基于多传感器不完全量测下的机动目标跟踪算法

针对传感器探测概率小于1的不完全量测情况下的非机动目标跟踪问题,提出一种基于多传感器不完全量测下的扩展Kalman滤波算法。首先,利用残差检测的野值剔除方法,确定目标状态估计过程中传感器是否接收到正确的量测数据;其次,基于每个传感器的量测数据,在不完全量测下采用改进的扩展卡尔曼滤波算法分别对目标运动状态进行估计;进而结合多传感器最优加权融合方法求解基于多传感器观测数据的状态估计;最后,将算法应用到光电跟踪系统中。仿真实验得到不完全量测下传感器探测概率对滤波效果的影响,验证了算法的有效性,其跟踪精度接近完全量测下的状态估计精度。     

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统，针对非线性系统的多扩展目标跟踪问题，提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先，提出了将多扩展目标状态和关联假设进行联合估计的思想，解决了在估计目标状态和数据关联时相互牵制的问题；其次，根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数，并利用粒子滤波技术实现联合估计的Bayes框架；最后，为解决直接采用粒子滤波实现时存在的维数灾难问题，将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化，对每个目标的粒子集根据与其相关的权重单独进行重抽样，这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明，与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比，所提算法的状态估计精度较高，形状估计的Jaccard距离分别降低了30%、20%左右，更适合于非线性系统的多扩展目标跟踪。     

基于小波神经网络的目标跟踪的研究

本文讨论了小波神经网络在机动多目标跟踪中的应用,多目标跟踪就是主体为了维持对多个目标(客体)当前状态的估计而对所接收的量测信息进行处理的过程.以非线性大规模并行分布式处理为特征的神经网络可以解决传统的目标跟踪方法的难以解决的计算量组合爆炸问题以及需要确定机动目标的数学模型的问题,将小波分析原理与神经网络相融合,提出了基于小波神经网络的目标跟踪方法来提高系统的学习能力、表达能力以及机动多目标状态的估计精度.仿真实验的结果证明了该方法的有效性.     

基于滚动时域估计的非线性目标跟踪*

实际的雷达跟踪问题大多属于非线性问题,存在着各种物理约束,采用基于在线滚动优化原理的滚动时域估计方法可以有效地处理带约束非线性目标跟踪问题。滚动时域估计通过引入到达代价函数,将非线性跟踪滤波问题转换为带约束的有限时域优化问题,可以有效减少优化问题求解的计算量,能够显著提高状态估计的准确度。针对实际的雷达跟踪问题,仿真结果表明,滚动时域估计能有效地提高非线性目标跟踪的精度。     

基于试探采样的自回馈目标跟踪算法

针对粒子传播过程中因欠缺观测信息而导致退化现象和异常粒子,文中提出一种基于试探采样的自反馈目标跟踪算法。该算法在当前帧完成采样后向前试探采样粒子,并且反馈到当前帧,此举是利用未来帧提前采样形式把观测信息融入到状态转移模型中,从而使概率密度分布逼近真实值。分析上下帧间粒子权值关系,舍弃异常元素,进行不完全重采样,在缓解退化问题同时保持样本集多样性。目标状态估计采用加权-最大后验准则,提高了目标跟踪精确度与稳定性。实验结果表明所提算法提高了状态空间质量,相比其他算法具有更好的跟踪性能。     

基于FastICA的雷达弱目标检测前跟踪方法研究

研究了强噪声干扰下的雷达弱目标检测及跟踪问题。针对信号与噪声干扰之间的相互独立性,提出了一种基于FastICA的弱目标检测前跟踪(TBD)算法。该算法的关键为对分离后的信号进行能量分配,以及求解所构建的一个多目标规划问题,进而实现匹配回波信号的能量积累。仿真实验结果表明,在负信噪比的情况下,无论是高斯噪声还是非高斯噪声,该方法均可以实现检测前跟踪的目的;用能量积累过程中记录的目标状态信息为观测值,则可以通过滤波估计的方法最终实现对目标的稳健跟踪。该方法为弱小目标的跟踪检测技术提供了一种新的思路。     

融合状态反馈的两模型目标跟踪方法

IMM是目前目标跟踪中状态估计的最有效估计器之一。但它需要先验的模型转换矩阵，这在实际跟踪系统中没有依据确定。通过将前一时刻的组合状态反馈到各个不同的模型滤波过程中，对不同维状态，建立与真实目标状态空间之间的映射，提出了一种新的多模型跟踪算法，这种算法动态加权各模型的滤波输出，不需要设计模型之间的转换矩阵。仿真试验表明了算法的有效性。     

