基于改进 Mean Shift 的运动目标跟踪算法

为了提高传统 Mean Shift 算法在目标快速运动和被大面积遮挡两种情况下跟踪的效果,对 Mean Shift 跟踪算法进行了3点改进：采用 Kalman 滤波器预测运动目标轨迹,以提高算法对快速运动目标的鲁棒性;提出了一种融合Kalman 滤波器残差和 Bhattacharyya 系数的遮挡处理机制,以提高目标被大面积遮挡时的跟踪效果;提出了一种基于自适应更新因子的目标模型更新机制,以提高动态适应能力。对比实验结果表明,改进算法能有效提高在上述两种情况下的跟踪效果,并且在遮挡情况下具有较好的鲁棒性。     

滑动置信度约束的红外弱小目标跟踪算法研究

为了提高红外视频弱小目标的跟踪精度,提出了滑动置信度约束的弱小目标跟踪方法。在快速自适应中值滤波的红外图像背景抑制技术的基础上,设计了正交变换和置信域约束的轨迹预测,利用加权参数增强目标函数的收敛性能,提高下一位置初的预测准确度;通过轨迹相邻点的位置差计算搜索窗口的大小,搜索与之相匹配的特征点进行关联处理,完成对初预测点的筛选;以滑动轨迹置信度检验为准则判决轨迹的真实性,并进行目标轨迹更新以实现对弱小目标的准确跟踪。通过红外弱小目标视频对所提算法进行了实验验证,结果表明,该算法对红外弱小目标的跟踪轨迹误差有较小的均方偏差与均方差,在噪声消除和对图像整体信息保护方面都具有良好的性能。     

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。     

一种实时的机动目标多模型跟踪算法

提出了一种实时的机动目标多模型跟踪算法。该算法包含两个并行的Kalman滤波器，分别为匀速Kalman滤波器和匀加速Kalman滤波器。定义了“滤波运动模型偏离度”作为模型切换的判据，在线实现了两个Kalman滤波器的自动切换，使总输出结果最大程度的符合实际运动模型。通过可调过程噪声的自适应方法，抑制了滤波发散，避免了在模型切换时误差跳变过大。仿真测试结果表明，该算法跟踪精度高，计算量小，因此适合在自行高炮的目标跟踪中使用。     

一种基于帧差法结合 Kalman 滤波的运动目标跟踪方法

为解决视频帧目标跟踪中的尺度变化导致的目标跟踪发生跟丢的问题,提出一种自适应跟踪窗口的处理 方法,利用下一帧的估计位置与当前帧目标位置的差值作为检测量,自适应调整跟踪窗口,实现目标的有效检测和 跟踪。实验结果表明：该方法能有效降低目标跟丢的概率,预防目标的误跟踪,适应目标尺度变化。     

网络化弹药系统中基于IMM算法的轨迹跟踪

网络化弹药系统是一种基于先进的无线传感器网络技术与现代智能弹药概念提出的一种弹药系统。为了实现网络化弹药系统中目标跟踪的任务,文中研究了将交互式多模型(interacting multiple model,IMM)滤波算法应用于网络化弹药系统实现对目标的轨迹跟踪,分别建立匀速拐弯运动以及匀速运动模型,目标在不同时刻遵循不同运动模型,利用IMM算法对探测到的目标进行跟踪建模,通过仿真分析,IMM算法跟踪效果良好,精度远高于最小二乘法。     

被动声探测系统机动当前模型的卡尔曼滤波跟踪算法研究

采用机动“当前”模型对被动声探测目标进行了建模，并提出了采用Kalman滤波算法作为目标跟踪的主要算法，给出了仿真算法的详细设计流程。从仿真分析可以看出，采用机动当前模型的Kalman滤波算法可以有效地满足声探测系统的跟踪要求。     

闪烁噪声环境下目标跟踪的UPF算法研究

介绍了一种改进的粒子滤波（PF）算法——无味粒子滤波算法（UPF）。该算法结合UKF（unscented Kalman filter）和PF算法，利用UKF对非线性系统的处理能力，用UKF得到粒子滤波的重要性采样密度函数，从而克服了PF没有考虑最新量测信息和UKF只能应用于噪声为高斯分布的不足。在给出的闪烁噪声统计模型基础上．将UPF、PF算法在雷达目标跟踪中进行了比较，仿真结果表明该方法可以取得比标准的粒子滤波更快的滤波收敛性和更高的滤波精度。     

