一种非合作目标的多传感器量化融合跟踪方法

针对非合作目标跟踪问题,为解决无线传感器网络有限带宽和相关噪声造成的精度影响,在集中式融合框架下提出了三种基于量化信息的目标跟踪算法.首先,局部传感器节点采用自适应的量化策略将观测值量化成消息,并发送到融合中心;然后,融合中心利用状态方程恒等变换和Cholesky分解技术解除任意噪声的相关性;最后,引入强跟踪滤波技术、矩阵求逆引理和顺序滤波技术设计融合方法.几个仿真实验表明,三种新方法的估计精度完全等价,新算法还具备应对目标状态突变等不确定因素的能力,增强了算法的鲁棒性.     

一种基于改进UPF的运动声阵列交互多模型目标跟踪方法

针对运动声阵列在有色噪声环境中的非线性滤波跟踪实时性问题,提出一种基于改进粒子滤波的交互式多模型目标跟踪(IMM-IUPF)方法.该方法采用最小斜度单形无迹变换结合变尺度无迹变换的 Sigma点选取策略,对标准无迹粒子滤波(UPF)进行改进,大幅缩减UPF样本选取计算量;将改进的UPF与交互式多模型(IMM)相结合,通过定义自适应增益修正系数,弥补样本点缩减造成的精度降低问题;最终通过与传统的基于IMM的粒子滤波(IMM-PF)和基于IMM的无迹粒子滤波(IMM-UPF)进行Matlab数值仿真对比验证所提出算法的实用性.     

基于粒子滤波的双模图像融合自适应跟踪

针对视频跟踪中仅利用目标的单特征容易导致跟踪失败的问题,提出一种基于粒子滤波的可见光与红外序列图像相融合的自适应目标跟踪算法;该算法在粒子滤波跟踪算法框架下,根据单一信源运动目标序列图像的品质因子,利用自适应加权融合策略重构双模序列图像的特征选择机制,建立了基于自适应融合算法的系统观测概率模型和状态空间层次采样多特征融合跟踪算法,实现了对双模序列图像的融合以及对运动目标的稳健跟踪;跟踪试验结果表明,该算法可以有效实现对运动目标的稳健、准确跟踪。     

动力定位冗余测量系统的模糊自适应融合算法

针对船舶动力定位的冗余测量系统,基于模糊自适应滤波和滤波器可信度的模糊评判,建立了多传感器数据融合算法。该方法与线性或非线性系统状态估计相结合,构成模糊自适应融合算法。通过监测滤波新息的均值和分歧度,应用模糊推理系统在线调节测量噪声协方差矩阵,从而抑制滤波发散;构建新的数据质量函数和子系统故障检测函数,根据检测结果自适应地选择子系统构建全局融合体系;利用子系统滤波的新息分歧度比值和状态估计误差的协方差,模糊评判各子系统滤波的可信度,由此计算相应的信息分配系数,实现全局融合。通过转台半实物仿真,验证了该算法的有效性。     

一种改进的视频图像检测跟踪算法

针对运动目标在运动过程中的交叉、遮挡等情况,采用自适应阈值的Vibe算法来压缩背景杂波和相关噪声,进而对运动目标进行检测.采用基于Camshift优化的粒子滤波算法对运动目标进行跟踪,该算法在粒子滤波算法的基础上结合Camshift算法的优点,加入当前观测信息,使粒子更好地采样于目标周围,提高了粒子效率,节省了算法时间.实验表明,自适应阈值的Vibe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,而基于Camshift优化的粒子滤波算法能够在目标快速运动、遮挡情况下对目标进行准确跟踪.     

基于IMM-PF的分布式估计融合算法

针对基于扩展卡尔曼滤波的估计融合算法存在线性化误差,且受高斯噪声假设限制的问题,提出一种基于交互式多模型粒子滤波(IMM-PF)的分布式多传感器估计融合算法.各传感器节点采用IMM-PF算法,以便在非线性、非高斯条件下稳健地跟踪机动目标;融合中心则采用基于粒子滤波(PF)的分布式融合方法进行全局估计融合.该算法适用于非线性、非高斯条件下的多传感器状态估计.仿真结果表明,该算法能够提高多传感器系统状态估计的精度.     

