一种机动目标跟踪的异步航迹融合算法

为实现机动目标跟踪,提出一种异步序贯航迹融合算法。融合中心包含匀速和匀加速2种融合模型,均通过信息去相关方法实现序贯航迹融合,并利用调整过程噪声的方法抑制融合发散。对匀加速融合模型的加速度估计进行显著性检验,实现机动检测。当检测到机动时输出匀加速融合模型的结果,反之输出匀速融合模型的结果。仿真结果表明,该算法能实现对机动目标的稳定跟踪,具有较高的跟踪精度。     

一种机动目标跟踪算法仿真研究

在现行的机动目标跟踪过程中,由于目标真实的运动过程是不确定的,一般需要根据目标运动规律的假定,人为地给出目标的预置模型,因而精度难以提高.针对这一问题,引人参数辨识模型,既可对参数动态地进行识别而无需进行模型的预置,又具有对工作周期变化的适应能力,可以覆盖机动目标呵能的多种运动状态,使自适应滤波问题可在正常的技术思路下进行.运用Matlab语言建立仿真模型,通过四种典型运动对该算法进行了验证,结果表明此方法正确可行.     

一种改进的强机动目标跟踪方法

为提高目标在强机动情况下的跟踪精度,更好地实现目标跟踪,在当前统计模型和卡尔曼滤波算法的基础上提出改进的目标跟踪方法。分析了当前统计模型,归纳出在目标弱机动和强机动情况下的优点及不足。进行强机动检测,以此判断目标的机动水平;将渐消因子引入卡尔曼滤波器,减少陈旧数据的影响,充分体现当前机动状态;在算法中在线辨识各项参数,并根据机动水平自适应地调整。仿真结果表明,改进的方法在弱机动时保持了当前统计模型的跟踪性能,而在强机动时拥有更高的跟踪精度。     

一种自适应的机动目标融合跟踪算法

该文主要研究了分布式传感网络中的机动目标跟踪问题。为了在降低传感器节点的通信负债的同时,提高系统的跟踪精度,该文提出了一种新的自适应多传感器机动目标跟踪算法。该算法与交互式多模型算法相结合,将远端传感器获得的局部状态估计与本地传感器的累计量测信息进行融合,并通过信息去相关算法消除了传感器间的相关性。从而实现了对机动目标的状态估计与量测信息的融合。提出的算法能够充分利用本地传感器量测的有效信息,以提高目标跟踪精度。仿真实验验证了该算法的有效性。     

一种改进的机动目标跟踪方法

机动目标跟踪方法主要有变维滤波、输入估计方法和交互式多模方法.由于输入估计方法采用常速模型作为状态方程对目标进行滤波跟踪,避免了模型集设计,所以成为研究的热点.但传统输入估计方法跟踪机动目标时存在机动检测时延较长和估计精度不高的缺点.针对以上问题,本文对输入估计算法进行了改进.用变检测窗长度的方法提高机动检测的响应速度,通过对检测窗内新息序列的修正显著提高了估计精度.仿真结果验证改进后的算法比原有算法的跟踪性能有显著提高,且对加速度随时间变化的机动也有一定的跟踪能力.     

机动目标预测跟踪方法研究

在目标被遮挡条件下的自动预测跟踪中,研究了跟踪机动目标过程中的角位置自适应卡尔曼预测算法。针对估计与预算中出现的发散现象,推导了导引头框架角位置预测方法。建立了目标遮挡预测跟踪测试系统,设计多种不同的目标运动形式,并通过转台实现,测试改进的自适应位置预测算法在典型测试条件下的有效性和准确程度。实验结果表明:当目标进入遮挡区域时,改进的自适应位置预测算法能够有效地实现预测跟踪,保证目标退出遮挡时能够顺利重新捕获和跟踪。     

一种机动目标的PMHT跟踪算法

在多目标跟踪中一些传统关联算法的计算负荷是和目标数目及量测个数呈指数型关系增长,概率多假设跟踪算法（PMHT）很好地解决了这一问题;通过将机动输入项建模为马尔可夫过程,提出了一种推广的PMHT算法（EPMHT）以解决机动多目标跟踪问题;仿真结果表明该算法是有效的.     

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.     

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计1只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF—Singer算法对机动目标进行跟踪。能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。     

基于DSP的自主式机动目标跟踪系统

设计了一种基于DSP的机动目标跟踪系统.该系统采用TMS320DM642作为其核心处理器,还包括BASLER A301fcCCD,以及大容量存储器.介绍了一种改进CamShift算法,利用目标边缘作为搜索特征,实现对机动目标自主式跟踪.在基于TMS320DM642的跟踪系统平台上实现了该跟踪算法,完成了跟踪系统的软、硬件设计.经过实验证明该跟踪系统工作性能稳定,能够有效跟踪机动目标.     

机动目标跟踪双滤波器模型及自适应算法

现代机动目标跟踪的困难来自跟踪的快速生成精度在一定计算负荷约束下的协调难以令人满意,考虑依次处理快速性与精度的方案。采用滑动均值均匀分布描述目标的随机机动特性,分别采用宽带的均值预估滤波器和窄带的跟踪滤波器串联,实现机动速度大变动或突变的精确,快速跟踪,双滤波器的计算量适中,易于工程实现,对各种运动形式进行计算机模拟表明,这类算法对高度机动或弱机动或无机动均可给出较好的目标位置,速度及加速度估值。     

适用于事件触发的分布式随机目标跟踪方法

研究了一类基于RSSI（Received signal strength indication）测距的分布式移动目标跟踪问题,提出了一种适用于事件触发无线传感器网络（Wireless sensor networks,WSNs）的分布式随机目标跟踪方法.首先考虑移动机器人模型的不确定性,引入了带有随机参数的过程噪声协方差,应用改进平方根容积卡尔曼滤波（Square root cubature Kalman filter,SRCKF）得到局部估计;然后采用无模型CI（Covariance intersection）融合估计方法以降低随机过程噪声协方差带来的不利影响.该方法充分利用有模型和无模型方法的优势,实现系统模型和量测不理想情况下的分布式目标跟踪.基于E-puck机器人的目标跟踪实验表明,事件触发的工作模式可有效地减少能量消耗,带随机参数的滤波方法更适合于随机目标的跟踪.     

机动多目标跟踪神经网络方法

本文介绍基于神经网络的机动多目标跟踪方法，从跟踪的起始、跟踪维持以及跟踪终结等各个方面，提出了完整的算法。     

基于机动目标模型的无人机视场跟踪仿真研究

为了跟踪地面机动目标,对无人机的视场进行了研究;分析了视场中目标位置的解算以及飞机、目标与视场的运动关系,并建立了三者的相对位置关系模型,推导出视场对目标进行跟踪的控制量;简要介绍了机动目标的"当前"统计模型及其自适应滤波算法,在该算法对目标跟踪的基础上,可以更准确地计算出视场校正控制量;对视场跟踪进行了仿真验证,利用飞行航迹和目标轨迹模拟,无人机盘旋跟踪地面运动目标,实时计算出偏差角控制量并调整视场;仿真结果表明,视场对机动目标的跟踪效果良好,算法稳定可靠.     

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。     

多机动目标跟踪的IMM-GMPHD滤波算法

针对现有多机动目标跟踪算法精度低、计算量大、约束条件苛刻等问题,本文将高斯混合概率假设密度(Gaussian Mixture PHD,GM-PHD)滤波器和交互式多模型(Interacting Multiple Model,IMM)相结合,提出交互式多模型GM-PHD(Interacting Multiple Mode...