基于模糊控制交互式多模型粒子滤波的静电机动目标跟踪

针对交互式多模型粒子滤波算法（IMMPF）的精度不高,算法更新时间长,难以满足静电机动目标跟踪要求的问题,提出了一种新的基于模糊控制的交互式多模型粒子滤波算法（FIMMPF）。该算法先利用模糊控制方法实现实时调整交互式多模型算法中的转换概率矩阵,使与目标当前运动状态最接近的运动模型在混合产生这一采样时刻的初始状态向量里占有更大的比重。同时,为了提高基本粒子滤波算法的精度,减小算法更新时间,再利用中心差分扩展卡尔曼滤波算法产生基本粒子滤波的建议分布函数,实现对目标运动状态的更新。理论分析和仿真结果表明,所提出的算法能够以更高的定位精度,更小的计算量实现对静电机动目标的跟踪。     

一种基于ARMA新息模型的机动目标跟踪算法

针对一般机动目标跟踪算法的复杂性和计算量大的缺点,提出了一种基于ARMA新息模型的改进稳态Kalman滤波算法.该算法选取极坐标系为跟踪坐标系,将反映径向加速度和机动角加速度的控制输入量引入到目标距离和方位的状态描述模型中,其计算量远远小于一般跟踪算法.仿真试验结果表明该算法满足机动目标跟踪的精度要求,可应用于机动目标的快速跟踪.     

多目标时空同步协同攻击无人机任务分配与轨迹优化

针对复杂战场环境下分布式无人机对多目标协同打击任务,提出多目标攻击的任务分配与轨迹优化算法。建立典型多目标打击的任务场景和无人机模型;基于Delaunay三角形理论,以禁飞区为节点构建搜索地图;运用A^*算法实现威胁最小的单机路径搜索;在无人机动力学约束和能耗损失最小的基础上,引入时间调节因子,采用基于贝塞尔曲线的分布式无人机时空同步轨迹优化方法,得到对多目标同时打击的优化轨迹;设计轨迹跟踪控制器,对预规划轨迹进行跟踪仿真。仿真结果表明,多目标攻击的任务分配与轨迹优化方法能够对多目标实现多角度、时空同步、分布式协同打击,且对噪声及阵风等具有较强的抗干扰能力。     

空间目标航迹片段关联算法研究

为了有效改善空间目标跟踪的连续性、稳定性,针对空间目标断续航迹关联问题开展相关研究,建立了地心惯性(ECI)坐标系下基于欧拉方程的外推预报和东北天(ENU)坐标系下基于动力学方程约束的外推预报。在利用中段动力学模型对中断前的目标运动轨迹进行预报外推的基础上,利用中断航迹预报外推结果和中断后新起始的每个航迹段前几个时刻的状态更新值,构造检验统计量进行关联配对,实现中断前后空间目标航迹的关联融合,以此提高空间目标跟踪精度和有效跟踪批数。     

基于人机交互的免锚检测和跟踪系统设计

为提高越野环境中目标检测和跟踪的准确率和效率,提出一种基于人机交互的免锚检测和跟踪系统。该系统由检测系统、指挥系统和目标跟踪系统组成。检测系统,在基于点的点云特征提取框架的基础上,设计一种免锚的目标检测网络结构;指挥系统通过相机实时获取环境态势信息,人机交互地在检测网络输出的目标序列中选择跟踪目标;跟踪系统利用检测网络输出的目标序列的外观模型和指挥系统下发的跟踪目标外观模型进行匹配来确定跟踪目标,再基于卡尔曼滤波算法进行目标运动估计。基于越野场景的实车数据进行了验证。验证结果表明：基于人机交互的免锚检测和跟踪算法在不增加算法时间的同时实现了超91%的准确率,能够满足无人驾驶车辆在越野场景的使用要求。     