基于粒子滤波的多特征融合视频行人跟踪算法

针对车载视频行人跟踪问题,提出一种基于粒子滤波框架下的多特征融合跟踪算法。为克服车载视频中行人运动与摄像机运动产生的非线性和非高斯性,采用基于蒙特卡罗抽样的粒子滤波跟踪算法,使用一阶自回归动态模型预测目标状态,观测模型自适应加权融合的4种互补性特征。实验结果表明,与没有粒子滤波和多特征融合的跟踪算法相比,在相同精确率水平上,该算法的召回率提高20%以上。     

基于CUDA 与粒子滤波的多特征融合视频目标跟踪算法

针对复杂环境中非线性运动目标跟踪,单一特征无法满足对目标的准确描述,造成不能准确跟踪的问题,提出了一种基于粒子滤波与多种特征自适应融合的跟踪方法．该方法先对目标区域提取轮廓方向分布与颜色分布。根据自适应规则融合后,然后与粒子滤波理论相结合,实现对各种复杂环境中视频运动目标的有效跟踪．同时,通过使用CUDA（ComputeUnifiedDevicemchitecture）加速,实现了目标跟踪的实时性．实验结果表明,该方法可对非线性、非高斯的运动目标进行有效的跟踪,对目标的遮挡与暂时消失,背景焦距的拉伸与背景颜色的变换,有很强的鲁棒性和实时性．     

基于观测数据删减及量化新息的无线传感器网络目标跟踪

针对资源受限的无线传感器网络,提出一种基于数据删减及量化新息的目标跟踪方法.利用融合中心接收到的量化新息以及数据删减过程传递的信息对目标状态进行估计.每个传感器节点利用容积卡尔曼滤波执行数据删减过程,融合中心执行一个辅助粒子滤波器.为了节省节点的能量和带宽,将所选择的观测数据的新息符号发送到融合中心,融合中心将数据丢失过程所包含的信息加以利用,提高了目标跟踪精度.仿真结果表明了该方法的有效性.     

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法：融合了交互式多模型（IMM）、粒子滤波（PF）和无迹卡尔曼滤波（UKF）的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。     

Optimal sequential and distributed fusion for state estimation in cross-correlated noise

This paper is concerned with the optimal state estimation for linear systems when the noises of different sensors are cross-correlated and also coupled with the system noise of the previous step. We derive the optimal linear estimation in a sequential form and for distributed fusion. They are both compared with the optimal batch fusion, suboptimal batch fusion, suboptimal sequential fusion, and the suboptimal distributed fusion where the cross-correlation between the noises are neglected. The comparison is in terms of theoretical filter mean square error and the real root mean square error. Simulation on a target tracking example is given to show the effectiveness of the presented algorithms.     

多传感器信息融合Wiener滤波器和平滑器

应用现代时间序列分析方法,基于ARMA新息模型和增广状态空间模型,应用标量加权最优融合准则,对于带白色和有色观测噪声的ARMA信号,提出了多传感器分布式最优信息融合Wiener滤波器和平滑器,其中给出了计算局部平滑误差方差和互协方差的计算公式,它们可被用于计算最优加权系数。同单传感器情形相比,可提高平滑器的精度。一个三传感器目标跟踪系统的仿真例子说明其有效性。     

一般相关噪声下多传感器平滑融合算法

针对单目标跟踪中多传感器平滑融合算法估计精度问题, 提出了具有一般相关过程噪声与量测噪声时的离散线性系统新的平滑融合估计算法. 该算法通过将给定区间内全部量测进行集中式扩维, 并对误差传递进行分析, 从而精确地给出误差间的相关性, 在线性无偏最小方差意义下对系统状态进行递推估计. 与不考虑相关性以及仅考虑部分相关性的卡尔曼平滑融合算法相比, 新的固定区间平滑融合算法在噪声的高斯分布假设下具有明显的优越性, 且其跟踪性能随噪声相关性增强而优越性明显, 而固定延迟平滑融合算法是次优的. 仿真实验进一步验证了本文算法在一般相关噪声环境下的优越性.     

