运动平台的磁性目标实时定位方法

针对目前基于运动平台的磁性目标定位方法计算过程复杂、实时性差的问题,通过对单点磁梯度张量定位算法的空间微分推导,提出了基于磁场三阶张量的目标定位算法,并通过研究运动平台磁梯度张量与磁场三阶张量的微分数学关系,提出了基于运动平台的磁性目标实时定位方法。该方法可利用运动平台的磁梯度张量观测值实时定位静止磁性目标,不需要求解非线性方程组,计算过程简单,实时性强。最后通过仿真实验证明了该定位算法的有效性,并验证了磁力仪精度和系统基线是影响定位结果的主要因素。     

基于海底磁力仪阵列的磁性目标定位方法

水中磁性目标的探测定位技术具有重要的军事价值。目前利用磁力仪阵列的磁性定位方法需要的采样点多,计算量大,实时性不强。为了更加实时有效地探测水中磁性目标,基于海底磁力仪阵列提出了一个新型磁性目标定位方法,方法包括海底磁力仪阵列的布控和定位计算两方面内容。该方法可以利用磁力仪阵列一组时间点数据实现水中磁性目标的定位计算,具有运算结构简单、实时性强等优点。并通过计算机仿真定量分析了磁力仪精度、磁力仪间隔距离等因素对定位误差的影响。     

基于序列Monte Carlo方法的运动目标跟踪

针对移动机器人中的非线性非高斯特性,提出用粒子滤波的方法对运动目标进行跟踪,研究在贝叶斯框架下进行目标跟踪的原理,分析粒子滤波算法及存在的问题.应用这种方法,针对移动机器人的实际情况,建立了具体的系统模型和测量模型,比较不同的重采样算法,实现了对运动目标的跟踪任务.仿真结果表明,粒子滤波对于非线性非高斯的动态系统有良好的估计效果,在3种常用的重采样算法中,残差重采样的准确性稍高,分层重采样的计算比较简单,而多项式重采样是一种基本的重采样算法.     

基于张量特征值和特征向量的磁性目标定位

针对磁偶极子模型提出了基于磁性目标磁梯度张量矩阵的特征值和特征向量的定向和定位方法。该方法以磁梯度张量信息作为磁测信息,以测量坐标系下的测量点坐标作为辅助信息,先通过单点梯度张量解得位置方向矢量,包括虚解和正解,再结合多点方向和辅助信息确定正解从而实现定位。在高信噪比情况下的仿真和实验结果表明,该方法与直接反演法的定位效果相当,说明了该方法的可行性。     

基于改进粒子滤波的传感器网络目标跟踪研究

在分析粒子滤波算法(PF)的基础上研究了一种改进的粒子滤波算法-无迹粒子滤波算法(UPF).UPF算法使用无迹卡尔曼滤波(UKF)算法产生重要密度函数.动态组织传感器网络节点成簇,将UPF算法和PF算法应用于无线传感器网络(WSNs)的目标跟踪,实现了对网络中做匀速直线运动的单个目标的跟踪.最后将UPF算法与PF算法进行比较.仿真结果表明,改进算法UPF滤波提高了粒子利用效率,精度更高,跟踪性能更好.     

基于PSO粒子滤波的弹道目标跟踪方法

为了在观测值有复杂噪声的情况下获得良好的弹道跟踪效果,提出了一种基于小生境粒子群优化粒子滤波算法的弹道跟踪预测方法.根据外弹道理论建立了跟踪状态模型,在贝叶斯框架下通过由观测量获取状态量的后验概率而消除观测噪声带来的影响,得到当前状态的准确信息,在重采样过程中使用了小生境粒子群优化算法,使得重采样过程更高效.最后进行了基于某型弹丸的弹道跟踪效果仿真,在观测量具有高斯噪声和厚尾噪声的情况下,跟踪弹道与预测弹道均与实际弹道吻合得很好,并优于卡尔曼滤波方法.说明本文方法对弹道的预测跟踪是有效的,为弹道跟踪的实际应用提供了一种参考.     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法.在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪.算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计...     

一种改进的雷达弱目标检测前跟踪算法

针对基于粒子滤波的检测前跟踪算法(PF-TBD)采样盲目性的问题,提出基于辅助粒子滤波的检测前跟踪算法(APF-TBD).该算法的重要性密度函数是一种依靠过去状态与系统最近观测量的密度函数,进一步使权值变化稳定,最终使得均方根误差较小,得到的粒子更逼近真实值,并将其应用于常规雷达对弱目标的检测与跟踪.仿真结果表明,该算法比PF-TBD有更好的检测效果与跟踪效果.     

基于空间颜色模型的目标跟踪方法

为了克服颜色直方图对目标定位不准确的问题,提出了基于空间颜色模型和粒子滤波的目标跟踪方法。结合目标区域的颜色和空间信息,采用空间颜色直方图对目标建模,通过计算候选目标和参考目标空间颜色直方图的Bhattacharyya距离,建立基于空间颜色模型的观测似然函数。实验表明,与基于颜色直方图的跟踪算法相比,新算法提高了跟踪的准确性和鲁棒性。     

核粒子滤波目标跟踪算法

针对粒子滤波的退化问题以及使用单一特征跟踪鲁棒性不高的缺点,提出了一种基于多特征融合的核粒子滤波目标跟踪方法.首先在核粒子滤波中提出新的权值更新方法,然后将颜色和纹理特征在核粒子滤波方法框架下进行融合实现鲁棒跟踪.对颜色和纹理特征的计算分别采用空间直方图和积分直方图的计算方法,这2种计算方法有效地克服了2种特征自身存在的缺点.该算法提高了采样效率,解决了粒子滤波的计算量大和粒子退化问题.最后应用本文算法在复杂背景和严重遮挡等情况下的目标序列上进行了测试,实验表明该算法不仅能准确地跟踪目标,而且能很好地处理目标遮挡等问题.     

