抗野值强跟踪Kalman滤波在风场估计中的应用

由于受周围环境干扰和传感器短暂性失效等因素的影响,无人机风场测量数据中包含较大野值或成片野值,影响测量数据的准确性.根据无人机测风的特点,结合Kalman滤波算法、强跟踪滤波算法和抗野值修正算法的优点,通过对滤波发散趋势的分析,提出上述滤波算法的使用条件,构造了一种抗野值抑制发散滤波算法,并进行了实验论证.实验结果表明:该算法能有效克服野值对滤波造成的不良影响,具有良好的抗野值能力、跟踪能力,保证了滤波精度,可适用于无人机风场测量.     

基于ABCshift结合Kalman滤波的目标跟踪算法

Camshift(Continuously Adaptive Mean Shift)算法具有很好的实时性和鲁棒性,但是当目标遇到大面积的类目标颜色干扰,目标被严重遮挡时跟踪会失败。针对这些问题,提出ABCshift(Adaptive Background Camshift)结合Kalman滤波的改进算法。实验表明所提出的算法能有效解决以上问题,在复杂的背景下有良好的适应性,并与其他改进的Camshift算法进行了对比。     

一种结合Camshift和Kalman滤波的TLD目标跟踪算法

TLD(Tracking-Learning-Detection)跟踪最大的优点是对初始选择的目标进行不断的学习,来获取目标当前的外观特征信息。但其计算量大,当有相似目标出现、目标物被遮挡时,跟踪精确度低、效果差。Camshift算法是基于Meanshift算法形成的可连续自适应的一种算法。Camshift结合Kalman滤波可实现对目标位置的快速查找和对窗口大小的控制功能。将TLD跟踪方法的原始输出数据与改进算法的预测结果结合,再修正当前时刻的状态输出结果。对输出结果加权处理,得到目标的最终准确位置。改进算法既具有TLD算法原有的长期有效跟踪特点,又提高了对目标实时跟踪的准确性,同时对短时遮挡具有预测功能。     

基于Kalman滤波和Mean Shift算法的人眼实时跟踪

非接触式的人眼跟踪方法在一些基于视觉的人机交互应用中具有很重要的意义.但目前的人眼跟踪方法普遍存在着诸如对眼睛的部分遮挡、人脸尺度变化和头部的深度旋转等过于敏感的不足,这就极大地限制了其应用范围.本文提出了一种综合运用Kalman滤波和Mean Shift算法的人眼跟踪算法,实验结果验证了该算法对于上面所提到的不足情况具有较强的鲁棒性.     

Kalman滤波新结构及其在目标跟踪中的应用

为了提高Kalman滤波器的计算效率,本文通过改变算法结构,提出了有效的串行和并行方法以解决目标跟踪和故障诊断问题.串行新算法计算量由o(n3)(n为状态维数)下降到o(n2);应用于单目标和多目标跟踪时可使计算效率达到普通Kalman滤波算法的2.56倍.     

基于ZigBee的井下人员精确定位方案及实现

针对矿井采用的传统RFID定位技术不能实现井下人员精确定位的问题,并根据矿井巷道的一维线性空间特点和井下人员的作业习惯,提出一套基于ZigBee的井下人员定位方案。方案将矿井巷道虚拟地划分为近基站区域和远基站区域,近基站区域采用RSSI定位算法,并利用高斯滤波模型对接收功率值滤波,实现精确定位;远基站区域采用V-T(Velocity-Time)算法进行定位。实验表明算法在近基站区域测量最大绝对误差为3m,远基站区域最大绝对误差为5m。     

Kalman滤波理论在GNSS信号跟踪中的应用

在分析传统GNSS接收机跟踪环路的基础上,对传统的码环滤波和载波滤波在复杂的环境下精度不高的问题,提出一种以自适应Kalman滤波算法代替码环和载波环中的两个环路滤波器,并依据新息自适应的对测量噪音实时调整,将调整结果输入到卡尔曼跟踪环路,估计跟踪误差、实现GNSS(扩频信号)信号的跟踪,提高环路在复杂应用环境下的跟踪精度。仿真结果证明了这种方法提高了跟踪精度,对环境的适应能力有了明显的增强。     

