多坐标系下目标跟踪的联合滤波

针对雷达目标观测和处理在不同的坐标系下完成，本文提出了联合滤波算法来跟踪机动目标。该算法以卡尔曼滤波器为基础，直角坐标系下和极坐标系下的算法相联合，不仅克服了两种坐标系下滤波算法的不足，而且对机动目标有很好的跟踪效果。仿真实验结果表明了该算法的有效性。     

过程噪声方差实时补偿的非定轨目标跟踪

针对非定轨目标跟踪问题中过程噪声统计特性未知的特点,提出了一种实用的对过程噪声方差进行实时补偿的目标跟踪算法。该算法根据强跟踪滤波器的思想,通过实时检测新息序列来修正卡尔曼滤波算法中的状态预测误差协方差矩阵,进而对未知的过程噪声方差矩阵进行实时地补偿。由于存在新息检测机制,该算法能够有效地规避表征建模不确定性的过程噪声统计特性未知的问题,对于建模不确定性具有一定的适应能力。通过对一旋转靶标跟踪问题的仿真试验,证明了该方法的有效性。     

快速运动目标的Mean shift跟踪算法

针对Mean shift本身的理论缺陷，提出Mean shift和卡尔曼滤波器相结合的快速目标跟踪算法。利用卡尔曼滤波器来获得每帧Mean shift算法的起始位置，然后再利用Mean shift算法得到跟踪位置。在目标出现大比例阻挡情况时，利用卡尔曼残差的计算来关闭和打开卡尔曼滤波器，此时，目标位置的线性预测替代了卡尔曼的作用。试验证明，本算法可以实现对快速运动目标的跟踪，对阻挡也有很好的鲁棒性。     

基于当前统计模型的一种双自适应模糊滤波算法

在当前统计模型的基础上,提出一种双自适应模糊滤波算法.该算法利用模糊推理机制及结合升半正态形模糊分布函数,对最大加速度和过程噪声协方差矩阵进行双自适应调整.针对阶跃机动,引入强跟滤波器达到增强跟踪机动目标的能力.仿真结果表明,该算法提高了机动模型与目标实际机动模型的匹配程度以及对强机动目标跟踪的精度,改善了滤波器的跟踪性能,克服了对弱机动目标跟踪性能的不足.     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中，直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题，提出了一种修正极坐标系下的自适应卡尔曼滤波算法，对虚拟系统噪声进行估计，动态补偿模型线性化误差，对其滤波理论及算法进行了研究和仿真．仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡尔曼滤波算法．     

基于高斯粒子滤波的当前统计模型跟踪算法

对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法.     

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。     

跟踪系统中跟踪器延迟的自适应预测补偿方法

跟踪系统中跟踪器的延迟会对系统的稳定性和跟踪精度产生不利影响。为此以典型Ⅱ型系统为例，理论上定理地分析了跟踪器延迟对跟踪系统的影响，并提出了将采用LMS算法和横向滤波器结构的自适应滤波器用于延迟预测补偿的方法。仿真结果验证了方法的有效性。     

一种基于卡尔曼预测的动态目标跟踪算法研究

针对视频序列中目标的跟踪,均值漂移算法和卡尔曼滤波器相结合的目标跟踪算法已经被提出,而在移动机器人上实现对机动目标的实时跟随时,机器人自身的运动引起目标在像平面的偏移不能被忽略,在详述了两者的关系的基础上,建立起以机器人一个周期内的运动作为输入量的状态方程,以卡尔曼滤波器的估计值作为均值漂移算法的启动点,均值漂移算法的最终收敛点作为每帧的跟踪结果,并以此收敛点替代滤波器的估计值,两种算法交替使用,互为补充.实验表明所提算法可以实现在室外环境下对动态目标的实时跟踪.     

