基于IMM-UKF的协同式车辆运动状态跟踪算法

为了提高车辆运动状态的跟踪精度,在路侧传感网信息融合的基础上,提出了一种改进的车辆运动状态估计方法.采用匀速直线运动模型和匀速转向运动模型建立了多模型的汽车行驶状态方程,利用马尔科夫链进行模型切换.同时引入无迹卡尔曼滤波算法,根据前一时刻的运动状态和当前观测值,对车辆行驶的运动状态参数进行估计.结果表明,改进的多模型数据融合算法与单模型相比,轨迹和速度跟踪误差分别降低了86. 8%和78. 6%,有效地提高了车辆运动状态跟踪的精度.     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

基于扩展卡尔曼滤波的汽车行驶状态估计

在车辆行驶中,某些状态参量的准确获取对线控转向系统有着重要的作用,但状态参量测量成本高或难准确测量.因此,针对汽车线控转向系统,为了以较低成本获取准确的车辆运动状态,先建立一个三自由度的非线性车辆模型,搭建多传感器网络(转角传感器、加速度计)采集车辆行驶状态;应用扩展卡尔曼滤波理论建立信息融合算法,通过易测的车辆状态信息(转向盘转角、纵向加速度、侧向加速度)融合得出所需的难测车辆状态(横摆角速度、纵向车速);最后搭建仿真平台在双移线工况和角正弦工况下进行仿真验证,并且与无迹卡尔曼滤波算法估计结果进行对比.结果表明,该估计算法能够准确的估计出车辆行驶过程中的状态参数.     

基于特征组合的多人脸跟踪算法

提出了一种融合肤色特征、ORB特征和运动状态估计的多人脸跟踪算法.该算法以多线程跟踪为基础,根据不同跟踪算法的适用特点,在未受肤色干扰时依靠基于分块加权的改进Camshift算法跟踪,在受干扰时则结合包含尺度变化的ORB特征匹配算法进行跟踪.算法同时利用Kalman滤波器修正跟踪误差,以提高跟踪效果.实验表明,基于特征组合的多人脸跟踪算法具有较好的跟踪准确性和实时性.     

基于联合概率数据融合的多目标车辆安全跟随

为了实现密集杂波环境下多目标车辆安全跟随，提出多源传感器数据融合的多目标车辆跟踪算法与纵向避撞预警策略.针对多源传感器观测序列因采样周期、采样起始时刻、通信时延差异等引起的时间异步，以及空间上存在不同维度、不同坐标系的问题，给出时间配准与空间融合的软同步方法.采用基于改进的联合概率数据关联(JPDA)的单一传感器多目标状态估计算法对目标轨迹进行滤波估计，能够在保证有效关联的同时，在一定程度上降低计算复杂度.基于多源传感器联合概率数据融合(MSJPDA)序贯滤波算法对目标的运动状态进行序贯更新，将最后一级的输出作为融合中心的最终状态估计，再根据威胁估计模型对追尾危险的发展态势进行评估与分级.实车试验与仿真结果验证了该算法的可行性与有效性.     

基于联合概率数据关联的车用多传感器目标跟踪融合算法

针对智能车辆前向多传感器多目标跟踪融合问题,提出一种基于改进的联合概率数据关联的车用多传感器跟踪融合算法。首先,根据车辆坐标系和各传感器坐标系的相对运动关系,对多传感器数据进行坐标变换,之后采用基于改进的联合概率数据关联的单传感器多目标跟踪算法、基于相关序贯关联法的多传感器关联算法和凸组合融合算法实现了对目标的稳定跟踪与准确融合。最终,通过装备毫米波雷达和摄像头的实验车在实际交通环境下进行实车试验,试验结果表明:目标被稳定跟踪且融合结果具有良好的精度,验证了算法的可行性和有效性。     

群目标跟踪自适应IMM算法

为提高对机动群目标在高量测误差下的跟踪性能,提出了一种自适应IMM群目标跟踪算法.首先,在群质心状态估计中,引入带有多重次优渐消因子的强跟踪滤波算法,提高机动阶段时对群质心状态估计的精度.其次,在扩展状态估计中,考虑量测精度对于扩展状态的影响,将量测误差和扩展状态同时纳入到量测似然函数的构建中,应用新息计算和渐消记忆迭代过程自适应更新量测误差协方差矩阵.最后,通过quasi-Bayesian方法自适应更新模型转换概率,利用量测数据修正模型转换概率,抑制非匹配模型作用,放大匹配模型作用,实时匹配跟踪模型与目标运动状态.仿真实验结果表明,该方法有效提高了对群质心状态和扩展状态的估计精度.     