基于无线传感器网络的井下人员定位方法的研究

近年来,随着无线传感器技术的成熟,以及基于无线传感器网络的定位技术的发展,不少学者提出了基于无线传感器技术的煤矿井下人员定位方法,本文对其中部分方法进行了分析,发现其中存在的一些不足。     

多传感器跟踪系统自适应Kalman滤波融合

多传感器目标跟踪的一个实际问题是如何获得目标的过程噪声信息,以获得较好的跟踪性能。针对多传感器分布式估计融合系统,利用这种自适应技术给出了一种自适应Kalman滤波的融合方法,它具有与中心式相近的跟踪性能。计算机模拟结果表明：这种方法具有较优良的性能。     

基于改进Camshift和Kalman滤波的目标跟踪算法

在移动目标跟踪过程中,可能会受到种种干扰而导致目标不能有效地被跟踪。为了解决在跟踪运动目标过程中受到外界影响的缺陷,采用了一种Camshift和Kalman滤波结合的目标跟踪算法。算法能有效克服运动目标被遮挡或相似颜色运动目标干扰使目标跟踪丢失的缺陷。实验结果表明:本文提出的算法用于跟踪运动目标具有很好的鲁棒性。     

煤矿井下人员融合定位方法

针对飞行时间(TOF)测距定位方法定位盲区多、易受非视距干扰、定位精度有限,捷联惯性导航定位方法长时间累计误差的问题,提出了一种基于TOF测距定位和捷联惯性导航定位的煤矿井下人员融合定位方法。该方法分区域定位:当定位终端位于定位基站近距离无线通信覆盖范围内时,采用TOF测距定位方式,通过近距离无线通信方式将定位数据发送至附近的定位基站;当定位终端位于定位基站近距离无线通信覆盖范围之外时,采用捷联惯性导航定位方式,并利用卡尔曼滤波算法对定位数据进行修正,通过远距离无线通信方式将定位数据发送至附近的定位基站;当定位终端位于定位基站远距离无线通信覆盖范围之外时,定位终端对定位数据进行本地存储,当定位终端移动到定位基站无线通信覆盖范围内时,将存储的定位数据发送给定位基站。定位基站将定位数据传输至地面监控中心,获得人员轨迹和位置坐标。实验结果验证了该方法的有效性。     

一种新型井下人员组合定位系统设计

针对目前井下人员定位精度低、无法实时全局定位、搜救被困人员困难等问题,设计了一种基于微惯性测量组合(MIMU)导航技术和WiFi技术相结合的井下人员组合定位系统;给出了发生矿难后的基于该组合定位系统的搜救方案。该系统利用WiFi提供的可靠位置信息来给定MIMU最初的位置信息并校正MIMU的位置,弥补了MIMU误差随时间累积的缺点;利用MIMU的实时全局定位来弥补WiFi的局部定位。选用卡尔曼滤波将两者进行信息融合,进行最优组合处理。测试结果表明,该系统实现了对矿井井下人员实时三维全局定位及快速搜救,具有一定的工程实际意义。     

强跟踪卡尔曼滤波在视频目标跟踪中的应用

针对经典卡尔曼滤波器在滤波数学模型与实际过程的数学规律不匹配、滤波特性较差的情况,提出利用强跟踪卡尔曼滤波器对视频序列图像中的运动目标进行跟踪。该方法是在经典卡尔曼滤波递推公式中的一步验前误差方差阵中引入可在线计算的时变渐消矩阵,从而调节增益K,使之能够不断变化,保证对新息序列的自适应调节,使状态滤波更准确。实验结果表明,较之经典卡尔曼滤波,该方法具有对运动目标更强的跟踪能力,跟踪精度更高,均方误差更小。     

一种基于卡尔曼滤波的运动物体跟踪算法

针对实时视频监控领域中传统的Camshift算法不能有效解决遮挡和高速运动等问题,提出一种改进的Camshift算法与卡尔曼滤波相结合的运动物体跟踪算法。首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪。实验表明该方法具有较好的实时性,并能够有效地解决遮挡等问题。     

