基于强跟踪滤波器的抗“飞点”容错滤波

由于雷达数据在获取和传输中受干扰的影响，数据融合中心接收到的雷达测量数据中常常含有“飞点”。这种测量数据中的异常数据对Kalman滤波具有较严重的不利影响。本文利用强跟踪滤波算法，构造容错策略，使之既可以充分利用正常新息(innovations)确保滤波的精度，又可以有效抑制异常新息的不利影响，从而达到对“飞点”数据的容错能力，保持目标跟踪的性能。最后，通过仿真计算验证了该算法的有效性。     

一种新的机动目标跟踪滤波的模型方法

本文提出了一种新的机动目标跟踪滤波的模型方法。它将目标的机动加速度作为一状态变量引入模型而直接进行估计,并通过卡尔曼滤波器的残差来检测目标机动与否。一旦检测出目标机动,马上重新启动卡尔曼滤波器以适应机动加速度的跳变。新的自适应滤波方法在这种情况下实现了最佳滤波。计算机仿真结果表明,在计算量远少于Moose方法计算量的情况下,本文方法的滤波精度与Moose方法的滤波精度相当。     

基于相关滤波的目标重检测跟踪

近年来，相关滤波方法由于具备运算速度快，鲁棒性强的优势，在目标跟踪领域发展迅速。然而，面对复杂场景时，现有模型难以满足实际需求。针对背景感知相关滤波方法(BACF)在目标发生自身旋转、尺度变换、运动出视野等挑战下，相关滤波器最大响应值减弱，造成跟踪精度下降的问题，提出了一种基于相关滤波的目标重检测跟踪方法。在原有背景感知相关滤波方法的基础上，引入滤波器响应检测机制，当判定到相关滤波跟踪结果不可信时，利用粒子滤波采样策略生成大量粒子，感知目标状态，重新确定目标中心位置。在此基础上，利用自适应尺度估计机制重新计算目标尺度信息，从而实现对目标的重新跟踪。为了验证改进算法的有效性，实验选取了OTB2013、OTB2015、VOT2016共3个公开数据集进行测试，同时与相关滤波及深度学习方法进行对比，从视频属性、跟踪精确度、算法鲁棒性等角度展示所有算法的性能。实验结果表明:基于相关滤波的目标重检测跟踪方法在3个公开数据集中取得较好的实验结果，并在目标发生旋转，尺度变换及运动超出视野的情况下，有效提高了BACF的准确率和成功率。     

静态背景下的目标跟踪方法研究

采用了适合静态背景下的Kalman滤波算法,以目标的位置和速度为状态参数建立跟踪模型,并通过仿真结果验证了此算法可以稳定地对目标进行跟踪。     

基于Sage-Husa的优化粒子滤波算法

针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。     

基于Kalman滤波的核跟踪方法应用分析

人脸跟踪是计算机视觉领域中的一个具有重要应用价值的研究课题,其算法目前主要有两种：一是基于核的算法,是有效的统计迭代算法;二是Kahnan滤波嚣,是最优化自回归数据处理算法。本文探讨的基于Katman滤波的核跟踪方法,融合了上述两种算法的优势,更加有效地实现了人脸跟踪系统,     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于粒子滤波的单站无源定位跟踪新算法研究

针对单站无源定位跟踪系统非线性较强、传统跟踪滤波方法收敛速度、慢容易发散的问题,提出了一种新的跟踪滤波算法P-EKF。该方法采用粒子滤波的思想对目标实现初始的捕捉,然后通过扩展卡尔曼滤波方法对目标进行跟踪保持,提高了目标跟踪收敛速度和跟踪精度,而对计算资源的消耗有限。缩比仿真实验证明了该方法的可行性和有效性,具有较高的应用价值。     

用于机动目标跟踪的Kalman滤波器的设计

机动目标跟踪广泛应用于军事和民用领域。本文针对机动目标跟踪问题,在“当前”统计模型的基础上,实现了Kalman滤波算法在工程上的应用;同时利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,提出了改进的“当前”统计模型自适应滤波算法。工程实践表明,基于改进模型的Kalman滤波算法在跟踪机动目标时具有起好的跟踪性能,同时也极大改善了对一般非机动目标的跟踪能力。     

低频信号的跟踪与提取电路

当现场的测量信号送入计算机或仪表系统进行控制或数据处理时,由于各种干扰,会引起测量信号严重失真,采用本文介绍的这种实用电路可以使设计出的智能仪器性能更加稳定、可靠。例如,由该电路构成的一种微波电子测量仪器如雷达测速仪,目前已用于公路、铁路及其它需要测速、限速的场所,受到了国内外用户的欢迎。该电路组成框图见图1。电路中,低通滤波部分的作用是只允许1.2kHz以下的信号频率通过,这个范围是我们所关心的。带自动增益控制的放大电路的作用是当输入信号快速变化时,确保一个恒定的电平输出;即当输入量增加时,输出量不增加或几乎不增加,使强信号饱和。这两个部分的电路图见图2。跟踪滤波电路能将噪声与信号分别开来,从而能容易地识别出信号,它是低频信号跟踪与提取的关键部分。图3所示是跟踪滤波电路的原理框图。     

