适用于机动飞行目标跟踪的半自动光学引导系统

提出采用光学系统引导遥测、雷达设备跟踪机动飞行目标，并从设计角度出发，概述光学引导系统设计思想，分析光学系统作用距离，着重阐述基于遥测、雷达设备的接口设计技术。在理论和试验上验证了光学引导系统跟踪机动飞行目标的优越性。     

红外成像制导的跟踪方法

本文以红外成像制导飞行器作为研究对象，对成像制导中跟踪算法作了介绍。叙述了数值交叉相关、快速傅氏变换、相位相关、时序相似性检测算法、减相关和边缘跟踪相关。     

成像制导系统目标攻击点的选择

分析了成像制导系统中目标攻击点的选择问题,并对近距目标和远距离目标的成像特点及其相应攻击点的选择进行了讨论。最后用实例给出了目标攻击点的具体选择方法。     

成像制志系统目标攻击点的选择

分析了成像制志系统中目标攻击点的选择问题，并对近距目标和远距离目标的成像特点及其相应攻击点的选择进行了讨论，最后用实例给出了目标攻击点的目标选择方法。     

基于3DGRTI技术的目标跟踪训练模拟器设计

3DGRTI(三维图形实时成像)技术在一些对虚拟环境沉浸感要求不特别高的场合有着广泛的应用.文章探讨该技术用于目标跟踪训练模拟器的设计思想及技术难点.     

光学接力跟踪的弹道融合

研究用多台光学设备分段跟踪同一弹道的数据融合问题，首先给出弹道参数，测元真实信号的节省参数模型，并由此建立弹道跟踪数据的节省参数模型，以此融合各接力段数据。该方法能给出精度较高的完整而分段光滑的弹道，同时可给出对跟踪数据的主要系统误差的估计。     

基于序列图像的空中目标跟踪方法

文中提出一种有效的运动跟踪检测算法对空中运动目标进行快速、准确的检测和跟踪,首先利用对称图像差分梯度法进行运动目标检测,该方法能很好地检测出移动背景中低信噪比的运动目标;然后通过改进的活动轮廓模型在视频图像序列中进行跟踪,实验结果表明,使用该方法可以得到有效的目标轮廓,从而获得准确跟踪效果.     

基于RBF网络和IMM的机动目标跟踪方法

文中提出了一种应用RBF神经网络对标准IMM算法中的卡尔曼滤波结果进行校正的方法。网络输人为预测误差、卡尔曼增益以及测量值与估计值之差．网络输出反映了由于目标机动所带来的滤波误差．将网络输出结果和直接由卡尔曼滤波求解得到的结果相加．可以得到更为准确的滤波值。同时．在网络的学习算法中．在网络权值矩阵的修正公式中增加了反映滤波残差的调整项．若卡尔曼滤波的残差较大，网络调整权值的幅度也相应增大。仿真结果表明．在目标发生机动转弯处．校正后的IMM算法的跟踪误差要明显小于标准IMM算法的跟踪误差．跟踪精度较高。     

水下弱目标跟踪的深度学习方法研究

针对水下弱目标跟踪受干扰和噪声影响容易出现量测丢失或偏差,导致传统Kalman滤波方法跟踪误差显著增加甚至出现发散的问题,为此提出一种基于神经网络的目标跟踪方法,利用深度神经网络解决不同运动模式下目标方位跟踪的问题。水下目标跟踪的神经网路模型可通过运动模型生成大量量测数据进行充分训练,有效解决水声目标数据少、标记样本不足的问题;在量测不连续条件下,提出一种新的损失函数用于增强目标跟踪模型的稳健性;对未学习的仿真数据及实测海试数据进行测试。研究结果表明：构建的卷积神经网络(Convolutional Neural Network, CNN)模型适用于3种不同运动模式下的目标,能在平台静止和运动两种情况下稳定跟踪目标;CNN模型较传统Kalman滤波方法跟踪误差分别降低了7.75°和1.41°,验证了该模型的稳健性和可推广性。     

基于方差比值特征的目标跟踪

采用在线自适应调整查找感兴趣目标区域特征的方法,实现了改进的目标跟踪。通过选择能够最大程度区分前景目标和背景的特征,计算其对教似然比值,以得到提高了单峰特性的加权图像,然后采用类间方差比值的方法对加权图像排序,选择排序最靠前的特征组合作为最好的特征,结合mean～shift算法完成目标跟踪。通过与传统mean—shift算法的跟踪效果比较,该算法对于目标表面和场景变化的情况都能够很好地适应处理。     

基于舰船电场的目标跟踪方法研究

针对舰船电场跟踪中模型准确度与跟踪模型维度之间的矛盾,以舰船电场点电荷阵列模型为基础,结合舰船电场反演算法,分析点电荷个数、观测点水深对建模精度的影响。明确观测点位置对点电荷数量的最少需求,在保证建模精度的同时降低跟踪滤波器的维度,保证滤波算法的稳定性。设计了舰船电场跟踪渐进更新扩展卡尔曼滤波器,并进行了仿真分析和试验验证。结果表明：用少量点电荷模型代替复杂舰船电场点电荷阵列模型,在舰船电场跟踪中是可行的,具有较高的跟踪精度;渐进更新扩展卡尔曼滤波方法对少量点电荷电场模型,能够有效提高初始误差容错范围,具有很高的滤波稳定性,定位误差在500 m范围内小于10 m,且计算代价较低,适合舰船电场跟踪的工程应用。     

基于谱图域相消的含旋转部件目标成像新方法

采用传统的距离-多普勒方法对直升机等含有旋转部件的目标进行ISAR成像时,旋转部件产生的微多普勒效应严重地污染了目标主体像。由于运动补偿后目标在谱图域表现为正弦谱图与直线谱图的叠加,基于直线谱图的幅度在短时间内的不变性。文中提出一种将相消技术应用于谱图域的微多普勒提取新方法,可快速有效地实现微多普勒信息的分离与提取,并获得较为清晰的目标主体像;仿真实验表明该算法具有较好的稳健性和计算效能。     

基于自适应多通道交互式多模型的高超声速滑翔飞行器跟踪方法

针对临近空间高超声速滑翔飞行器机动性强、单跟踪模型稳定匹配困难等问题,在分析目标受力情况与机动特性基础上,充分考虑运动学建模适应性强和动力学建模匹配程度高的特点,提出一种运动学模型与动力学模型相结合的自适应多通道交互式多模型跟踪算法.该算法以运动学模型和动力学模型为模型集,利用似然函数值对转移概率矩阵进行实时调整,增强...     