车载毫米波雷达对前方目标的运动状态估计

基于对汽车前方目标运动特点和车载雷达信息检测机理的分析,在大地坐标系、本车的车辆运动坐标系和车载雷达运动坐标系的相对运动关系基础上,考虑了地面车辆运动以地表平面上二维运动为主、机动性小、跟踪坐标系运动的特点,建立了基于车载雷达运动坐标系的前方目标的运动状态模型。并考虑到系统过程噪声及雷达等车载传感器观测噪声的统计特性难以事先确定的问题,采用自适应卡尔曼滤波算法实现了前方目标的侧纵向速度和侧纵向位置等运动状态的完备准确实时估计。最终通过真实道路交通环境下装备毫米波雷达和高精度汽车状态测试系统的实车对比试验,对算法的可行性和估计精度进行了试验验证,试验结果显示:估计结果具有良好的精度,且长时间跟踪过程中滤波收敛稳定。     

一种基于“当前”统计模型的GPS/DR组合定位算法研究

针对"当前"统计模型在实际应用中存在的问题,给出了一种改进的"当前"统计模型,并将其应用于GPS/DR组合定位系统的数据融合中.实验结果表明:使用该算法的定位系统无需任何参数的预先设定,即可实现对系统方差的自适应调整,对车辆的各种运动状态进行准确跟踪.     

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.     

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...     

基于运动预测的改进ORB-SLAM算法

针对不同运动场景下以固定的点特征提取与匹配策略的ORB-SLAM算法存在系统跟踪定位误差较大的问题,考虑相机自身运动对视觉SLAM系统的影响,提出基于运动预测的改进ORB-SLAM算法.该方法利用上一帧的点特征利用率和匀速运动模型,预测出相邻2帧之间的共视范围,实时动态调整不同运动状态下的点特征提取阈值,在保证系统稳定性的情况下,提高系统的准确性.提出基于运动预测的点特征匹配优化策略,基于匀速运动模型快速确定出共视范围内的有效待匹配点,结合图像金字塔缩小匹配搜索范围,减少大量的无效匹配过程.在TUM数据集上进行对比实验,结果表明,提出的算法不仅实时性好,而且提高了系统的精度.     

基于矩阵加权多模型融合的认知跟踪波形设计

针对机动目标状态跟踪问题,认知雷达能够调整发射端波形来获取持续、稳健目标跟踪信息.本文基于矩阵加权多模型融合思想引入一种新的面向机动目标跟踪的认知雷达自适应波形设计方法(Adaptive waveform design method based on Matrix-weighted Interacting Multiple Model,AMIMM).首先,利用多模型思路对机动目标状态进行建模,并考虑各模型目标状态估计及其误差协方差矩阵中元素间相关性,以矩阵加权融合方式代替传统概率加权方式,进而构造基于矩阵加权多模型信息融合的跟踪算法框架;然后,以多模型状态融合后的状态估计误差协方差矩阵为基准,利用特征值分解(Eigen Value Decomposition,EVD)技术求取融合后状态估计误差协方差矩阵对应椭圆参数;最后,通过分数阶傅里叶变换(fractional Fourier transform,FrFT)来旋转雷达量测误差椭圆,使得量测误差椭圆与融合后目标状态估计误差椭圆正交,从而获得下一时刻认知波形参数,实现波形自适应捷变.仿真实验表明,与当前流行多种算法相比,本文所提算法能够进一步提高机动目标跟踪精度和稳健性.     

一种自适应高超声速目标跟踪算法

根据临近空间高超声速目标运动特点,建立了临近空间高超声速目标飞行模型.在Singer模型基础上,针对跟踪临近空间高超声速目标时采样时间为一定值的缺点,运用交互多模型算法,并引入跟踪采样时间间隔实时递推公式法,提出了一种采样时间自适应的高超声速目标跟踪算法.仿真实验表明,相比改进前的算法,新算法虽然在初始阶段因为采样初始值设置不合理,造成局部误差相对比较大,但总体上来看,改进后算法在跟踪精度上明显优于改进前算法.     