煤矿井下作业人员管理系统人员数据分析软件的应用

提出了一种煤矿井下作业人员管理系统人员数据分析软件,介绍了该软件数据曲线分析的原理,以下井人员总数曲线为例介绍了该软件在煤矿交接班管理、人员定位管理中的应用。该软件可以曲线形式直观、定量地反映煤矿交接班状况、人员活动情况、人员定位系统运行状况等,已应用于某煤矿井下作业人员管理系统,效果良好。     

基于改进Mean-Shift与自适应Kalman滤波的视频目标跟踪

提出一种改进的Mean-Shift和自适应Kalman滤波器相结合的视频运动目标跟踪算法。对选定的跟踪目标,采用三帧差和区域增长法分割目标并得到主颜色信息。在跟踪过程中,利用自适应的Kalman滤波器估计每一帧的起始迭代位置,再利用改进的Mean-Shift算法得到跟踪位置并作为测量值反馈给自适应Kalman滤波器,并引入遮挡率因子以自适应地调节Kalman估计参数。实验结果表明,该算法能对视频中的运动目标实现检测和连续跟踪,对遮挡也有较好的鲁棒性。     

井下人员定位管理系统数据模型设计

针对井下人员定位管理系统存在的灾害发生时可靠信息易被破坏、查询效率低等问题,设计了井下人员定位管理系统的数据采集模型及数据流图,并分析了系统数据库的设计要求、表结构设计及数据库优化方法。系统采用主从式通信方式实现数据采集,根据功能划分建立基础数据库和当前数据库,并采用查询语句优化、索引优化等手段提升数据库性能,提高了数据采集及处理速度、系统可靠性及查询效率。     

适用处理非高斯观测噪声的强跟踪卡尔曼滤波器

在高斯噪声条件下,卡尔曼滤波器(KF)能够获得系统状态的一致最小方差线性无偏估计.但当噪声非高斯,KF性能将严重下降.观测噪声非高斯现象在深空探测自主导航中经常遇到,然而现有模型可能存在着精度不高、稳定性不强或者计算复杂度较高的缺点.针对这种现状,本文在传统强跟踪卡尔曼滤波器(STKF)中新息正交原则的基础上,推导了适用处理非高斯观测噪声的强跟踪卡尔曼滤波器(STKFNO),并将其嵌入到无迹卡尔曼滤波(UKF)框架下形成适用处理非线性系统非高斯观测噪声的强跟踪无迹卡尔曼滤波器(STUKFNO).所提出的算法被应用到深空光学自主导航系统中,仿真结果表明所提出的算法能够较好地应对观测噪声的非高斯性.     

井下WLAN位置指纹定位中改进区域划分方法研究

井下WLAN位置指纹人员定位系统主要是通过聚类算法来实现位置指纹样本的整体性划分,但现有的聚类算法只是针对接收信号强度的统计分布特性进行聚类划分,并没有充分考虑奇点问题。针对该问题,提出了一种基于类关系的K-Means(CRK-Means)算法,该算法以类内离散度和类间离散度的比值为目标函数,通过使该比值最小的聚类的聚合、分离过程即可得到避免了奇点问题的最优聚类,完成定位区域的合理划分。针对采用随机森林(RF)算法对聚类划分后的定位区域进行粗定位存在误判的问题,提出了遗传算法与随机森林相结合的(GA-RF)算法,该算法以GA中的选择、交叉和变异优化过程确保了RF算法的选择树总数和位置指纹参考点特征数的最优取值。实验结果表明:CRK-Meams算法有效解决了奇点问题,且在一定程度上提升了系统定位精度;采用CRK-Meams算法和GA-RF算法后,子区域粗定位的准确率相比RF算法提升了4%,达到98%;置信概率大于90%的最小定位误差达到了3m,优于传统的聚类算法。     

基于均值漂移与卡尔曼滤波的目标跟踪算法

均值漂移算法在目标跟踪过程中没有利用目标的运动方向和速度信息,在目标受到干扰时容易跟踪失败,而Kalman滤波能够较为准确地预测目标的速度和位置。因此,提出了一种结合均值漂移与Kalman滤波的跟踪算法,使用Kalman滤波对目标运动速度和空间位置进行预测。根据干扰的不同情况,使用不同的比例因子将两算法的跟踪结果线性加权得到目标的最终位置。实验结果表明该算法是可行有效的。