基于Huber的鲁棒高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时高阶容积卡尔曼滤波（High-degree Cubature Kalman Filter,HCKF）算法的鲁棒性,提出了一种基于Huber方法的鲁棒高阶容积卡尔曼滤波算法。从近似贝叶斯估计角度解释了Huber方法作用于卡尔曼滤波算法的本质是对新息进行截断平均,通过在现有滤波框架内利用Huber方法对观测量进行预处理,并将处理后的观测量进行标准的HCKF量测更新,实现了HCKF算法的鲁棒化。所提算法无需通过统计线性回归模型对系统的非线性量测模型进行近似,高阶容积变换的优势得到充分利用,从而在保持鲁棒性的前提下提高了算法的滤波精度。单变量非平稳增长模型和再入飞行器目标跟踪问题验证了该算法在鲁棒性和滤波精度方面的优势。     

近似最小一乘意义下的鲁棒卡尔曼滤波器

当存在高污染率的野值观测时,现有的鲁棒卡尔曼滤波器的数值稳定性和抗差能力可能会严重退化.为此,基于近似最小一乘估计和修正的高斯牛顿方法提出一种新的鲁棒卡尔曼滤波器,以减小含野量测对滤波器的不利影响.通过条件数分析和影响函数分析,从理论上证明所提出方法的数值稳定性和抗差能力均好于基于Huber估计的卡尔曼滤波器.通过仿真实验对理论分析结果进行验证.仿真结果表明,在只有少量野值观测的情况下,所提出的滤波器与Huber卡尔曼滤波器的估计性能大致相当;而在含有高污染率的野值观测时,所提出的滤波器的估计性能明显好于Huber卡尔曼滤波器.在仿真实验中还对几种滤波器的计算花费进行了比较,发现所提出滤波器的计算代价小于Huber卡尔曼滤波器的计算代价.     

一种模糊Kalman滤波机动目标跟踪的新算法

提出了一种基于模糊自适应的Kalman滤波机动目标跟踪新算法.算法首先分析了目标航向角和观测残差均能实时反应出目标机动情况,并由此设计了一种有效的模糊逻辑规则,综合利用航向角变化量和残差,通过模糊推理动态估计Kalman滤波器的过程噪声协方差,从而提高对机动目标跟踪的性能.实验结果表明,提出算法对机动目标跟踪的精度较交互式多模型(Interacting multiple model,IMM)算法高,且计算量比IMM算法小.     

一种鲁棒的Kalman滤波方法

在目标跟踪测量中,由于各种噪声的影响,Kalman滤波算法对野值数据的估计经常出现较大误差,直接影响了定位结果.修正增益的滤波方法在野值相对较小的情况下误差不能有效的识别.为此,提出残差权重自适应抗野值的Kalman滤波方法,该方法能明显的降低野值对定位结果的影响,对实测数据的仿真结果表明了该方法的有效性,满足试验要求.     

一种抗野值的Kalman跟踪滤波器

在Kalman滤波目标跟踪的应用过程中,观测值中的野值是影响滤波效果的重要因素.分析了野值对Kalman滤波的影响机理,从滤波算法的原理和工程实践的实际出发,提出了一种野值判别和处理方法.仿真计算表明,该方法性能可靠,简单易行,可以有效地消除野值对滤波的不良影响,提高滤波的精度.     

一种基于IMM的自适应目标跟踪算法研究

对目标进行自适应跟踪是节约雷达资源的途径之一.以相控阵雷达为基础研究了一种目标自适应跟踪算法.介绍了传统连续情况下的周期采样方法,通过设定上、下界来限制算法中采样周期的变化.并在连续采样的基础上给出一种改进的离散采样算法,改进算法通过比较滤波残差和量测误差设定一组离散采样值,计算量减小,跟踪误差降低.基于IMM对两种自适应采样算法以及固定周期采样算法进行Monte Carlo仿真对比,仿真结果表明两种自适应采样算法均大大降低了采样宰,改进的离散自适应采样算法跟踪性能相对较好.     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.该算法先采用转换量测容积卡尔曼滤波器和位置量测对目标状态进行估计,再利用经典容积卡尔曼滤波器对新构造的伪多普勒量测进行量测更新以实现目标跟踪.通过对所提算法的性能分析验证该算法的一致性和收敛性.仿真结果表明,该算法与其他跟踪算法相比,具有更高的跟踪精度.     