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。     

多模态视觉跟踪方法综述

目标跟踪是计算机视觉研究中的前沿和热点问题,在安全监控、无人驾驶等领域中有着重要的应用价值。然而,目前基于可见光数据的视觉跟踪方法,在光照变化、恶劣天气下因数据质量受限难以实现鲁棒跟踪。因此,一些研究者提出了多模态视觉跟踪任务,通过引入其他模态数据,包括红外模态、深度模态、事件模态以及文本模态,在一定程度上弥补了可见光模态在恶劣天气、遮挡、快速运动和外观歧义等条件下的不足。多模态视觉跟踪旨在挖掘可见光和其他模态数据的互补优势,在视频中实现鲁棒的目标定位,对全天时全天候感知有着重要的价值和意义,受到越来越多的研究和关注。由于主流的多模态视觉跟踪方法针对可见光—红外跟踪展开,因此,本文以阐述可见光—红外跟踪方法为主,从信息融合的角度将现有方法划分为结合式融合和判别式融合,分别进行了详细介绍和分析,并对不同类方法的优缺点进行了分析和比较。然后,本文对其他多模态视觉跟踪任务的研究工作进行了介绍,并对不同多模态视觉跟踪任务的优缺点进行了分析和比较。最后,本文对多模态视觉跟踪方法进行了总结并对未来发展进行展望。     

不受约束的全局最优加权观测融合估计

利用矩阵满秩分解方法,基于加权最小二乘理论提出了一种不受各传感器观测阵是否相同、观测噪声是否相关约束限制的加权观测融合估计算法。证明了其估计结果每时刻恒同于集中式融合Kalman估计结果,因而具有全局最优性,且可明显减小计算负担,便于实时应用。通过对GPS目标跟踪系统的两种方案进行仿真说明了它的功能等价性、快速性以及最优性。     

自校正信息融合Wiener预报器及其收敛性

对带相关观测噪声和未知噪声统计的多传感器系统,用相关方法得到噪声统计在线估值器.在按分量标量加权线性最小方差最优信息融合准则下,用现代时间序列分析方法,基于滑动平均(moving average)新息模型的辨识,提出了自校正解耦融合Wiener预报器.用动态误差系统分析(dynamic error system anallysis)方法证明了自校正融合wiener预报器收敛于最优融合Wiener预报器,因而它具有渐近最优性.它的精度比每个局部自校正Wienet预报器精度都高.它的算法简单,便于实时应用.一个目标跟踪系统的仿真例子说明了其有效性.     

The sufficient condition for lossless linear transformation for distributed estimation with cross-correlated measurement noises

In most distributed fusion algorithms, the measurement noises in different sensors are often assumed to be uncorrelated, but in practical occasions the assumption may not be met and the measurement noises are often cross-correlated between sensors. So the lossless distributed fusion algorithms with the assumption of uncorrelated measurement noises usually cannot keep their lossless performance in practical applications. Therefore, in the case of cross-correlated measurement noises, the lossless compression rule for distributed estimation is proposed. We prove in theory that the sufficient condition of the lossless compression is the transformation matrix is of full column rank. Using the transformation matrix constructed by the proposed rule, the distributed fusion can achieve the performance of the centralized one. In addition, under this rule two optimal fusion algorithms are proposed and their performances are analyzed.     

Distributed optimal fusion steady-state Kalman filter for systems with coloured measurement noises

Based on the optimal fusion criterion weighted by matrices in the linear minimum variance sense, an optimal information fusion steady-state Kalman filter is given for the discrete time-invariant linear stochastic control system measured by multiple sensors with coloured measurement noises, which is equivalent to an optimal information fusion steady-state Kalman predictor with a two-layer fusion structure for system with correlated noises. Furthermore, the steady-state optimal fusion predictor can be obtained only by fusing once after all local subsystems enter the steady-state predictions. The solution of steady-state prediction error cross-covariance matrix between any two subsystems can be obtained by iteration with an arbitratry initial value, whose convergence is proved. Applying it to a tracking system with three sensors shows its effectiveness.     

无线多跳传感器网络下基于粒子滤波的信道容错的目标跟踪方法

对信道衰落的无线多跳传感器网络下的目标跟踪问题, 提出一种新的信道容错的粒子滤波方法. 传感器观测数据被量化成二元信号, 经非理想无线信道多跳中继通讯到达融合中心. 中继节点采用一种二元中继策略, 中继输出是信道污染的中继信号的估计值. 在粒子滤波器下, 考虑实际的物理信道, 计算粒子的似然度函数. 将信道衰落结合进跟踪算法, 在已知信道衰落包络和信道统计分布下, 分别设计信道容错的粒子滤波算法. 仿真结果表明信道容错的粒子滤波器提高了目标跟踪的精度, 对非完美信道具有鲁棒性.