融合运动信息和跟踪评价的高效卷积算子

针对基于方向梯度直方图与颜色命名的高效卷积算子(ECO-HC)算法缺少跟踪质量评价和滤波模板更新监督机制的问题,提出融合运动信息和跟踪评价的高效卷积算子. 将卡尔曼滤波器加入ECO-HC跟踪定位框架对目标执行联合跟踪,设计高置信度判别指标评价ECO-HC对每帧图像的跟踪效果,使用原始跟踪结果和卡尔曼滤波预测值的加权融合值,修正不满足判别指标的跟踪结果. 在滤波模板隔帧更新策略的基础上,加入当前帧跟踪结果质量评价信息,当2个条件同时满足时执行模板更新. 依托公开数据集OTB-2015评估算法性能,结果显示改进算法整体跟踪精确度、成功率和跟踪速率均优于原算法,在运动模糊、低分辨率、离开视野场景中的精确度分别提高3.0%、3.5%和2.8%,成功率分别提高3.8%、2.1%和4.0%. 改进算法在保证实时性的同时,有效提升了复杂场景下的跟踪效果.     

智能车辆弧线跟踪控制算法

建立了车辆预瞄运动学模型,通过最优控制选取切换超平面,采用滑模变结构控制实现了智能车辆弧线跟踪中弧线曲率小变化时的导航控制。根据模糊控制快速跟踪弧线曲率大变化时的导航路径,结合车辆转向系统当前状态和最快动态响应能力建立了智能车辆弧线跟踪时的变结构控制输出集。仿真分析和实验验证了该融合控制算法在智能车辆弧线跟踪过程中的平稳性和可靠性。     

广义合作目标跟踪的误差空间估计方法

提出了广义合作目标的概念及误差空间估计方法,提高了光电跟踪系统的跟踪精度与平稳性。该方法采用引导数据与引导误差描述目标的运动,通过将目标的机动分散到引导数据和引导误差,在目标状态空间中根据目标的运动模型进行滤波,在误差空间中根据引导误差模型进行滤波与预测,再进行合成得到目标位置预测数据。实验结果表明在相同的机动水平下,该方法的跟踪性能优于Kalman滤波与强跟踪滤波。     

对光照变化鲁棒的多特征动态提取跟踪算法

针对视觉跟踪算法光照自适应能力差的问题,提出了一种对光照变化鲁棒的多特征动态提取跟踪算法。该算法采用高效克服光照影响的特征提取方法,颜色子模型采用模糊直方图方法获取,在同态滤波基础上建立边缘子模型,运动子模型采用改进的三帧差分法提取。该算法还定义了一个新的特征融合模型,把多种互补的观测子模型动态融合,增强了观测模型的准确性,合理量化特征的可靠性使跟踪更稳定。同时采用改进的粒子重采样方法提高了跟踪准确度。实验结果表明,该算法能有效地避免光照变化对跟踪的影响,具有较好的鲁棒性。     

元胞驻留视频群体状态预报方法

视频场景人群状态预报是防止公共场所安全事故的一种重要措施．为此提出了一种视频场景群体状态预报模型．该模型使用格内驻留元胞自动机(inner-grid parking cellular automata, IPCA)模型预报视频中群体状态．首先,通过光流法进行运动跟踪作为IPCA的输入特征对场景进行建模,并根据特征点的运动状态自适应地调整其在元胞格内的驻留时间以提高预报精度;其次,通过分析IPCA模型的预测结果判断群体微团间的相互作用得到视频帧的状态信息,从而达到对场景中人群状态进行预报的目的;最后,利用当前场景的状态信息对该场景的预报输出进行反馈校正,使模型能够及时地反映场景中群体状态的变化,该模型不依赖于具体的视频帧,以微团结构的碰撞作为异常检测依据．实验结果表明,与传统的检测方法相比,该预报模型能够提前预报视频场景中的异常状态,并具有较好的准确性．     

基于改进YOLOv3的复杂场景车辆分类与跟踪

针对天气条件和车辆间相互遮挡对车辆分类与跟踪准确性和稳定性的影响,提出一种基于改进YOLOv3与匹配跟踪的混合模型。改进的YOLOv3网络参照密集连接卷积网络的设计思想,将网络中的残差层替换为密集卷积块并改变网络的设计结构,利用Softmax分类器将密集卷积块与卷积层中融合的特征进行分类。根据单帧图像的检测结果,设计目标匹配函数解决视频序列中车辆的跟踪问题。在KITTI数据集的测试中,改进算法的平均准确率为93.01%,帧率达到48.98帧/s,在自建的数据集中平均识别率为95.79%。试验结果表明,本研究方法在复杂场景中能够有效的区分车辆种类且准确性更高,车辆跟踪的算法具有较高准确性和鲁棒性。