离散系统的鲁捧约束方差估计及应用──模型噪声强度不确定情形

考虑离散随机系统在模型噪声强度不确定及估计误差方差受约束情形下的一类鲁棒状态估计问题，即希望找到这样的滤波增益，使得当模型噪声强度在一定范围内变动时，每个状态分量的估计误差方差始终不大于预先指定值。文中给出了这种滤波增益的设计方法，并以一类机动目标跟踪问题为例，说明这种设计方法的直接性与有效性。     

基于状态信息的红外小目标跟踪方法

红外小目标所占像素较少，且缺乏颜色、纹理、形状等特征，因此难以有效地跟踪它们。针对这一问题，提出了一种基于状态信息的红外小目标跟踪方法。首先，将待跟踪小目标局部区域的目标、背景和干扰物进行编码以得到连续帧之间密集的局部状态信息；其次，将当前帧和上一帧的特征信息输入分类器，得到分类得分；然后，融合状态信息和分类得分，从而得到最终置信度并确定待跟踪小目标的中心位置；最后，更新状态信息并在连续帧之间传播，在此之后利用传播的状态信息完成对整个序列中红外小目标的跟踪。在DIRST(Dataset for Infrared detection and tRacking of dim-Small aircrafT)数据集上评估所提方法。实验结果显示，所提方法针对红外小目标的跟踪召回率达到了96.2%，精确率达到了97.3%，相较于目前最优秀的通过跟踪方法 KeepTrack召回率和精确率分别提高了3.7%和3.7%。这表明所提方法在复杂的背景与干扰下能有效完成针对红外小目标的跟踪。     

空间非合作目标在轨主/被动融合跟踪方法

针对空间远距离非合作目标的点目标跟踪问题,研究基于非地面测控数据支持的远距离空间目标的在轨主/被动融合跟踪方法。包括运用基于被动传感器以及雷达间歇辅助测距跟踪的Unscented卡尔曼滤波(UKF)方法,得到非合作目标的运动状态信息,即利用光学跟踪摄像机的二维角度量测值及雷达间歇提供的距离量测值,估计目标的惯性位置与速度方法,为后续自主空间操作建立初始轨道状态数据。仿真结果表明,当状态误差和量测噪声改变时,UKF均能持续跟踪远距离非合作目标,使得雷达间歇提供的距离信息可以得到更好的跟踪精度。     

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.     

基于区域活动轮廓运动目标跟踪方法研究

根据贝叶斯估计理论，首先建立了图像序列中运动目标的跟踪模型，然后用高斯分布来描述图像的区域信息，并通过对模型的分析，与区域活动轮廓模型建立对应关系，将问题的求解转化为能量最小化问题。同时为了克服目标在运动中发生的拓扑形变，采用水平集方法进行数值实现。实验结果表明，这种方法不仅可以对多个运动目标进行跟踪，并能非常好地逼近运动目标的轮廓，而且能够自然地处理运动目标的拓扑形变。     

带非线性约束的自适应高斯和卡尔曼滤波目标跟踪算法

无线传感网络中运动目标状态通常满足某种非线性状态约束,为了提高对传感网络中运动目标的跟踪精度,降低非高斯噪声对状态估计的影响,避免高斯项数在迭代过程中的冗余累积,提出一种带非线性约束的权值自适应高斯和卡尔曼滤波算法.算法在每个时刻计算目标当前状态的高斯子项集合,并对每个高斯子项分别以无迹卡尔曼滤波进行状态估计.设计了一种高斯子项权值自适应策略动态调节子项权值,以实现无约束状态下的全局估计.将目标的非线性状态约束引入滤波器结构中时,考虑将其看作一类无约束状态估计的约束投影问题,通过状态约束信息先验来修正运动目标的状态估计.仿真结果表明,该算法与目前的非线性约束卡尔曼滤波相比具有更高的跟踪精度.     

一种机器人未知环境下动态目标跟踪交互多模滤波算法

为了解决机器人同时定位、地图构建和目标跟踪问题,提出了一种基于交互多模滤波(interacting multiple model filter, IMM)的方法.该方法将机器人状态、目标状态和环境特征状态作为整体来构成系统状态向量并利用全关联扩展式卡尔曼滤波算法对系统状态进行估计,由此随着迭代估计的进行,系统各对象状态之间将产生足够的相关性,这种相关性能够正确反映各对象状态估计间的依赖关系,因此提高了目标跟踪的准确性.该方法进一步和传统的IMM滤波算法相结合,从而解决了目标运动模式未知性问题,IMM方法的采用使系统在完成目标追踪的同时还能对其运动模态进行估计,进而提高了该算法对于机动目标的跟踪能力.仿真实验验证了该方法对机器人和目标的运动轨迹以及目标运动模态进行估计的准确性和有效性.     

