改进的机动目标当前统计模型自适应跟踪算法

针对机动目标当前统计模型自适应跟踪算法的加速度方差依赖于预先设定的加速度极值的问题,研究新的加速度方差调整方法。在机动目标当前统计模型的基础上,根据雷达实时观测信息,利用加速度扰动与位置变化量之间的物理关系,采用一种新的机动目标当前统计模型加速度方差自适应跟踪方法。仿真结果表明,新算法对高机动目标、一般机动目标均具有较高的跟踪精度,从而验证了新算法的正确性和有效性,对机动目标跟踪问题具有一定的实际应用价值。     

一种改进的交互多模型算法

提出了一种对机动目标跟踪的交互多模型改进算法,将切向加速度均值自适应的当前统计模型与具有零均值一阶高斯-马尔可夫过程的非对称函数的法向加速度模型相结合的模型与常速模型进行交互。由于该算法对法向加速度精确建模,所以对机动目标的跟踪精度较高。仿真结果表明,该算法对机动目标的跟踪性能明显优于采用含有法向和切向加速度的加速度均值自适应的当前统计模型和常速模型进行交互的算法（IMM-CV/CS算法）。     

最大加速度未知的“当前”统计模型机动目标跟踪

分析了“当前”统计模型机动目标跟踪算法的性能对目标机动加速度最大值的依赖性,但是由于在实际中目标机动加速度的最大值往往是未知或不能准确已知的,所以为了克服“当前”统计模型的这一不足之处,采用协方差匹配和多级白噪声自适应滤波算法的思想,提出了一种“当前”统计模型在最大加速度未知情况下的机动目标跟踪新算法。对三种典型的机动目标运动形式进行了Monte-Carlo仿真研究,结果表明新算法对于解决机动目标跟踪问题非常有效。     

改进的高效Camshift跟踪算法

Camshift是一种应用颜色信息的跟踪算法,它对做加速度的运动物体跟踪效果不够稳定和强壮,从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。该算法使用运动目标加速度运动位移方程预测下一时刻目标可能出现的位置,使用预测位置误差方程估计运动目标搜索范围,并使用IIR滤波器对目标运动速度、加速度等参数自适应地修正。实验证明,改进的Camshift有效地克服了Camshift算法自身的缺陷,即使运动目标做加速运动时,也可准确地预测运动目标的位置,缩小目标搜索范围,进而提高目标跟踪速度。     

基于改进当前统计模型的自适应无源跟踪算法

针对无源跟踪中,标准当前统计模型无法自适应调整加速度极限值的缺点,设计了一种修正系数来通过机动目标的当前加速度自适应调整模型的加速度极限值,同时利用模糊控制的方法对修正系数的取值进行实时调整,实现了对当前统计模型的改进。最后结合容积卡尔曼滤波算法构造基于改进当前统计模型的自适应无源跟踪算法。仿真结果表明,相比基于标准当前统计模型的自适应跟踪算法,新算法对非机动目标、弱机动目标以及强机动目标都有更好的跟踪效果。     

改进的CS-UKF加速度方差自适应跟踪算法

针对基于当前统计模型的状态噪声协方差阵中的加速度方差调整方法对一般机动目标、非机动目标跟踪精度差的问题,研究其改进方法;在建立机动目标当前统计模型离散状态方程和雷达导引头离散观测方程的基础上;利用雷达导引头测量信息和位置预测值之间的扰动对加速度方差进行调整,提出了改进的加速度方差自适应调整无迹卡尔曼滤波跟踪算法;数字仿真验证了该算法对非机动目标、一般机动目标以及高机动目标均具有良好的跟踪效果。     

基于改进自适应滤波的异质传感器融合方法

针对“当前”统计模型中加速度极限值的预先设定问题，提出了一种基于位移预测协方差的改进机动目标跟踪算法。采用扩展卡尔曼滤波实现异质传感器融合。该算法避免了加速度极限值的预先设定对状态估计的不利影响，仿真结果表明，该算法提高了机动目标的跟踪精度。     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