基于自适应卡尔曼滤波的多目标跟踪算法

在视频的多目标跟踪任务中,卡尔曼滤波器性能受硬件噪声以及光线等环境噪声干扰较大,导致滤波性能下降甚至发散,严重影响目标跟踪精度。针对这一问题,在检测端不变的情况下,对跟踪算法中的卡尔曼滤波器进行改进。首先,通过实时监测跟踪过程中滤波器观测值和估计值的动态变化,提取新息或残差;然后,利用新息协方差对观测噪声统计特性进行自适应估计,进而调整卡尔曼滤波增益;并通过数值仿真表明所提方法能有效降低噪声,获得更好跟踪效果。最后,基于YOLOv3算法检测结果进行实验验证,结果表明在多目标跟踪（MOT16）数据集上,相较于传统卡尔曼滤波设计,所提自适应卡尔曼滤波在多目标跟踪任务中的精度、标号（ID）相关指标（IDF1,IDP）等指标均有所提升。     

基于自适应卡尔曼滤波的多目标跟踪算法

在视频的多目标跟踪任务中,卡尔曼滤波器性能受硬件噪声以及光线等环境噪声干扰较大,导致滤波性能下降甚至发散,严重影响目标跟踪精度。针对这一问题,在检测端不变的情况下,对跟踪算法中的卡尔曼滤波器进行改进。首先,通过实时监测跟踪过程中滤波器观测值和估计值的动态变化,提取新息或残差;然后,利用新息协方差对观测噪声统计特性进行自适应估计,进而调整卡尔曼滤波增益;并通过数值仿真表明所提方法能有效降低噪声,获得更好跟踪效果。最后,基于YOLOv3算法检测结果进行实验验证,结果表明在多目标跟踪（MOT16）数据集上,相较于传统卡尔曼滤波设计,所提自适应卡尔曼滤波在多目标跟踪任务中的精度、标号（ID）相关指标（IDF1,IDP）等指标均有所提升。     

基于目标跟踪的自适应广义高阶CKF算法

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合广义高阶容积卡尔曼滤波和强跟踪滤波算法,提出了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）方法。采用广义高阶容积准则和矩阵对角化变换,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。将提出的AGHCKF算法应用于带有未知状态突变的机动目标跟踪问题并进行数值仿真,结果表明,AGHCKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。     

多媒体视觉VR重构算法的改进与仿真

传统图像重构噪声偏大,图像离群点较多,导致重构效果与实际图像偏差大,研究提出多媒体视觉VR重构算法。利用双目偏移定位重新校正VR图像,对重构后的VR图像进行去噪处理,完成基于高通滤波矩阵加强的重构图像纹路细节特征,采用三维重构相关性检索方法,获得合群点与离群点,确定其最大最小深度范围,对错误识别和峰值进行重新定位,完成算法设计。为验证研究的有效性,进行实验验证。通过实验结果数据分析可证明,研究算法大大提升了重构图像的真实度,图像角点检测准确,重构后图像噪声更小。     

考虑星间测量的航天器自主导航并行滤波器

针对基于星间测量的航天器自主导航问题,本文考虑测量中存在野值的情况,提出了一种轨道根数辅助估计的并行无迹卡尔曼滤波算法.系统由两个并行滤波器组成,通过副滤波器的状态估计识别观测野值,进而在主滤波器中修正导航定位结果.文章选择了星间相对观测两卫星编队的基本构型,研究了算法的阈值参数选择,对不同参数条件下的滤波结果进行了对比.数值仿真说明了该算法在观测量变化率较大时能够有效降低连续野值对自主导航系统的影响,和传统算法相比具有更高的滤波精度和收敛速度.     

基于抗差自适应容积卡尔曼滤波的超紧耦合跟踪方法

为降低基于单一调节回路的超紧耦合结构存在的反作用影响,设计了一种基于双回路的超紧耦合结构.基于此,为解决所设计结构中跟踪环路的非线性滤波问题,针对测量异常误差和动力学模型误差,提出了一种基于抗差自适应容积卡尔曼滤波(Robust adaptive cubature Kalman filter,RACKF)的超紧耦合跟踪算法.该算法采用稳健M估计调整容积卡尔曼滤波 (Cubature Kalman filter,CKF)算法,对观测量中粗差的影响“程度”进行探测和处理,以减小观测量异常误差产生的影响,同时利用自适应调节因子对算法进行调节修正,以处理动态扰动误差引入的影响.实验结果表明: 所提出的方法能有效地处理模型不准确所引入的误差,较好地实现全球定位系统(Global positioning system,GPS)卫星信号的高精度和稳定跟踪,其跟踪性能远优于基于单一回路的跟踪方法,同时优于基于无迹卡尔曼滤波(Unscented Kalman filter,UKF)和基于CKF的跟踪方法,提升了导航系统在高动态条件下的适应性能.     