多传感器模糊融合跟踪算法

针对集中式融合结构跟踪系统,利用随机逼近算法分析了权值的最优分配原则,提出了一种基于模糊推理的多传感器融合跟踪算法。该算法采用协方差匹配技术,依据滤波新息,动态调整测量噪声方差,使融合系统的均方误差始终最小。同时利用双滤波器结构,根据系统方差,实现滤波器间的动态切换,提出了基于模糊推理的并行双Unscented卡尔曼滤波自适应跟踪算法,增强当前统计模型对弱机动目标的适应能力。针对机动和非机动飞行航路进行了算法仿真,结果表明,在时变测量噪声条件下,采用模糊融合跟踪算法前后的速度均方根误差分别为45.7m/s和36.2m/s, 18.7m/s和9.6m/s,提高了多传感器系统的稳健性和跟踪精度。     

水下机动目标跟踪技术研究

水下目标跟踪是海洋国土监视、反潜战等环境下的关键技术。以往的跟踪滤波算法主要基于卡尔曼滤波、扩展卡尔曼滤波等算法,这些方法实现比较复杂,滤波精度不高。最近出现了不敏卡尔曼滤波、粒子滤波、转换瑞利滤波、双多基地跟踪算法等,需要研究这些算法在水下目标跟踪中的性能。总结对比了国内外学者在此领域的研究成果,得出了这些滤波算法在水下目标跟踪中的优缺点。重点论述了纯角度跟踪和非线性滤波算法的发展、在水下目标跟踪中的应用以及多基地声纳跟踪水下目标技术的发展,回顾了机动目标跟踪和多目标数据互联算法。研究表明,非卡尔曼滤波算法能够更高精度地跟踪水下目标,双多基地声纳是今后发展的重点。为今后的研究提供参考。     

卡尔曼滤波器在光电经纬仪中的应用

为了解决光电经纬仪电视跟踪系统脱靶量滞后对控制系统跟踪精度及稳定性的影响，将预测滤波技术应用到光电跟踪系统中，提出了极坐标下卡尔曼滤波算法，目标模型采用等速运动并附有时间相关的随机加速度，增加了延时补偿。仿真结果表明，跟踪误差减小，当跟踪目标从视场消失时，控制系统按照预测的目标信息跟踪。     

扩展容积卡尔曼滤波定位技术研究

为提高被动定位技术的精度与环境适应性,本文提出运用一种新的非线性滤波方法—扩展容积卡尔曼滤波算法进行多角度传感器目标定位;它首先利用EMD(经验模态分解)算法对目标的量测噪声协方差矩阵进行估计;然后,将过程噪声协方差和量测噪声协方差融入循环过程;同时,为保持算法的稳定性和正定性,利用求平方根的形式对算法改进。通过对扩展容积卡尔曼滤波与UKF(不敏卡尔曼滤波)算法跟踪目标的结果进行比较,在运算复杂度与UKF相当的前提下,扩展容积卡尔曼滤波算法不仅可以对未知量测噪声情况下的目标进行跟踪,而且显著提高了被动定位的精度。     

方位角准确预测法在光电跟踪中的应用研究

本文通过基于卡尔曼滤波和一步预测理论建立适当的数学模型，提出了一种应用于舰载光电跟踪设备的拟线性目标方位预测算法，并对不同的运动目标的进行了仿真计算。结果表明该方法有较高的精度，能预测出光电跟踪设备在丢失目标情况下的目标航迹，可满足其在炮振丢失目标情况下的预测要求。     

基于BELLHOP模型的水下多目标跟踪算法研究

针对高频主动声呐的深海多目标跟踪问题,提出了基于BELLHOP模型的无迹卡尔曼滤波-高斯混合概率假设密度(Unscentesd Kalman Filter-Gaussian Mixture-Probability Hypothesis Density, UKF-GM-PHD)水下多目标跟踪算法。该算法首先利用BELLHOP射线声学模型,计算出本征声线、目标信号的幅度、相位及时延信息,以此构造目标回波信号并叠加高斯白噪声。然后,由回波信号计算得到目标相对于观测站的距离、方位角和俯仰角信息,作为目标跟踪系统中的量测信息。最后利用提出的UKF-GM-PHD多目标跟踪算法,实现高频主动声呐非线性系统的多目标跟踪。仿真结果表明,在深海高频主动声呐条件下,文章提出的UKF-GM-PHD多目标跟踪算法较传统高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density, GM-PHD)方法,明显降低了目标丢失率,并且最优子模式指派统计量(Optimal Sub-Patter Assignment, OSPA)距离也更小,跟踪效果更好。