点目标探测取决于目标和滤波器这两者的外形尺寸大小。图象跟踪的实现主要取决于目标的大小和形状。本文将论述采用典型的扫描跟踪探测点目标的探测算法，简要地介绍一种典型的图象跟踪器并给出几种不同情况下获得的结果。     

基于IMMKF算法的ADS-B监视应用目标跟踪

目标跟踪是机载广播式自动相关监视（ADS-B）应用的基础功能,对提升航空器周边的弱机动民航飞机目标跟踪性能具有重要意义。提出一种基于交互式多模型卡尔曼滤波（IMMKF）算法的ADS-B 监视应用目标跟踪方法。首先,针对弱机动背景下的民航飞机的飞行特点,建立包含匀速模型和标准协同转弯模型的运动模型集,并对模型进行线性化近似;然后,将模型预测和ADS-B 状态矢量量测数据作为IMMKF 算法中多个并行卡尔曼滤波器的输入,进行并行滤波;最后,计算得到目标状态矢量的估计和模型近似概率,并作为下一次迭代的输入。结果表明：相比于基于匀速模型的卡尔曼滤波目标跟踪方法,IMMKF 方法的位置跟踪误差降低了59%,速度跟踪误差降低了77%,显著提升了状态估计性能,具备较高的跟踪精度、稳健性与计算效率,在ADS-B 监视应用中具有实际应用价值与借鉴意义。     

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。     

一种二维耦合模型机动目标跟踪算法

针对雷达跟踪固定翼飞机的单目标跟踪问题,提出了一种新的二维耦合运动模型。该方法把切向加速度和法向加速度作为状态变量,给出了切向加速度和法向加速度为常值时解析计算状态转移的方法。该模型可以较好地一步预测目标加速度的变化,而且法向和切向加速度的过程噪声可以分别设置。利用该耦合模型的滤波方法,显著地改善了滤波效果,尤其是对加速度的估计。     

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。