多目标进化算法的一种基于生成树的分布性维护方法

针对多目标进化算法的种群维护和运行效率相矛盾的问题,提出了一种基于生成树的分布性维护方法,即对整个种群构造一棵生成树,定义一种密度估计指标--树聚集距离,并结合树中的最短树枝和个体度数对种群进行维护.由于树聚集距离和度数具有动态性,每移出一个个体,种群中与之相连个体的信息都会发生相应的变化,因而可即时反映出种群的分布情况.与三个著名的算法NSGA-Ⅱ、SPEA2和C-NSGA-Ⅱ的比较实验表明,该方法能在得到良好分布性解集的同时,能以较快的速度对种群进行维护,具有较好的时间效率.     

反投影滤波重建功能材料梯度折射率模拟分析

开展功能材料梯度折射率分布反投影滤波重建效果及其最小折射率分辨率的模拟分析。为提高折射率重建分辨率,选取适用于多投影方向的滤波反投影算法,分别分析了轴向梯度变化及径向梯度变化的两类功能材料梯度折射率重建效果,相同模拟条件下,重建误差均约为1%;同时也模拟分析了上述两类梯度折射率的最小分辨率,模拟结果表明,当投影量保持为90不变的情况下,径向梯度变化折射率较轴向梯度变化折射率重建准确度高,且相邻梯度间隔0.003时,重建得到的两种梯度变化趋势的梯度折射率分布仍然能较好地分辨出其梯度间隔。     

一种基于投影层析方法的水下目标成像方法

投影层析是一种在几何上基于多角度投影实现目标与情景的像重构方法。水下散射目标具有数量众多、散射特性复杂的特点,为了有效探测到感兴趣的目标,需要重构出目标及所在情景高可靠分辨的像。因此,该文从逆问题求解的角度出发,分析了实现投影层析方法的物理条件及数学原理;并提出了一种水下目标投影层析成像的可行性方法及实现流程;通过在不同的扫描角度范围下的仿真进一步验证了投影层析方法对指定区域反射性目标探测的可行性。     

多传感器多目标粒子滤波算法

为了能够有效解决非线性、非高斯环境中多传感器多目标跟踪问题,提出了一种基于粒子滤波的多传感器联合概率数据互联粒子滤波算法(MJPDAP)。该算法应用广义S-D分配的规则对每个传感器送来的观测数据进行排列组合以形成等效量测点,并计算所有等效量测点的联合似然函数。在此基础上,结合联合概率数据互联(JPDA)的思想计算各个粒子权值,以获得最终的跟踪结果。仿真结果表明,与单传感器联合概率数据互联粒子滤波算法(SJPDAP)相比,该算法位置跟踪精度能提高20m左右。     

适用于快速扩展目标的跟踪算法

提出了一种算法──偏移质心算法,阐述了偏移质心算法的原理及实现过程。该算法适用于对高速运动扩展目标的跟踪,已成功地用于ＯＦＤ－６３０电视跟踪器,并通过了连云港动态打靶试验。由于这种算法快速简捷、方便易行,且能实时稳定的对目标进行跟踪,在图象跟踪系统中不失为一种简单实用的跟踪算法。     

一种基于投影算法的运动目标自动跟踪系统

提出了一种基于投影算法的运动目标自动跟踪系统设计方案．它适用于固定背景情况下单个运动目标的检测与跟踪．采用了双摄像头方案,既可以扩大场景的监视范围,又可以给出运动目标的近距离影像．引入了投影算法计算位移矢量,提高了计算速度和对背景变化的抗干扰能力．实验结果表明了方案的可行性和算法的稳健性．     

免疫粒子滤波在声呐图像目标跟踪中的应用

基于前视声呐图像序列,研究并实现了经免疫算法优化的粒子滤波水下目标跟踪。声呐图像分割成二值图后,提取目标的区域形状特征以构建观测模型,设计目标模板自适应更新方法;将免疫算法的克隆与变异思想引入到粒子滤波中以解决粒子退化问题。对两组水下运动物体的跟踪实验表明,即使目标存在一定形变与干扰,文中的免疫粒子滤波算法仍能以较高的精度跟踪到目标真实运动轨迹;相比于传统粒子滤波算法,稳定性也更强。     

改进的EKF算法在目标跟踪中的运用

过程噪声和测量噪声影响Kalman滤波的性能,通常很难得到它们准确的值。提出观测噪声和过程噪声实时估计的自适应算法。该算法可以用在非线性和机动目标跟踪问题中,不必预先知道准确的噪声方差。重新估测观测噪声方差矩阵,可以较好地消除由观测噪声带来的误差;建立一个简单的线性Kalman滤波器对过程噪声进行实时估计,这对于机动目标来说是必要的,因为原有的过程噪声将受到加速度影响,不能包含全部的信息。实验表明,该算法保证EKF稳定性,提高了跟踪性能。模拟实验300次后,X,Y方向位置均方误差分别为7.8099,9.6838。     

Kalman滤波融合优化Mean Shift的目标跟踪

目标跟踪中,目标跟踪的实时性和精度是首先要考虑的问题,同时背景变化、形状改变、目标遮挡,往往会导致跟踪失败。针对此问题,首先优化了Mean Shift算法迭代权值,优化后主要灰度贡献更加突出,次要灰度受到抑制,提高了跟踪的精度、避免了开方的繁琐运算。然后提出目标模板更新算法,解决了背景剧烈变化和目标形状改变时跟踪失败的问题。最后将优化Mean Shift算法与Kalman滤波融合,通过残差判定目标运动状态。仿真实验和分析表明,Kalman滤波融合优化Mean shift算法在目标遮挡,目标形状改变,背景变化时具有更高的跟踪精度和实时性。     

Kalman滤波融合优化Mean Shift的目标跟踪算法

目标跟踪中,目标的背景变化、形状改变、遮挡,往往会导致跟踪失败,而跟踪的实时性和准确性是必须考虑的问题。本文首先对Mean Shift算法进行了介绍,接着对Mean Shift算法进行了优化:修正Mean Shift算法迭代权值,修正后主要信息贡献更加突出,次要信息受到抑制,避免了开方的繁琐运算,降低了运算量。提出了目标模板更新算法,解决了背景变化和目标形状改变时跟踪失败的问题。然后在水平位置和竖直位置建立Kalman滤波器,同时将优化Mean Shift算法与Kalman滤波融合,解决了目标完全遮挡后无法继续跟踪的问题。仿真实验表明,本文提出的目标跟踪算法在目标遮挡,目标形状改变,目标跟踪失败的情况下具有更高的跟踪精度,更高的实时性和鲁棒性。