一种改进的机动再入目标自适应跟踪算法

在机动再入目标高精度跟踪问题的研究中,由于目标变化速度快,动态模型为非线性,传统的Jerk分段均匀假设和随机模型近似思想建立的机动再入目标分段匀Jerk模型和过程噪声自适应方法中,存在加速度的方差期望近似瞬时方差的固有误差.为解决上述问题,提出了改进的机动再入目标自适应模型及相应的容积卡尔曼滤波跟踪算法,采用加速度状态协方差修正项来近似加速度的瞬时方差,同时引入强跟踪渐消因子增强加速度状态修正项近似瞬时方差的能力,给出了更精 确的机动再入目标自适应模型;结合状态扩展方法和容积卡尔曼滤波算法实现了机动再入目标的高精度自适应跟踪.仿真结果表明:改进后的算法对机动再入目标跟踪具有更高的精度和稳定性,对目标机动性变化有更低敏感性.     

图象系列中机动目标的自适应跟踪

建立了图象序列中目标形心位置测量方程，并针对目标机动性，采用一种解耦的并行卡尔曼滤波跟踪算法，即速度滤波器和加速度滤波器并行独立运算，加速度滤波器的输出用于校正速度滤波器的结果，根据探测到的目标机动性情况，加速度滤波器可以实时切换，降低了计算量和存储量，提高了跟踪的实时性，仿真结果表明该算法具有很好的跟踪性能。     

一种基于切换模型的快速机动目标跟踪算法研究

根据二维空间内目标作匀速转向运动的特点，提出一种基于航向变化的目标加速度实时估计方法，并在此基础上采用采样卡尔曼滤波器对该机动目标进行跟踪．仿真结果表明，该方法不仅能够检测出目标机动开始时刻和终止时刻，而且还能近似估计出快速机动目标的加速度大小，与扩展卡尔曼滤波器相比，采样卡尔曼滤波器具有较好的跟踪精度．     

基于视频跟踪系统的卡尔曼滤波器方法研究

针对运动物体速度以及形状容易发生变化,导致目标跟踪失败等问题,本文提出了一种基于卡尔曼滤波模型,同时考虑跟踪状态的马尔科夫性设计而成新的跟踪算法。算法首先建立目标状态和观测值的转移变化矩阵模型,然后依据马尔科夫性简化传统卡尔曼滤波算法模型,对目标方位和速度进行预判断。在此基础上,结合传统模板匹配和更新机制,在预测范围内搜索目标,并依据目标变化等因素更新模板的选择,从而保证在快速搜索目标的同时动态地调整模板,确保跟踪目标在发生形变或者加速等状态下能够实现稳定跟踪。实验结果验证了本文算法的有效性和实用性。     

基于强跟踪滤波器的MACA-MIE 模型及跟踪算法

结合自适应常加速模型(ACA)、改进输入估计(MIE)和强跟踪滤波器,提出一种新的自适应目标跟踪模型和算法.该算法通过扩展 ACA 模型状态矢量和改进状态噪声协方差调整方法,利用 MIE 和强跟踪滤波器,实现了机动加速度方差和状态预测协方差依据残差信息的实时完全自适应调整,在缺乏目标加速度先验知识的情况下,能够实时高精度跟踪目标突变状态、弱机动和非机动状态.仿真实验表明,相比 ACA 模型和 MIE,该算法具有更好的机动状态和非机动状态跟踪性能.     

权值选优粒子滤波的无线传感器网络目标跟踪

基于动态分簇结构的特点,结合权值选优粒子滤波(PF)算法的优越性,研究了无线传感器网络分布式目标跟踪算法.该方法采用这种改进的粒子滤波算法,利用簇和簇之间的传递关系,获得目标的动态状态.根据当前时刻目标的本地估计位置、预测速度和加速度,获得目标的预测位置.结果表明:此方法相比集中式目标跟踪,能在节省能量消耗的基础上,比...     

