基于Unscented信息滤波器的分布式目标融合跟踪

针对无线传感器网络下的非线性运动目标跟踪问题,提出一种基于Unscented信息滤波器的分布式融合跟踪算法。该算法在信息滤波器框架下将Unscented变换与扩展信息滤波器相结合,有效地解决了运动目标和量测的非线性。在网络拓扑结构和通讯带宽的约束下,利用卡尔曼一致性滤波算法对所有传感器节点估计值进行分布式信息融合。仿真结果表明了该算法的有效性和优越性。     

非信任环境中一致卡尔曼滤波的数据融合算法

针对非信任环境下数据融合时感知数据的可靠性问题,提出了此环境下攻击节点判定算法,并采用一致估计的分布式卡尔曼滤波算法实现动态目标跟踪。该算法能有效识别攻击节点并对其篡改数据做相应处理,减小篡改数据对数据融合的影响。仿真结果验证了所提算法的有效性,准确实现了动态目标跟踪。     

多传感器跟踪型数据滤波融合算法

在实际系统中，常用的数据融合方法是基于扩展的卡尔曼滤波法的融合算法，但是这种融合算法的跟踪精度并不是很高，通过对滤波跟踪数据融合的研究，提出了基于转换测量值卡尔曼滤波算法的非线性系统中的数据融合方法，研究表明，在利用激光干涉仪进行目标跟踪时，这种基于融合算法的集中式融合算法的跟踪性能优于分布式融合算法，但是，从仿真结果可以看出，两种融合算法的差别并不大，结果基本相同，因此，在非线性系统中，基于转换测量值卡尔曼滤波算法的分布融合算法可以重构集中式融合算法。     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法.在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪.算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计...     

基于PDA的非线性分布式跟踪算法

研究目标不确定性量测、不确定性机动环境下的分布式多雷达跟踪。针对目标未知机动，把交互多式模型算法中的模型样本空间分成若干子集，分别在多个处理器上进行并行滤波，再在融合中的处理器上将各子处理器结果进行交互处理，形成了分布交一线式多模型算法，然后将它与概率数据关联ＰＤＡ相结合，得到了一种新的分布式鲁棒跟踪算法。     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

基于分布式子空间方法的DOA估计

针对集中式子空间方法的DOA估计需要融合中心的问题,采用分布式子空间的方法进行DOA估计。分布式算法无需设置用于将所有节点的数据传递到数据融合中心的路由,仅有相邻节点之间进行通信,每个传感器仅仅估计其在子空间矩阵中所对应的行。仿真结果表明,分布式算法可以达到与集中式算法相似的性能,即能很好地跟踪信号协方差矩阵的主子空间,将其应用于DOA估计,能准确分辨出几个源信号。分布式算法解决了集中式算法数据集中处理所带来的难题,为大规模传感器网络的一些重要问题提供了解决方法。     

WSN中基于FCM算法的多目标跟踪数据融合

基于LEACH（低功耗自适应聚类路由算法）路由协议， 研究了多目标跟踪的数据融合方法. 在基于模糊聚类（FCM）算法进行数据融合设计时，发 现算法存在错误跟踪、丢失新目标和重复跟踪的问题. 针对这些问题产生的原因进行了详细 的分析，并提出了改进，使FCM算法更好地应用于传感器网络.     

WSN中基于FCM算法的多目标跟踪数据融合

基于LEACH（低功耗自适应聚类路由算法）路由协议， 研究了多目标跟踪的数据融合方法. 在基于模糊聚类（FCM）算法进行数据融合设计时，发 现算法存在错误跟踪、丢失新目标和重复跟踪的问题. 针对这些问题产生的原因进行了详细 的分析，并提出了改进，使FCM算法更好地应用于传感器网络.     

监控系统中的多摄像头协同算法

提出了一种监控系统中的多摄像头协同算法(PDA).该算法引入了依赖目标可见性的权函数、任务优先级、目标与摄像头之间的距离,根据这些参数来选择最合适的摄像头,将其分配给距离摄像头最近、且有最高优先级的目标.为了可靠地跟踪目标,使用了多摄像头协同系统中的数据融合方法.在分布式监控系统中验证了PDA和数据融合方法.实验结果表明,提出的PDA算法能协同多摄像头可靠地跟踪人.     

Distributed Radar Target Tracking with Low Communication Cost

In distributed radar, most of existing radar networks operate in the tracking fusion mode which combines radar target tracks for a higher positioning accuracy. However, as the filtering covariance matrix indicating positioning accuracy often occupies many bits, the communication cost from local sensors to the fusion is not always sufficiently low for some wireless communication channels. This paper studies how to compress data for distributed tracking fusion algorithms. Based on the K-singular value decomposition (K-SVD) algorithm, a sparse coding algorithm is presented to sparsely represent the filtering covariance matrix. Then the least square quantization (LSQ) algorithm is used to quantize the data according to the statistical characteristics of the sparse coefficients. Quantized results are then coded with an arithmetic coding method which can further compress data. Numerical results indicate that this tracking data compression algorithm drops the communication bandwidth to 4% at the cost of a 16% root mean squared error (RMSE) loss.     

基于无线传感器网络的分散目标跟踪：实际测试平台的开发应用（英文）

In the real world, centralized tracking in a largescale wireless sensor network (WSN) may not be feasible due to the possible failure of fusion centre and the large communication delay in forwarding measurement data to the fusion centre. Distributed target tracking techniques can be employed by tasking sensor nodes near to the target to perform sensing, target state estimation and selection of future tasking sensor nodes. In this paper, the development and implementation of a prototype ultrasonic WSN testbed to demonstrate distributed target tracking using the Extended Kalman Filter (EKF) algorithm is described. In the testbed, a mobile robot is used to simulate the moving target, and static／mobile sensor nodes are deployed to detect and track the target. The sensor nodes and robots are equipped with sonar and MICAZ to receive and process instructions. Experimental evaluation of a number of sensor scheduling schemes are reported which shows the superior tracking performance of our distributed competition based sensor scheduling scheme.     