一种新的机动目标非线性跟踪算法

描述了一种新的机动目标非线性跟踪算法（简称ＮＬＦ算法），提出了合理了机动似然函数，导出了机动概率估值方程。仿真结果表明，ＮＬＦ算法具有计算量小、跟踪性能好等特点，有较好的工程应用价值。     

自动线性跟踪Butterworth有源滤波器研究

滤波是通信、测试、数据采集和实时控制等领域至关重要的环节。通常的模拟滤波器，由于截止频率固定，在某些宽频率动态范围且有实时性要求的应用场合，往往达不到预期的滤波效果，有时甚至影响整个系统的正常运行。本文从有源滤波器的机理分析入手，提出了一种由单片机参与的滤波系统，它能自动跟踪输入信号频率，线性地选择合适的滤波器截止频率，弥补了原有滤波器的不足。     

几种典型的自适应航迹跟踪滤波算法的介绍和比较研究

对几种常见且典型的自适应航迹跟踪滤波算法进行了介绍，并在卡尔曼滤波基础上开发了一种最简捷可行的截断变维自适应算法。     

基于间歇数据融合的双基地定位跟踪

介绍了双基地系统中二坐标接站辅以Ｔ／Ｒ站间歇高度信息时的三维定位跟踪算法，目的在于提高仅用二坐标接收站测量数据定位跟踪时高度方向的跟踪精度。这一方法能够有效地减少敌方干扰的出现频率，从而使双基地系统有可能充分利用其测量量的冗余来提高定位跟踪精度。     

机动目标跟踪的新算法

机动目标通常不是做恒定的运动,其运动状态会随时间的变化而变化.这就使描述系统运动的状态方程是非线性的,而且系统参数会不断变化.传统的推广卡尔曼滤波适用于定系统定参数的情况,如果运用到机动目标跟踪上会导致误差增大甚至滤波发散.基于此,将强跟踪滤波运用到机动目标跟踪上.强跟踪滤波在卡尔曼滤波的基础上引入了多重渐消因子,使强跟踪滤波具有极强的跟踪能力和较好地鲁棒性,因此可以很好地解决变系统变参数的问题.通过仿真,将强跟踪滤波与UT-BLUE滤波方法和EKF滤波方法进行比较,结果表明了该滤波方法的有效性和优越性.     

结合SAMF和视觉显著性的目标跟踪算法

为提高SAMF算法在复杂场景下的跟踪性能,提出了一种结合SAMF和视觉显著性的目标跟踪算法.在SAMF相关滤波跟踪框架的基础上,通过设计置信度判别策略评价SAMF跟踪结果的可靠性,当认定跟踪结果为低置信度时启用显著性检测算法对其进行修正,从而实现目标的重定位以解决遮挡等因素导致的跟踪漂移问题.实验表明,所提出的改进算法...     

基于能量有效的水下分布式粒子滤波跟踪算法

为降低水下无线传感器网络目标跟踪算法能耗并提高定位精度,提出基于能量有效的分布式粒子滤波跟踪算法(EEPF算法)。EEPF算法通过能量有效的最优分布式动态成簇机制和启发式能量有效的调度算法来平衡水下节点间的能耗,延长网络生存期,并在预测、滤波、重采样阶段对粒子滤波算法进行改进,在保障期望目标跟踪精度的同时降低了运算能耗。仿真结果表明,EEPF算法是一种轻量级的能量有效的目标跟踪算法,该算法能耗低,网络存活时间长,且跟踪精度较传统粒子滤波算法有了较大提高。     

一种高斯分布的调整粒子滤波算法

粒子滤波(PF)方法与传统的非线性滤波方法如扩展卡尔曼(EKF)类方法相比,无需计算Jacobi矩阵,受初始状态影响小而稳定性强,因此粒子滤波方法研究成为非线性滤波研究的热点问题.但在可观测性较差的非线性系统滤波中常用的普通粒子滤波方法(GPF)易受退化、采样枯竭等因素影响而在可能会引起滤波误差大甚至不收敛等问题.本文提出了一种高斯分布的调整粒子滤波跟踪算法,即在粒子再采样后加上一定的高斯噪声分布调整粒子分布,以产生更接近真实状态的粒子.经过只测角定位跟踪举例仿真表明,本文方法具有较高的滤波精度.     

一种消除接收机闪锁的软件滤波算法

针对接收机向伺服控制设备提供的跟踪信号，在复杂环境条件下受到干扰发生信号跳变，出现闪锁现象，进而影响伺服设备的连续跟踪问题，文中提出了一种软件滤波算法。将其应用在伺服控制软件中，可以完全消除噪声对跟踪信号的影响，极大地提高了系统的跟踪性能。