可分辨空间密集目标群跟踪算法研究

为了有效改善可分辨空间目标群的早期跟踪态势,提高高速目标群的跟踪处理速度和跟踪精度,提出了可分辨空间密集目标群跟踪算法。该算法首先通过全局聚类群分割、群关联和群跟踪,解决大量距离靠近、运动特征差异不明显的高速空间目标群早期连续稳定跟踪问题; 通过群跟踪掌握早期群整体信息,提高目标数据处理速度。在此基础上,边跟踪边分群,由群目标跟踪逐渐过渡到多目标跟踪,在群目标跟踪中通过结合空间动力学方程提高群内目标的跟踪精度,提升雷达系统对可分辨密集空间目标群的跟踪能力。     

基于单目视觉的多车辆跟踪方法研究

针对车载单目摄像机的汽车辅助驾驶系统,提出了一种多模式多线索的车辆跟踪算法。首先利用运动估计预测目标在下一帧的感兴趣区域,也就是跟踪窗。然后多目标遮挡推理机制确定目标是处于遮挡模式还是正常模式。在正常模式下,在跟踪窗内联合使用车辆的先验知识、评估环节、分块模板等线索对车辆目标定位;遮挡模式下,利用遮挡推理机制给出的遮挡区域,在跟踪窗内调用切割分块模板匹配进行遮挡处理。这种多模式多线索的车辆跟踪方法实现了对后方多车辆的稳定跟踪,同时也适合前视车辆。实验结果表明该算法是鲁棒的和准确的。     

雷达组网多目标跟踪系统的设计与实现

雷达组网多目标跟踪系统采用加权最小二乘估计估计目标的初始状态，其数据关联采用最近邻算法，假设观测误差为高斯噪声且各个传感器之间相互独立，先计算量测点与系统航迹的标准化距离，再判断某个量测是否与某个航迹相关联，选择标准距离最小的系统航迹与量测点配对，用此量测点对系统航迹进行更新。系统跟踪滤波则采用加权最小二乘滤波算法，仿真试验表明，该系统可有效地对组网雷达条件下的多目标进行跟踪。     

基于机动单元库的TSO-GRU-Ada机动轨迹预测

机动轨迹预测是自主空战中的一个重要组成部分。针对无人战斗机机动轨迹预测精度低且时耗过长的问题,提出一种基于机动单元库的自适应集成三角优化门控循环神经网络预测方法。建立无人战斗机3自由度模型,解决轨迹数据来源问题;通过4种轨迹特征,将轨迹分为平面机动、空间左转弯机动和空间右转弯机动三类,构建21种基本机动单元;介绍门控循环神经网络,为避免网络梯度优化陷入局部最优,引入三角搜索优化算法更新网络内部权值和偏置。为提高预测精度,采用自适应增强算法构建强预测器;通过实验选取预测器最优参数,在不同机动单元情况下进行预测,预测精度较高且均能满足时耗要求;为检验在机动轨迹上的预测性能,从空战训练测量仪中选取一段轨迹,与5种不同预测模型进行对比。研究结果表明,所提模型的预测精度最佳。     

基于MPC-MFAC的双侧独立电驱动无人履带车辆轨迹跟踪控制

简化模型带来的模型失配以及外部环境不确定性是导致轨迹跟踪误差的主要原因,尤其对于无人履带车辆,其复杂的物理特性和工作环境更放大了两大因素的不利影响。针对该问题,将基于模型和基于数据的控制方法结合起来,提出一种基于模型预测控制结合无模型自适应控制补偿的双侧独立电驱动无人履带车辆轨迹跟踪控制方法。在平衡建模准确度和求解耗时的基础上,利用模型预测控制进行前馈求解。针对模型预测控制中简化模型与车辆实际模型之间必然存在的差异以及环境不确定性,基于动态跟踪效果构建无模型自适应控制算法进行补偿,即利用车辆实际轨迹与模型预测所得轨迹之间的误差,对模型预测控制求解的两侧履带速度控制量进行实时修正。仿真实验结果表明,该方法能够在一定程度上抑制系统内外部不确定因素的影响,提高动态环境下双侧独立电驱动无人履带车辆轨迹跟踪控制的精度。