机动目标跟踪的IMM和IMMF-LS自适应滤波算法

介绍了一种跟踪机动目标的交互式多模型 (IMM)自适应滤波算法 ,并在其基础之上介绍了一种基于状态的扩充具有固定延时的平滑IMM算法 (IMMF -LS) ,分别采用了Singer模型和“当前”统计模型与CA模型进行交互运算。蒙特卡洛仿真结果表明了IMM具有明显的综合多模型的优点 ,IMMF -LS的跟踪精度明显高于IMM算法。     

基于神经网络的机动目标自适应跟踪算法

非机动或弱机动目标的跟踪精度和稳定性问题一直困绕着人们,根据机动目标“当前”统计模型和均值与方差自适应滤波算法,建设性地提出了基于神经网络的机动目标自适应跟踪算法,并以仿真实验给予了验证。     

双Markov多假设IMM机动目标跟踪算法

为提高交互式多模型(IMM)算法对机动目标的估计精度,需要增加其模型数量,但模型过多将导致计算量大并降低估计器性能。针对上述问题提出一种基于模型集的双马尔可夫多假设IMM机动目标跟踪算法。该算法用模型集间的马尔可夫转移阵描述模型集之间的大跳变,用模型的马尔可夫转移阵描述模型集内各模型间的小跳变或慢变,以达到细化建模、提高滤波精度的目的。     

模型集和IMM自适应的目标跟踪算法

本文在仿真试验和理论分析基础上,首先给出了一种自适应IMM算法。再根据变结构IMM思想,把该算法与具体的运动模型相结合,提出了模型集和IMM算法都是自适应的机动目标跟踪方法。该方法在模式空间连续的情况下,模型集合逐步收敛到给定的范围内。文中给出了两种方法的具体实现步骤,并对文[6]中的AGIMM方法作了修正。仿真试验中把两种方法分别与传统的IMM算法和文[6]的方法进行了比较,结果表明在目标机动情况下,两种方法在性能上均有不同程度的提高,从而证明了本文所提算法的有效性。     

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。     

知识辅助的多模型机动目标跟踪算法

多模型机动目标跟踪技术是一种先进的目标跟踪算法。由于目标类型越来越多、运动环境越来越复杂,仅使用位置量测进行目标跟踪变得越来越难以满足应用要求。除位置量测之外,引入目标和环境相关的知识,对多模型算法中的模型集、转移概率矩阵和模型概率这3个关键因素进行自适应调整,可以有效提高机动目标跟踪性能。本文对知识辅助多模型机动目标跟踪算法的原理和方法等进行了分析。按照知识作用的对象（模型集、转移概率矩阵和模型概率）和作用方式（智能法和非智能法）分别介绍了该类算法的原理及其特点,最后对该类算法下一步的研究方向和发展趋势进行了展望。     

基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

模型转移概率自适应的交互式多模型UKF算法

本文给出了一种基于UKF算法的参数自适应交互式多模型方法,较好的解决了非线性条件下机动目标跟踪的问题,可获得比基于EKF算法的交互多模型方法更好的稳定性和计算精度,还避免了复杂的Jacobi矩阵运算;由于该方法结合了模型概率转移自适应技术,实现了对模型转移矩阵的在线估计,降低了人为因素的影响。最后,通过Monte Carlo仿真进一步验证了该方法的正确性和有效性。     

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.     

体育视频序列中基于IMM的运动目标跟踪算法

在视频处理领域的运动目标跟踪问题中,卡尔曼滤波器（KF）与扩展卡尔曼滤波器（EKF）已经得到了广泛的应用,但在复杂背景或是目标高机动运动的情况下跟踪效果并不理想。提出一种基于交互多模型算法（IMM）,并采用去偏转换测量卡尔曼滤波器（CMKF-D）对运动目标进行跟踪的算法。该算法有效地解决了单一模型无法与运动特性相匹配的问题,并克服了KF、EKF对非线性模型线性化所引入的误差。以足球视频为例进行仿真实验,结果表明该算法有效地提高了视频序列中运动目标跟踪的准确率。     

基于EKF的机动目标跟踪算法的研究

假设一种机动目标运动:目标的速度大小不变,方向一直对准观测站.比较Singer模型和常速度(CV)模型,采用扩展卡尔曼滤波(EKF)算法对目标进行跟踪.仿真结果表明,在这种机动目标跟踪中,采用Singer模型比CV模型具有较快的收敛速度,而采用CV模型比Singer模型具有较高的跟踪精度.     

基于分类模型的目标跟踪算法研究

基于分类模型的目标跟踪算法采用分类模型实现对多目标的跟踪。在传统算法中目标跟踪的对象是每个传感器的实时采样,而在分类模型中将传感器采样根据分类规则进行分类。然后将类的特征作为一个新的采样为下一层的模型提供输入,可以减少计算的复杂度。该模型是一个可扩展模型,可以为分类器设计不同的算法对模型进行扩展。模型自身采用低耦合的层次化设计,每一层均可以采用不同的分类器,这样可以充分利用各种分类算法的优点。     

一种基于预测策略的目标跟踪算法研究

移动目标跟踪是无线传感器网络中的一项重要应用,引起了越来越多的关注.采用静态网格网络结构,针对现有无线传感器网络目标跟踪算法不能兼顾精度和能耗的问题,提出了一种基于预测策略的目标跟踪算法.当目标进入监控区域后,节点携带的震动传感器感知到目标,簇头节点根据节点检测目标信号强度值来计算目标位置,目标位置计算采用一种基于检测...     

基于粒子滤波的分布式目标跟踪算法

根据无线传感器网络分布式目标跟踪的特性,提出一种改进粒子滤波算法。将簇内各节点最新的观测数据用极大似然估计法得到目标的状态信息,该信息作为参考分布更换粒子滤波部分粒子,引入模糊推理的数据融合方法为各个节点滤波结果分配不同权值,通过加权平均法得到目标的状态信息。仿真实验表明该算法能有效提高目标跟踪的精度。     

基于IMM Kalman滤波算法的实时追踪监控系统

将SAD匹配算法和IMM Kalman滤波算法相结合,构建了一个实时追踪监控系统的雏形.该系统通过SAD匹配算法对目标进行检测,结合IMM Kalman滤波算法使追踪更加精确,从而优化现有的监控系统.选用MATLAB对SAD匹配算法和IMM Kalman滤波算法分别进行仿真,仿真结果表明SAD匹配算法与IMM Kalm...