A Fast Approximation of the Bilateral Filter Using a Signal Processing Approach

The bilateral filter is a nonlinear filter that smoothes a signal while preserving strong edges. It has demonstrated great effectiveness for a variety of problems in computer vision and computer graphics, and fast versions have been proposed. Unfortunately, little is known about the accuracy of such accelerations. In this paper, we propose a new signal-processing analysis of the bilateral filter which complements the recent studies that analyzed it as a PDE or as a robust statistical estimator. The key to our analysis is to express the filter in a higher-dimensional space where the signal intensity is added to the original domain dimensions. Importantly, this signal-processing perspective allows us to develop a novel bilateral filtering acceleration using downsampling in space and intensity. This affords a principled expression of accuracy in terms of bandwidth and sampling. The bilateral filter can be expressed as linear convolutions in this augmented space followed by two simple nonlinearities. This allows us to derive criteria for downsampling the key operations and achieving important acceleration of the bilateral filter. We show that, for the same running time, our method is more accurate than previous acceleration techniques. Typically, we are able to process a 2 megapixel image using our acceleration technique in less than a second, and have the result be visually similar to the exact computation that takes several tens of minutes. The acceleration is most effective with large spatial kernels. Furthermore, this approach extends naturally to color images and cross bilateral filtering.     

基于修正的卡尔曼滤波自适应跟踪算法

针对卡尔曼滤波对匀速运动目标能有效的跟踪,但是当目标出现转弯时,很难达到跟踪精度的要求,甚至丢失目标的现象.对卡尔曼滤波算法进行了改进,在观测向量中引入了两个加速度误差变量,它们动态地修正状态估计误差从而减少跟踪精度误差,形成了修正的Kalman算法.但是由于状态变量维数增加,使得计算量增加,实时性下降,将卡尔曼滤波算法与修正的卡尔曼滤波算法两种算法相结合,提出了基于修正的卡尔曼滤波自适应跟踪算法.仿真结果表明,具有良好的稳定性和精确度,优于一般的卡尔曼滤波算法.     

基于多子块联合估计的相关滤波跟踪

针对遮挡情况下相关滤波算法跟踪精度下降的问题,提出了一种基于多子块联合估计的核相关滤波跟踪方法。首先依据初始帧跟踪框的几何特征对目标自适应分块,并采用KCF方法对各子块独立跟踪得到联合置信图;然后以上帧目标的位置及尺度作为先验信息对搜索区域采样,同时将样本框中置信图的权值密度作为观测值,利用粒子滤波算法实现候选目标的最优估计;最后对置信度较低的子块反向投影至上帧图像进行遮挡检测,防止模板错误更新。定性和定量实验结果表明,该方法与原始KCF算法相比跟踪精度提升约10%,具有良好的抗遮挡性,并对目标尺度变化具有一定的估计能力。     

基于卡尔曼滤波器组的Mean Shift模板更新算法

针对Mean Shift算法缺乏必要的模板更新方法的缺陷,提出了一种基于卡尔曼滤波器组的Mean Shift模板更新算法。该算法首先将目标在特征空间中的特征值的概率作为模板信息;然后设计了一个滤波器组,其中每个滤波器用于估计特征子空间中一个子特征值概率的变化;最后将这些子特征值概率对应相乘就可以得到整个模板的更新值。由于滤波器的噪声参数是随着输入数据的变化随时动态确定的,因此,根据滤波器残差的变化就可以确定模板的更新策略。实验证明,该新算法不仅能够增强Mean Shift算法在目标姿态变化、光照变化下的跟踪效果,而且对阻挡时的鲁棒性也较好。     

姿态解算与外力加速度同步估计算法

针对惯性导航应用中,姿态解算与外力加速度估计互相干扰的问题,提出一种基于四元数和扩展卡尔曼滤波器的姿态解算与外力加速度同步估计算法。首先,利用估计的外力加速度修正传感器加速度数据得到准确的反向重力加速度,再结合地磁场向量通过梯度下降算法解算得到旋转四元数的测量值;其次,构建扩展卡尔曼滤波模型,对旋转四元数和外力加速度进行更新,得到旋转四元数的预测值和外力加速度的预测值;最后,用旋转四元数的测量值和测量得到的加速度数据对预测值通过扩展卡尔曼滤波的方法进行校正,最终得到准确的旋转四元数和参考坐标系下三轴方向上的外力加速度。实验表明,通过扩展卡尔曼滤波同时对姿态和外力加速度估计的方法,能够迅速收敛并准确得机体姿态信息以及外力加速度信息,欧拉角误差为±1.95°,加速度误差为±0.12 m/s²,并且该算法能有效抑制外力加速度对姿态解算的影响,准确估计外力加速度。