基于辅助粒子滤波的机动弱目标TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波(MMPF)相结合的检测前跟踪(APF-MMPF)算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。     

基于辅助粒子滤波的机动弱目标 TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波（ MMPF）相结合的检测前跟踪（ APF-MMPF）算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。     

被动传感器阵列中基于粒子滤波的目标跟踪

针对被动传感器阵列中的机动目标跟踪问题,该文提出了一种基于多模Rao-Blackwellized粒子滤波的机动目标跟踪新方法。算法首先基于Rao-Blackwellization理论将机动目标跟踪问题划分为模型选择和目标跟踪两个子问题;采用多模Rao-Blackwellized粒子滤波对目标运动模型进行选择,扩展Kalman滤波对目标进行更新,有效降低了抽样粒子状态维数,节省了计算时间;最后,建立了被动传感器阵列的非线性观测模型。实验结果表明,提出方法可以有效地对目标模型进行选择,算法的跟踪性能及稳定性要好于交互多模型(IMM)方法。     

基于交互式伯努利滤波的机动目标TBD算法

低信噪比环境下,原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli)检测前跟踪(TBD)算法,该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测,利用伯努利滤波对目标粒子进行递归,粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测,使得预测粒子更加接近目标真实运动状态,兼备了伯努利TBD算法和交互式多模算法的特点,可用于处理低信噪比环境下机动弱目标检测跟踪问题,且对目标状态的估计更加精准。仿真实验表明,该滤波器能够实时地估计出目标位置,比传统的伯努利TBD算法具有更好的滤波性能。     

基于多模粒子滤波的机动弱目标检测前跟踪

检测前跟踪技术是低信噪比环境下目标检测与跟踪的有效方法。该文针对目标作复杂运动的情况,提出了机动弱目标检测前跟踪的多模粒子滤波算法。该算法在目标状态矢量中增加了表示目标存在与否以及目标运动模型的变量,采用粒子滤波实现了包含两个离散变量的混合滤波过程。仿真试验表明,该算法在经典跟踪方法难以发挥作用的低信噪比条件下,能够有效实现机动目标的检测与跟踪。     

优化的多模型粒子滤波机动微弱目标检测前跟踪方法

在机动微弱目标的检测和跟踪方面,当前主要研究方法之一是多模型粒子滤波检测前跟踪（MMPF-TBD）,该方法以尽可能多的运动模型去匹配目标的机动,符合运动模型精细化研究方向,但存在模型数目与类别较多,模型之间转移计算复杂和有效模型使用效率低等问题。本文从多个运动模型结构上的相似性出发,提出一种优化的多模型粒子滤波检测前跟踪方法,通过粒子机动加速度的变化,在一个模型框架下模拟出类似MMPF TBD中的多种机动模型,简化了算法结构;在该方法实现过程中,采用辅助粒子滤波提高状态估计精度。仿真实验表明该方法相比MMPF-TBD具有更稳定的检测和跟踪性能以及在低信噪比环境中更好的适用性。      

基于道路约束的粒子滤波检测前跟踪算法

标准的多模型粒子滤波检测前跟踪技术是在低信噪比环境下检测与跟踪机动性的微弱目标的有效手段。但是由于其采用固定的运动模型数量,当运动模型数量过大时,模型之间的竞争会导致性能的下降。针对此问题,利用道路信息提出了一种变结构的多模型粒子滤波检测前跟踪算法。在每一时刻,根据目标的估计状态和挖掘的道路信息自适应地更新和改变运动模型集以能够选择更加有效的模型集,同时减少了模型数量,并且利用道路信息对目标的运动状态进行约束和限制。最后通过Monte Carlo仿真实验表明,基于文中所提出的算法在检测跟踪性能方面明显优于标准的多模型粒子滤波检测前跟踪算法。     

卡尔曼粒子滤波中基于精确运动模型的局部区域估计

粒子滤波广泛应用于对精度和稳定性要求较高的目标跟踪,但其计算量大,并且计算复杂度随着状态量和粒子数目增长迅速增加。将目标跟踪转化为由粗到精的搜索过程,提出了一种基于精确运动模型的改进分层卡尔曼粒子滤波算法。该方法利用加速度的运动模型在真实目标位置的周围估计目标的散布范围,并在该范围内随机生成粒子,寻找精确的目标位置。文中引入加加速度模型主要是由于现有方法的状态量阶数不足,导致模型精确度较低,无法应对大机动目标的跟踪。因此,引入了高阶状态变量加加速度,并将其用于改进分层卡尔曼粒子滤波的运动模型。利用分层卡尔曼粒子滤波、粒子滤波以及提出的方法进行了跟踪试验,结果表明,基于精确运动模型的改进分层卡尔曼粒子滤波模型的跟踪方法能够提高线性运动的预测精度,实现复杂环境下精确稳定的跟踪。     

一种自适应基于纹理和颜色特征的目标跟踪算法

针对运动目标进行跟踪,常采用粒子滤波跟踪算法。为了减少相似背景像素点及光照变化对机动目标跟踪的干扰,采用了基于目标纹理特征和颜色特征融合的自适应粒子滤波算法,通过采用了不同的状态转移模型和观测模型,根据不同的跟踪环境进行自适应选择,并给出了相应的实验结果。实验结果表明,该算法在跟踪的性能和鲁棒性方面有所改进。     

一种用于搜索雷达的交互多模型跟踪滤波算法

跟踪滤波算法是雷达数据处理的重要组成部分。受搜索雷达采样数据率的限制,当目标机动时,滤波器跟踪严重滞后、跟踪精度差。针对该问题,提出了基于α-β滤波和α-β-γ滤波的交互多模型跟踪滤波算法。将目标的运动状态映射到目标的运动模型,根据运动模型构造相应的滤波器,多个滤波器并行工作,实时计算每个滤波器的残差,根据滤波的残差和先验知识选择适应目标当前运动状态的滤波器输出目标预测信息。仿真结果表明,该算法在目标机动与非机动情况下均能有效跟踪目标,具有较好的适应性与滤波精度。     