基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。     

基于混合特征的运动目标跟踪方法

为了应对运动目标跟踪任务中目标的尺度、光照变化和形变等情况,提出了一种基于混合特征的运动目标跟踪方法--SoH-DLT,综合考虑了运动目标的轮廓特征和细节特征.在粒子滤波跟踪过程中引入方向直方图描述目标轮廓特征,保证与目标最相似的粒子在尺度、光照变化和形变的情况下仍能获得较高的置信度,并作为跟踪结果输出.结合深度学习获得的高层特征和具有尺度不变性的加速鲁棒特征计算粒子权重,提高了复杂运动场景下目标跟踪的准确度,强化了SoH-DLT方法对尺度变化运动目标跟踪的鲁棒性.实验结果表明,SoH-DLT与其他方法相比获得了更好的跟踪效果.     

BF粒子滤波算法在快速目标跟踪中应用的研究

为了对快速目标进行跟踪,在高斯加性白噪声的条件下(AGWN),文章把BF粒子滤波算法和迭代的Kalman滤波器方法结合起来对快速目标状态进行处理,状态估计用BF粒子滤波算法,能减小方差和运算量,同时用Kalman滤波器能提高跟踪精度和对目标状态的估计。仿真结果表明,文中所设计的快速和精确的BF算法能真正地解决快速目标跟踪问题。     

基于粒子滤波的目标主动轮廓跟踪算法

传统的粒子滤波方法采用若干维参数定义的简单几何图形给出跟踪结果,不能精确表示现实中具有复杂形状的目标物体。针对这一问题,该文提出基于粒子滤波的主动轮廓算法,用于计算复杂形状目标的轮廓跟踪任务。在目标状态后验分布的模拟样本基础上引入主动轮廓模型,并使用带权粒子定义其能量函数,使得模型的轮廓线向具有重要权重粒子的所在区域演化,并最终收敛到具有最大目标似然的图像区域,从而实现对目标物体的全局运动及局部形态演化的同时估计。精确的目标区域提高了目标模型的更新精度,避免了跟踪中漂移现象的发生。最后,结合真实机场监控验证了该方法在实际复杂场景下的有效性及鲁棒性。     

基于多模式多特征融合粒子滤波视频目标跟踪

本文研究了目标的多特征融合跟踪问题.提出了衡量各特征质量的标量方法,利用粒子权值平方和来表示各特征信息的粒子退化程度,并以此值作为各特征信息质量状况的衡量.该方法能根据跟踪的实际情况判定各分信息粒子质量,并在此基础上提出了多模式融合策略,该策略能依据各分信息的质量变换各融合模式达到跟踪过程中各模式的最优组合.实验结果表明:在对复杂背景视频目标的跟踪中,该算法具有强的鲁棒性,较高的识别精度.     

基于DSP的运动目标检测与跟踪系统设计

运动目标检测与跟踪是智能视频监控系统的重要组成部分,其主要功能为检测监控场景中的运动物体,分析其运动轨迹,为高级运动分析提供必要的信息.随着人们对社会安全水平和设备智能化程度要求的提高,运动目标检测与跟踪必将具有广泛的应用前景.针对实时运动目标检测与跟踪,提出了一种基于DSP的运动目标检测与跟踪系统的设计方案,给出了系统总体结构框图,分析了系统工作原理.实现了一种采用结合帧间差分和背景减除的运动物体检测方法,以及一种应用Kalman滤波的运动目标跟踪方法.同时,给出的实验结果表明,该系统能够检测并跟踪特定场合的运动目标.     

一种自适应的运动目标实时跟踪算法

提出了一种基于均值平移（Mean Shift）和粒子滤波融合的自适应运动目标跟踪算法。该算法在处理来自PTZ (Pan/Tilt/Zoom）摄像机的视频图像时，自适应地更新直方图模板的特征信息，并结合Mean Shift算法来控制粒子滤波中粒子的产生，根据粒子的权值计算目标的位置。测试结果验证了该算法的实用性和有效性。     

一种自适应的运动目标实时跟踪算法

提出了一种基于均值平移（Mean Shift）和粒子滤波融合的自适应运动目标跟踪算法。该算法在处理来自PTZ (Pan/Tilt/Zoom）摄像机的视频图像时，自适应地更新直方图模板的特征信息，并结合Mean Shift算法来控制粒子滤波中粒子的产生，根据粒子的权值计算目标的位置。测试结果验证了该算法的实用性和有效性。     

基于改进粒子滤波的目标跟踪算法

针对传统的粒子滤波采用系统转移概率作为建议分布,不能利用当前观测信息.提出了一种结合集合卡尔曼滤波的粒子滤波跟踪方法.对每个粒子产生一个采样子集,使用集合卡尔曼滤波结合当前的观测信息构造建议分布,依据新的建议分布对粒子进行采样.同时在跟踪过程中对于遮挡现象给出了判断和解决方法.实验结果证明该方法提高了粒子滤波估计的准确性,相对于传统粒子滤波和其他粒子滤波方法有更好的稳定性.