垂直阵时反聚焦的目标被动定位方法研究

时间反转被动定位技术是一种可以在无需目标合作的条件下,实现被动相干源能量时空自适应聚焦,确定浅海被动目标位置的信号处理技术.提出了垂直阵时反被动定位(APTRM)技术的具体实现方法,为提高算法的处理增益、定位精度和定位稳健性,对算法进行了改进.进行了水池实验和海试,试验结果验证了所提算法的正确性和实用性.研究结果表明:...     

一种基于特征匹配的目标识别跟踪方法

针对复杂背景下的动态目标跟踪问题,提出了一种基于边缘检测,综合多图像特征与伺服机构位置信息进行匹配的目标识别跟踪方法。利用SUSAN算法检测边缘,提取出单帧图像中的可疑目标,依次选用灰度、目标几何、伺服机构位置信息和边界不变矩信息匹配,完成目标的识别。采用kalman预测滤波对脱靶量滞后时间进行补偿,选用目标空间位置进行多步预测,引导伺服机构跟踪。外场实验表明,该方法能有效她匹配识别出目标,并保持连续稳定的跟踪。     

基于概率假设密度滤波与无迹Kalman滤波的多目标跟踪与识别

为提高导引头末制导阶段抗干扰能力,针对典型的欺骗式距离-速度联合拖引干扰模型,研究了基于概率假设密度(PHD)滤波的多目标跟踪与基于无迹Kalman滤波(UKF)的多目标识别技术。为说明导引头目标识别原理,给出了距离-速度联合拖引干扰模型;根据导引头测量原理,通过导引头框架角、导弹-目标相对距离、径向速度建立系统跟踪模型,给出了基于PHD滤波的多目标跟踪与基于UKF的多目标识别的基本原理;基于典型的目标运动模型(匀速直线与匀速转弯模型),针对目标施加的4次距离-速度联合拖引干扰,采用目标跟踪结果以及估计的目标速度和加速度信息进行多目标跟踪与识别分析,能够很快实现真假目标识别。仿真实验结果表明,利用PHD滤波与UKF信息能够有效实现对距离-速度拖引干扰下的多目标跟踪与识别。     

基于运动信息的弱小目标跟踪方法

近年来,低信噪比图像序列中弱小目标跟踪问题是国内外学者研究的一个热门课题.文中针对弱小目标的背景特性、目标特性和运动特性进行了深入分析,提出了利用序列图像小目标运动的连续性滤除背景以提高信噪比,运用目标本身特征和运动信息确认目标,减少虚警率,从而有效地跟踪弱小目标.算法收敛迅速,跟踪精度高.仿真实验结果表明该方法能够准确高效的检测并跟踪运动小目标.     

基于重采样粒子滤波的目标跟踪算法研究

基于传统粒子滤波的机动目标跟踪方法针对非线性、非高斯系统有较好的估计性能,但是存在粒子退化现象。利用残差重采样算法,可以有效克服粒子滤波的退化问题。本文针对残差重采样算法作进一步研究,提出了一种改进的残差重采样粒子滤波算法。该方法在残差重采样基础上进行改进,可以避免残差重采样中关于残留粒子的重采样问题,在保证精度的前提下提高运行效率,减少运算复杂程度。仿真实验结果表明该算法与残差重采样粒子滤波相比提高了目标跟踪的实时性,并且随着粒子数的增加,这种优势表现得更加明显。     

基于改进自适应IMM算法的机动目标跟踪

文中提出了一种改进的跟踪机动目标的自适应IMM（AIMM）算法,采用协同转弯运动模型作为目标的机动模型,通过估计目标的角速度,并在估计参数值的周围选择数量一定的模型组成模型集来覆盖目标所有可能的运动模式,采用交互模型算法进行状态估计;应用变结构思想,将模型之间的切换理解为随机有向图,并综合利用前一时刻模型的后验概率和当前时刻模型的预测概率,计算模型之间的转移概率,从而能够根据目标（转弯）机动的情况,自适应地建立IMM算法的可变模型集。仿真结果表明,改进的AIMM算法的跟踪精度有了较大的改善,算法也更加平稳。     

基于深度强化学习的机械臂动态目标抓取方法

针对现有机械臂动态目标抓取方法轨迹规划困难、实时性不足、难以实现六自由度抓取等问题,提出一 种基于深度强化学习(deep reinforcement learning,DRL)的机械臂动态目标抓取方法。进行马尔可夫决策过程(Markov decision process,MDP)建模,设计状态空间、动作空间以及奖励函数,实现机械臂对动态目标的六自由度抓取。基 于Pybullet 构建机械臂动态目标抓取仿真试验环境,对该方法进行训练,将训练得到的策略在新颖场景进行测试, 并与经典规划控制的动态目标抓取方法进行对比。仿真结果表明：该方法能实现机械臂对动态目标的六自由度抓取, 在抓取成功率和速度上具有优势。