基于粒子滤波理论的雷达多目标TBD检测

粒子滤波理论适用于在非线性和非高斯环境下的目标跟踪与检测。文中基于序列重要性采样定理,提出了模型环境和多雷达目标检测的递归贝叶斯TBD算法。此算法在基本粒子滤波算法SIR的基础上,采用多模型粒子滤波器实现了多雷达目标的检测。仿真结果表明,算法能够有效地进行目标跟踪与检测。     

一种新的基于似然比的弱目标TBD方法

在当前基于粒子滤波的检测前跟踪(PF-TBD)算法中,通常是利用累积似然比去检测目标,由于能量累积的效果,无法快速检测到目标的消失。针对这个问题,提出了一种新的基于似然比的检测前跟踪方法。该方法运用单个时刻的似然比进行目标有无判别,并结合多个连续时刻的判别结果给出最终的目标检测结果。仿真结果表明,与传统的基于似然比的弱目标检测前跟踪方法相比,该方法能够减小目标出现时的检测延时,并且能够有效地检测到目标消失。     

改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计（CS）模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器（STF）的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。     

两种TBD算法在HPRF-PD雷达应用中的比较

在低信噪比环境中检测和跟踪运动目标是目标跟踪的重要内容,TBD是弱小目标检测与跟踪的有效方法,不同的TBD方法在检测跟踪性能及运算量上有不同的特点.针对HPRF-PD雷达的应用,建立了目标的动态模型和观测模型,给出了动态规划和粒子滤波TBD算法的原理及实现流程,并对各步骤的实现进行了详细说明,通过仿真实验比较了两种算法的检测、跟踪性能和运算量.仿真结果表明,动态规划TBD运算量较小,更易于实现,而粒子滤波TBD具有更好的跟踪性能,且在低信噪比下有较高的检测能力.     

目标遮挡情况下的压缩跟踪算法

针对经典压缩跟踪算法在目标被遮挡时容易导致目标丢失的问题,提出了一种基于目标遮挡情况下的压缩跟踪算法.该方法首先依据分类器的最大响应值判断目标是否被遮挡.若发生遮挡则利用基于颜色直方图特征的粒子滤波算法进行跟踪预测,即将遮挡前提取的目标颜色直方图与粒子的颜色直方图进行相似性比较.为确保目标再现时能及时准确地捕捉其位置,再利用Harris角点特征进一步验证,并将预测的位置作为目标位置继续压缩跟踪.仿真结果表明,该算法能够准确地判断遮挡的发生,平均跟踪成功率较经典的压缩跟踪算法提高了24%,有效提高了跟踪的鲁棒性.     

基于改进扩展卡尔曼滤波算法的空中目标跟踪

采用扩展卡尔曼滤波方法建立了雷达跟踪模型,对空中目标航迹进行滤波,为了减少雷达量测噪声的不稳定变化对系统跟踪性能的影响,对扩展卡尔曼滤波算法进行了改进,利用新息方差的计算来调整卡尔曼滤波器的增益。仿真结果表明,采用改进扩展卡尔曼滤波算法后,在雷达量测噪声发生大幅变化的情况下,经过滤波后的位置和速度误差仍然趋于稳定。表明该方法具有很好的滤波性能及跟踪精度,并可以提高空中目标航迹预测的精确性。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

融合GMS检测和置信度判别的TLD目标跟踪

针对目标在遮挡、尺度变化等复杂场景下易产生模型漂移问题,基于跟踪学习检测(TLD)框架提出一种结合基于网格的运动统计(GMS)检测和置信度判别的长时目标跟踪算法。首先在跟踪模块中采用快速判别尺度空间的相关滤波器(fDSST)作为跟踪器,利用位置滤波器和尺度滤波器对上一帧目标进行位置与尺度的判别,并依据TLD算法中跟踪模块与检测模块的独立性,将跟踪模块结果输入检测模块中,采用平均峰值相关能量(APCE)对模板更新进行置信度判别。在检测模块中先引入GMS网格运动统计作为检测器,使具有快速旋转不变性特征的ORB(OrientedFASTandRotatedBRIEF)算法对上一帧目标进行特征匹配,再利用网格运动统计对匹配结果进行过滤,实现目标位置的粗定位,依据预测位置对目标检测区域进行适当的动态缩减,最后使用级联分类器对目标进行精准定位。结果表明,本文提出的跟踪方法在有效防止模型漂移的情况下,大大提高了算法的跟踪速度,同时对目标遮挡、尺度变化及旋转等挑战环境也具有较好的准确性和鲁棒性。     

上下文感知相关滤波的红外目标跟踪改进算法

针对在目标跟踪过程中由于红外目标遮挡、快速运动而导致的跟踪失败问题,提出了一种基于上下文感知的相关滤波跟踪算法,在引入目标背景信息的同时改进其算法的更新策略。在训练阶段引入上下文信息,使得相关滤波器具有更好的鉴别性,以应对跟踪过程中出现的快速运动、运动模糊以及遮挡等情况。在模型更新阶段引入一种高置信度模型更新策略,解决了在模型更新过程中由于目标严重遮挡造成的目标丢失或模型污染问题,提升了算法的性能。实验结果表明,与其他相关滤波类算法相比,所提出的算法在精确度和成功率方面分别提升了6.4 %和5.1 %,同时能以较快的速度运行,满足实时性的要求。