GLMB extended target tracking based on one-step data association

Due to the inseparability of measurements in neighborhood scenarios, the tracking performance of the traditional extended target tracking algorithm would degrade. In this paper, a new extended target tracking algorithm based on one step data association is proposed to solve the problem. First, the algorithm models the target with a multiplicative noise model. And then, the one step data association method in the Joint Probabilistic Data Association (JPDA) theory is combined with a Generalized Labeled Multi-Bernoulli (GLMB) filter. Simulation results show that the algorithm can track the target in cross and neighborhood scenarios effectively and that it is superior to the traditional extended target tracking algorithms based on measurement partition in estimation accuracy.     

视频监控系统中的多摄像头跟踪优化设计

针对分布式广域视频监控系统,提出了一种基于多摄像头融合的跟踪优化方法.该跟踪优化算法根据目标优先级和目标在各个摄像头中的遮挡状态及其分割图像大小进行数据加权融合,优先分配高优先级目标给具有最佳权值的摄像头进行跟踪,并动态平衡各个摄像头的跟踪负载,将跟踪负载过重的摄像头中的低优先级目标分配给其他摄像头进行跟踪.为了有效地建立重叠摄像头之间目标的对应关系,对于摄像头远离监控地平面和目标的场景,通过摄像头监视背景图像之间的SIFT特征匹配自动生成对应点,利用这些对应的关键点确定重叠摄像头之间的单应性变换矩阵参数,再根据目标质心坐标之间的单应性变换进行一致性匹配;对于摄像头近邻监控地平面和目标的场景,通过目标分割图像之间的SIFT特征进行一致性匹配.实验结果表明:该方法能有效地实现广域监控场景中多摄像头的协同跟踪,达到了较高的跟踪性能.     

杂波环境下雷达组网的多目标聚类融合跟踪

多传感器多目标跟踪是信息融合技术在目标跟踪领域的应用范例,数据关联是其中的关键技术之一.对于杂波环境下的组网雷达多目标跟踪,讨论了粗、精关联相结合的数据关联方法.先用基于跟踪门限算法进行粗关联,排除部分杂波,再用模糊C-均值算法模糊聚类来实现关联.通过把多传感器跟踪问题转化为多个单传感器跟踪问题,更有效地实现关联,最后融合量测,滤波后得到目标的状态估计.用该算法对目标进行蒙特卡罗仿真,其比改进前的模糊C-均值关联算法和最近邻域算法在杂波环境下更能有效实现数据关联.     

分层卡尔曼滤波融合精度的研究

目的分析了传统分层卡尔曼滤波融合算法,指出传统卡尔曼滤波融合算法不能很好地提高跟踪精度且算法复杂的缺陷,提出了一种加权分层卡尔曼滤波融合算法,方法应用理论分析和蒙特卡洛仿真方法,对传统融合算法和新算法进行比较,并给出了各种情况下均方根误差的统计值比较,结果分层融合算法并不优于加权平均和反馈加权平均算法,加权及反馈滤波融合算法原理简单、数据处理量小、速度快、容错性好,结论加权分层融合算法特别适用于失效传感器的处理,特别当一传感器有较大的绝对误差和相对误差或与其它的传感器的采样周期略有不同和与其它传感器采样不同步时,将融合结果反馈给单传感器,可提高各单传感器的跟踪精度。     

基于模糊逻辑的多特征融合的粒子滤波跟踪算法

传统粒子滤波跟踪方法采用单一的特征信息,存在跟踪精度低、鲁棒性弱的缺点,为此本文提出了一种基于模糊逻辑的融合颜色和局部二值模式(LBP)的粒子滤波跟踪方法,提高了目标跟踪的精度。首先,提取出能够表征目标的局部二值模式和基于核函数的加权颜色直方图两种信息;然后,利用模糊逻辑的方法对两种特征进行有效的自适应融合。大量试验表明本文算法在复杂环境下能够进行有效的跟踪,具有较强的鲁棒性和准确性。     

结合稳健估计和Meanshift的视频目标跟踪算法

针对Meanshift目标跟踪算法对强噪声环境敏感的问题,提出了一种结合稳健估计和传统Meanshift的修正Meanshift算法.通过稳健估计修正传统Meanshift算法的核概率密度函数,提升Meanshift算法的鲁棒性.针对信噪比分别为60、30和0 db的仿真数据,将传统Meanshift算法和修正Meanshift算法的跟踪轨迹准确性和精度进行对比.结果表明,修正Meanshift算法能够实现目标准确跟踪,且跟踪位置的相对误差在1%以下.对于实际运动目标视频数据,所提算法也可以实现实时跟踪定位,克服了传统Meanshift算法目标跟踪丢失的问题.     

炮兵系统多目标定位与跟踪建模

研究炮兵系统多传感器多目标定位和跟踪的建模方法.建立了炮兵系统多传感器信息融合模型的总体结构,在闭环和聚类概念的基础上,提出了一种简单可行的融合算法,并给出了状态估计的最优解.仿真结果证明了在稀疏目标环境下,这种算法对于多静态目标定位和多运动目标跟踪是行之有效的.这种方法可直接用于炮兵C3I系统.