一种基于多重聚类的离群点检测算法

在LDOF算法的基础上,提出一种基于多重聚类的离群点检测算法PMLDOF。该算法针对局部离群度量计算量大的缺点,采用聚类剪枝技术作为减少计算量的方法;同时,为了避免将位于簇边缘的离群点错剪,算法利用多重聚类的差异性对簇的边缘点进行筛选。在对数据集进行剪枝后,计算剩余数据的局部离群度LDOF,并找出符合条件的离群数据点。实验结果表明,算法在时间复杂度和检测精度上具有更好的优越性。     

基于图像的重建点云离群点检测算法

基于图像重建出的三维点云模型通常会包含许多离群点,这些离群点可能孤立存在或密集聚集在一起形成点簇,也可能分布在模型周围甚至附着在模型表面。通过一种检测方法很难有效滤除多种分布状态的离群点,因此,提出了综合的离群点监测算法。首先通过空间距离剔除与模型主体较远的离群点,并通过构建空间拓扑关系加快离群点搜索速度;然后利用边界匹配法,将较小点簇分别与最大点簇进行对比,滤除模型周围离群点簇;最后采用改进的K-means算法,根据RGB颜色值特征对点云数据进行聚簇分类,结合已识别的离群点,检测和滤除附着在模型表面的离群点。仿真实验结果表明,此方法能够有效滤除点云模型中多种分布状态的离群点。     

一种基于概率的孤立点检测方法

现有孤立点检测方法大多数都需要预先设定孤立点个数,若设定不准确将降低孤立点检测的准确性。针对该问题,提出一种基于概率的孤立点检测方法。结合基于密度的DBSCAN算法与中位数求方差的方法,对待检测数据集进行聚类,提取出不包含在任何聚类中的可疑孤立点并进行分析,从而确定最终孤立点。该方法所检测的数据与时间因素线性无关,不必预先设定孤立点个数及聚类数,并且对噪声数据具有较强的抗干扰能力。IRIS测试数据集上的实验结果表明,该方法能够有效地识别孤立点。     

Robust refinement methods for camera calibration and 3D reconstruction from multiple images

This paper proposes robust refinement methods to improve the popular patch multi-view 3D reconstruction algorithm by Furukawa and Ponce (2008). Specifically, a new method is proposed to improve the robustness by removing outliers based on a filtering approach. In addition, this work also proposes a method to divide the 3D points in to several buckets for applying the sparse bundle adjustment algorithm (SBA) individually, removing the outliers and finally merging them. The residuals are used to filter potential outliers to reduce the re-projection error used as the performance evaluation of refinement. In our experiments, the original mean re-projection error is about 47.6. After applying the proposed methods, the mean error is reduced to 2.13.     

野值存在下的BP网络自适应卡尔曼滤波

野值的存在会严重影响滤波器的稳定性和滤波精度,甚至会引起滤波器发散。定量分析了野值对卡尔曼滤波器的影响,提出了一种抗野值的BP网络自适应卡尔曼滤波算法。通过BP网络对新息序列估计方差的变化率进行实时监测和计算,输出一组加权系数对模型中系统噪声和量测噪声作＂在线＂修正,从而有效地抑制了连续野值对滤波器的影响。经仿真证明算法提高了滤波器的精度和稳定性,同时对单个离散野值也有较好的滤波效果。     

基于聚类划分的两阶段离群点检测算法

针对基于距离的离群点检测算法受全局阈值的限制, 只能检测全局离群点, 提出了基于聚类划分的两阶段离群点检测算法挖掘局部离群点。首先基于凝聚层次聚类迭代出K-means所需的k值, 然后再利用K-means的方法将数据集划分成若干个微聚类; 其次为了提高挖掘效率, 提出基于信息熵的聚类过滤机制, 判定微聚类中是否包含离群点; 最后从包含离群点的微聚类中利用基于距离的方法挖掘出相应的局部离群点。实验结果表明, 该算法效率高、检测精度高、时间复杂度低。     

基于密度的局部离群点检测算法

基于统计学和基于距离的离群点检测都依赖与给定数据点集的全局分布,然而数据通常并非都是均匀分布的。当分析分布密度相差很大的数据时,基于密度的局部离群点检测方法有着很好的识别局部离群点的能力。但存在时间复杂度较大,文章提出了一种改进的算法,能降低时间复杂度,实现有效的局部离群点的检测。