基于目标预测的扩展目标量测集划分算法

扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）跟踪算法是扩展目标跟踪领域内最为重要的跟踪算法之一。然而当多个目标邻近时,该算法的状态估计精度降低,这是由于距离-Kmeans++（Distance Partitioning-Kmeans++,DP-Kmeans++）量测集划分算法无法输出正确的结果所导致。为解决该问题,提出了改进的DP-Kmeans++量测集划分算法,利用目标预测信息来分割量测集,从而提高了划分精度。仿真结果表明,当目标邻近时,使用提出划分算法使ET-GM-PHD跟踪算法的OSPA误差距离减小。     

遮挡判定下多层次重定位跟踪算法

目的 目标遮挡一直是限制跟踪算法精确度和稳定性的问题之一,针对该问题,提出一种抗遮挡的多层次重定位目标跟踪算法。方法 通过平均峰值相关能量动态分配特征权重,将梯度特征与颜色直方图特征动态地结合起来进行目标跟踪。利用多峰值检测和峰值波动情况进行目标状态判定,若目标状态不理想,则停止模板更新,避免逐帧更新导致目标漂移,继续跟踪目标;若判定目标遮挡,则提取对应特征点,使用最邻近距离比进行特征匹配和筛选,丢弃负样本的最邻近样本作为二次筛选,利用广义霍夫变换进行第3次筛选并重定位目标,对目标继续跟踪。结果 在标准数据集OTB（object tracking benchmark）100和LaSOT（large-scale single object tracking）上的实验结果显示,本文算法的精确率分别为0.885和0.301,相较于Staple算法分别提升了13.5%和30.3%。结论 在目标发生遮挡的场景中,本文方法能够重定位目标并且继续跟踪,优化后的模板更新策略提高了算法速度。目标状态的判定有效估计了目标遮挡问题,可以及时采取应对策略,提高算法在复杂环境下的稳定性。     

运动背景下基于粒子滤波的目标跟踪

粒子滤波方法是一种针对非刚性目标运动跟踪的有效工具。运用基于贝叶斯估计的粒子滤波算法,对复杂的运动背景下目标移动进行跟踪。论述了贝叶斯估计理论,推导粒子滤波过程,并将状态粒子决定的区域所对应的色彩直方图用作测量,与目标参考直方图相比较,得出最佳的后验估计。运用窗口粒子平均方法确定目标的坐标,实现跟踪。算法采用单目标以及多目标序列图象进行跟踪实验,并与均值移动(mean-shift)跟踪算法结果进行比较,证明该跟踪算法更为有效。     

基于改进K-means++聚类的多扩展目标跟踪算法

针对多扩展目标跟踪过程中量测集划分准确度低和计算量大的问题,提出一种基于改进K-means++聚类划分的高斯混合假设密度强度多扩展目标跟踪算法。首先,根据下一时刻目标可能变化的情况缩小K值的遍历范围;其次,利用目标预测状态选择初始聚类中心点,为正确划分量测集提供依据,从而提高聚类算法的精度;最后,将所提改进K-means++聚类划分方法应用到高斯混合概率假设滤波器中,联合估计多目标的个数和状态。仿真实验结果表明：与基于距离划分和基于K-means++的多扩展目标跟踪算法相比,该算法在平均跟踪时间上分别减小了59.16%和53.25%,同时其最优子模式指派度量（OSPA）远小于以上两种算法。综上,该算法能在大幅度降低计算复杂度的同时取得比现有量测集划分方法更为优异的跟踪性能。     

基于联合多目标概率密度模型的多目标检测前跟踪算法

针对多目标环境下的检测前跟踪问题,提出了基于联合多目标概率密度（JMPD）模型的检测前跟踪（TBD）算法。JMPD模型同时模拟目标数目及其联合状态,采用粒子滤波递归估计JMPD实现目标数目及其状态的估计。仿真实验表明,所提算法在较小的延时检测的情况下,能准确估计目标的出生及消亡,并且航迹跟踪精确稳定,实现了对多个微弱目标的检测及跟踪。     

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.