IMM算法在红外焦平面阵列非均匀性校正中的应用

以连续图像序列作为观测数据时,卡尔曼滤波法校正焦平面阵列非均匀性的效果取决于状态模型中漂移系数的选取。针对这一问题,提出应用交互多模(IMM)算法,建立两个状态模型拟合响应参数不存在漂移和漂移剧烈的极限情况,融合估计探测单元的响应参数。实验结果表明IMM算法对非均匀性具有较好的校正作用,且对响应参数的初始状态及漂移系数的选取具有较好的稳健性。     

红外焦平面非均匀校正快收敛卡尔曼滤波算法

卡尔曼滤波算法在迭代过程收敛之前无法有效抑制红外图像的非均匀性噪声。因其收敛速度慢,严重影响了图像的整体校正效果。由于迭代过程的收敛速度与初始状态参数密切相关,提出了一种采用优化的初始状态参数的改进卡尔曼滤波算法。优化的初始状态参数通过对用于两点校正的校正参数进行转换并对其结果进行统计得到。对于真实的红外图像序列实验结果显示,传统卡尔曼滤波算法在经过数次迭代之后才进入收敛状态,改进该算法必须从一开始就已经接近收敛状态。实验结果表明:与传统算法相比,改进算法收敛速度快,对起始段图像序列的非均匀校正效果有明显改善。     

一种改进型的粒子滤波器

针对复杂背景条件下图像序列中跟踪运动目标的问题,提出一种改进的粒子滤波图像跟踪算法,该算法利用遗传算法的研究成果,采用选择、交叉、变异等步骤实现对粒子的重采样,解决了粒子滤波器所面临的粒子退化和匮乏问题.由于该算法利用了遗传算法的全局寻优特性,因此该算法具有较强的稳健性.同时,粒子滤波可实现非线性非高斯状态空间模型的最优估计,将该粒子滤波用于目标跟踪,具有较好的过遮挡能力.实验结果表明,该算法状态估计性能好,能够很好地实现复杂图像序列中的目标跟踪.     

一种水下被动目标纯方位跟踪方法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪的思路.该算法直接利用传感器获得的含有噪声的角度数据,通过改进极坐标系下的系统方程得到目标状态的后验概率分布,来估计目标的运动状态.仿真结果表明该算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法.     

强跟踪变分贝叶斯自适应卡尔曼滤波算法

针对线性高斯状态空间模型中的噪声统计特性时变时,变分贝叶斯自适应卡尔曼滤波效果会受影响的问题,提出了基于强跟踪原理的改进算法。该算法选择测量噪声模型为逆Wishart分布,将系统状态与时变的测量噪声协方差作为待估参数,利用变分贝叶斯方法对二者迭代递推估计。测量噪声协方差的最优估计结果再作为时变参数引入到基于强跟踪原理的次优渐消因子中,以提高其对状态预测协方差的修正精度。仿真结果表明,改进算法在噪声时变的线性高斯系统中能自适应地跟踪测量噪声协方差,有效克服过程噪声协方差时变的影响,估计结果的收敛速度和精度有很大改善。     

复杂环境下基于自适应粒子滤波器的目标跟踪

提出一种基于目标颜色特征的自适应粒子滤波算法,在非遮挡情况下,根据运动预测的准确程度自适应选择粒子数量和运动模型中高斯噪声的方差,保证跟踪的实时性和粒子的有效性;遮挡情况下改变目标的运动模型,使粒子只做布朗运动,并且各粒子经均值漂移算法的一步迭代进行优化,从而可以减少粒子数量以及更快恢复正确的跟踪.实验结果表明该算法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.     

基于粒子滤波的弹道目标跟踪

弹道目标再入段的运动受到空气阻力、重力等力的影响,具有明显的非线性特征.传统的卡尔曼滤波是线性、高斯问题的最优滤波器,但无法处理非线性的估计问题.扩展卡尔曼滤波利用泰勒级数展开把非线性方程线性化,是解决非线性估计问题的有效算法;而近些年来出现的粒子滤波以其解决非线性问题的卓越性能,得到了迅速发展.文章对弹道目标再入段的运动特征进行研究,建立了目标的状态空间模型,并应用扩展卡尔曼滤波和粒子滤波实现了对弹道目标的跟踪.通过比较仿真结果,证明粒子滤波比扩展卡尔曼滤波精度更高,对噪声的抑制能力更强,也更稳定.因而具有重大的研究意义.     

基于增量学习的红外目标粒子滤波跟踪方法

针对红外图像序列中目标与背景的对比度低、灰度特征易受噪声影响等特点,提出了一种基于增量学习目标表观模型和粒子滤波的红外目标跟踪方法。通过在线学习机制,利用增量奇异值分解算法对图像特征空间的基向量进行准确更新,从而建立红外目标的鲁棒表观模型。在此基础上,采用粒子滤波对目标状态进行有效预测,实现了红外目标的有效跟踪。实验结果表明,该方法能有效、准确地跟踪红外图像序列中的运动目标。     

角闪烁背景下基于IMM算法的末制导雷达目标跟踪

为了抑制末制导雷达目标跟踪过程中的角闪烁噪声,对闪烁噪声的统计特性进行了分析,建立了符合其分布的统计模型及系统的状态空间模型,用交互多模型算法解决了角闪烁背景下的目标跟踪问题;并根据该问题的特点,对IMM算法进行了简化.仿真结果表明,用交互多模型方法抑制角闪烁噪声是非常有效的,基于转换卡尔曼滤波的IMM算法比基于扩展卡尔曼滤波的IMM算法具有更高的跟踪精度;简化的IMM算法虽然在跟踪精度上不如基本的IMM.但仍然达到了很好的滤波效果,而且大大降低了计算的复杂程度,是一种更符合工程实际的抑制角闪烁噪声的方法.     

一种新的基于粒子滤波的多模型跟踪算法

粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。