运动平台上基于粒子滤波的目标跟踪技术

在固定平台上实现视频运动目标的准确跟踪本身就是一项富有挑战性的工作。何况在运动平台上,受到背景杂波、亮度变化以及摄像机运动等干扰的影响,要想成功地对目标进行跟踪则更加困难。提出将强度梯度跟踪器与粒子滤波相结合,实现对运动平台上的视频序列中的运动目标的准确跟踪。实验结果表明,跟踪方法能准确、可靠地自动跟踪视频序列中的运动目标。     

基于改进粒子滤波的多传感器融合空间目标跟踪

为了跟踪空间目标,构建了基于局部粒子滤波器的多传感器融合方法估计空间目标状态。粒子滤波重要采样过程中,设计了基于融合估计的重要密度函数减少粒子贫化问题,并设计基于 McDE(Memetic compact Differ. ential Evolution)重采样策略,通过对粒子的变异与选择等进化操作来解决粒子退化问题。理论推导与仿真结果皆证明方法的有效性。     

交互多模型PHD滤波跟踪多目标方法

在机动多目标跟踪问题中,目标数未知或随时间而变化,概率假设密度（PHD）滤波可以在每一时间步估计多目标状态和目标数,但单模型方法不能给出精确的估计。提出了一种交互多模型PHD滤波方法,建立多模型描述多目标运动方式,利用PHD滤波结合多模型跟踪目标运动轨迹。同时,给出了多传感器交互多模型PHD滤波方法,以提高目标跟踪精度。     

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。     

基于均值漂移算法的冷空炽热体红外目标跟踪

Mean Shift（均值漂移）算法对彩色序列图像目标跟踪是有效的,而对红外目标跟踪是不稳健的。本文对Mean Shift算法做适当改进,将其用于冷空炽热体红外目标跟踪。先对红外图像做伽马变换,把目标从背景中分离出来;用直方图非均匀量化改进传统Mean Shift算法量化方式,提高目标定位准确性。仿真结果表明,该方法对冷空炽热体红外目标跟踪是有效的和稳健的。     

基于IMM-UIF的多无人机纯角度机动目标跟踪

针对单无人机不能及时捕捉到目标的运动状态信息,很容易跟丢目标的问题,结合无迹信息滤波(UIF)算法和交互多模型(IMM)算法,提出了基于IMM-UIF的多无人机分布式融合估计算法。将各个无人机上的观测信息传输至中心节点,并统一优化各无人机的控制输入。仿真结果表明,基于IMM-UIF的多无人机分布式融合估计算法比基于IMM-UIF的单无人机跟踪精度提高了约30%,有效融合多无人机平台的量测信息,实现对目标稳定的高精度跟踪。     

基于交互多模型和中值滤波的加速度估计方法

针对交互多模型算法对目标加速度估计误差较大的不足,提出了一种基于交互多模型和中值滤波的目标加速度估计方法.通过对交互多模输出的加速度信息进行中值滤波提高对加速度估计的精度.计算机仿真表明,该方法比交互多模型对匀速目标,特别是机动目标具有更好的加速度估计能力,且便于工程实现.     

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。     

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。     

基于交互式多模型的主被动站跟踪算法

在高斯白噪声下,使用交互式多模型算法融合主动站和被动站量测信息,在各类机动状态模型切换,完成对机动目标的定位跟踪。根据主动站到达目标然后到达被动站的距离和以及目标到达主被动站的方位角和俯仰角信息建立量测模型;在交互式多模型算法的基础上,在常规直线机动模型基础上引入Singer模型,模拟目标机动运动;以几何关系求解得到的目标位置作为目标初始解,相较于其他初始模型,算法具有更好的收敛性。仿真实验表明,在主被动站间距几十千米,目标与主被动站间距几百千米,到达角误差2°左右,到达时间误差20 m左右的情况下,使用交互式多模型算法跟踪目标,收敛误差在百米级别。     

Application of Road Information in Ground Moving Target Tracking

A new algorithm is developed to achieve accurate state estimation in ground moving target tracking by means of using road information. It is an adaptive variable structure interacting multiple model estimator with dynamic models modification （DMM VS-IMM for short）. Firstly, road information is employed to modify the target dynamic models used by filter, including modification of state transition matrix and process noise. Secondly, road information is applied to update the model set of a VS-IMM estimator. Predicted state estimation and road information are used to locate the target in the road network on which the model set is updated and finally IMM filtering is implemented. As compared with traditional methods, the accuracy of state estimation is improved for target moving not only on a single road, but also through an intersection. Monte Carlo simulation demonstrates the efficiency and robustness of the proposed algorithm with moderate computational loads.     

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。     

机动目标的多项式预测模型及其跟踪算法

根据匀变速运动的多项式描述形式,利用多项式预测滤波器对目标状态建模,提出了一种全新机动目标运动的动态模型——多项式预测模型,并针对这个全新的模型给出了相应的最优滤波算法。分析表明：该模型可以精确描述任意可以由多项式描述的目标运动,而不需要已知运动的具体参数,因此相应的最优滤波算法适用于任何可以用多项式描述的机动目标状态估计问题。一个机动目标跟踪问题的计算机仿真证明了本文方法的有效性和实用性。     

改进的特征匹配雷达视频运动目标跟踪算法

针对密集杂波和复杂多目标情况下,特征匹配跟踪算法定位跟踪精度较低的问题,提出一种改进的特征匹配雷达视频运动目标跟踪算法。首先,从单帧雷达图像检测结果中提取目标的面积、位置、不变矩信息,在运动目标得到判定后,利用卡尔曼滤波的预测位置以及上一帧特征信息进行目标匹配;然后,根据匹配位置和预测位置给出目标估计位置,并进行特征信息更新;最后,输出目标的特征信息、位置信息和运动参数。利用某型导航雷达上采集的实测数据验证了算法的有效性。     

用于非线性跟踪问题的一种新的粒子滤波器

机动目标跟踪系统通常是非线性而且不完全观测的 ,所以问题的关键在于每一时刻的目标机动性都是高度不确定的。提出了一种新的平滑粒子滤波算法 ,该算法在粒子滤波器中加入了对系统模型的概率分布密度的平滑处理 ,从而很好的解决了目标的机动性估计问题。在仿真研究中 ,与辅助粒子滤波器的比较验证了本文算法处理非线性跟踪问题的优越性     

基于STF的Jerk模型自适应机动目标跟踪算法

在Jerk模型的基础上,提出了一种新的机动目标自适应跟踪算法STF-Jerk。该算法通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,增强了系统对突发机动的自适应跟踪能力,从而很好地改善了Jerk模型在跟踪机动目标时的跟踪精度。仿真结果表明,提出的STF-Jerk自适应跟踪算法显著提高了Jerk模型自适应算法的机动目标跟踪性能。     

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。     

高超声速滑翔再入飞行器弹道估计的自适应卡尔曼滤波

采用传统状态增广法对高超声速滑翔再入飞行器(HGRV)进行弹道估计,存在模型简化误差过大和过程噪声方差难以构造的问题.依据目标运动特性和模型简化误差定量分析结果,状态方程改进为采用圆形地球模型和拟合大气模型并考虑哥氏力.采用一阶Markov过程描述气动力参数,将过程噪声方差构造为气动力参数方差和机动时间常数的函数,时变气动力参数方差采用“渐消记忆”的统计估计法由气动力参数估计值序列统计获得,而存在跳变的机动时间常数则作为运动模式采用变结构交互多模型法与运动状态一起估计.仿真结果表明,所提算法对位置、速度和气动力参数的估计精度优于传统算法,具有较好的工程实用性、鲁棒性和效费比.