基于转换坐标卡尔曼滤波算法的雷达目标跟踪

在三维空间中推导了转换坐标卡尔曼滤波算法,得到了在目标真实位置已知的条件下去偏转换测量值误差方差的表达式及在测量值已知条件下去偏转换测量值误差方差的表达式,用此算法进行了雷达目标跟踪仿真,取得了较好的跟踪效果。     

雷达机动目标跟踪的卡尔曼粒子滤波算法

为解决不敏粒子滤波算法对雷达机动目标跟踪实时性差和跟踪起始阶段收敛慢的问题,引入卡尔曼粒子滤波算法.通过坐标转换将实际的极坐标雷达观测数据转换为直角坐标数据,然后用线性最优的卡尔曼滤波器估计粒子状态先验概率密度,最后用非线性最优的粒子滤波器精确估计目标状态后验概率.仿真实验表明,与不敏粒子滤波相比,卡尔曼粒子滤波以牺牲较少精度(减少约6％)的代价,实现机动目标跟踪的实时性(约为前者的1/5),起始阶段收敛性更好.     

基于卡尔曼滤波器的运动目标跟踪算法

为了有效解决运动目标遮挡时目标信息容易丢失从而导致跟踪失败的问题,提出一种基于卡尔曼滤波器的运动目标跟踪算法。该算法首先利用高斯混合模型的背景差分法,结合空间邻域的相关性信息得到运动目标图像,然后通过建立帧间关系矩阵将跟踪情况分为5种状态分别进行处理,这5种状态是新目标出现、目标匹配、目标遮挡、目标分离和目标消失。采用卡尔曼滤波器预测目标参数,建立目标在下一帧中的预测信息。当运动目标相互遮挡时,在卡尔曼滤波器预测区域内采用交叉搜索法实现多个运动目标的精确匹配。通过多个视频序列测试,该算法能够获得良好的跟踪结果。     

利用多普勒滤波器对运动目标的跟踪

本文主要介绍了某雷达采用多普勒滤波器,在全相参体制下单脉冲雷达实现强杂波背景下的运动目标跟踪。     

米波雷达目标跟踪之分析

着重分析了米波雷达进行目标跟踪所普遍存在的一些问题,对跟踪滤波器性能与误差作了分析,指出观测的不确定性是导致跟踪发散的主要原因。最后给出了提高滤波预测精度的一些解决方法。     

卡尔曼跟踪滤波器的一种改进的运动模型

传统的卡尔曼跟踪滤波器都以匀速(cV)或匀加速(cA)运动作为目标运动模型,其模型固有的误差限制了跟踪精度的进一步提高。本文提出了一种保持目标推进力与速度方向成固定夹角的运动模型,在保持直线运动跟踪精度不变的条件下,使一般曲线运动跟踪精度向直线运动跟踪精度水平逼近。     

基于逻辑切换的改进强跟踪卡尔曼滤波器

针对线性随机系统提出了一种改进强跟踪卡尔曼滤波器(MSTKF).通过改变强跟踪滤波器的多重时变渐消因子,MSTKF在卡尔曼滤波和强跟踪滤波两种工作状态之间切换.当卡尔曼滤波不能有效跟踪突变状态时,MSTKF切换为可变弱化因子的强跟踪滤波.数值仿真实例显示了本方法的有效性.     

基于正规变换的转换测量Kalman滤波算法

对于极坐标观测下的目标跟踪问题,基于转换测量Kalman滤波器(CMKF),应用正规变换方法对其进行解耦,经过理论推导,得到了变换的解析表达式。仿真结果表明了算法的有效性。     

基于Camshift与卡尔曼滤波算法的动态目标跟踪

提出了一种结合连续自适应均值漂移(Camshift)与卡尔曼(Kalman)滤波的目标跟踪算法,针对目标受干扰情况,对两种算法的跟踪结果进行线性的加权,从而得到目标的最终位置。实验结果显示,该方法具有良好的目标跟踪效果,且具有很强的稳健性。     

基于多基地雷达系统的机动目标跟踪算法

针对多基地雷达系统,提出一种基于目标距离和以及速度信息的快速卡尔曼滤波机动目标跟踪算法.将目标位置滤波和速度滤波结合,构成了机动目标滤波的完整形式,从而提高了跟踪精度,最后给出仿真实例并进行相关的讨论.结果表明该方法计算量小,收敛速度快,跟踪精度高,具有一定的实用价值.     

改进的Meanshift运动目标跟踪算法

Meanshift算法在对快速运动的目标进行跟踪时容易丢失目标,并且在目标被遮挡时,也容易造成跟踪失败,跟踪的过程中跟踪框不能随着运动目标的大小变化而变化.提出一种基于Meanshift运动目标跟踪算法的改进算法.该算法基本思想是采用改进的三帧差分法对运动目标区域进行提取,求得跟踪框轮廓,同时用Meanshift算法对运动目标进行跟踪,获得目标最大概率区域,将该区域中心作为跟踪框的中心.跟踪过程中通过巴氏系数判断是否目标被遮挡,若被遮挡则调用Kalman滤波进行预测跟踪.实验结果表明,该算法能够快速、准确地跟踪目标.     

一种改进的机动目标跟踪算法研究

为了克服＂当前＂统计模型下的卡尔曼滤波算法在跟踪匀速目标时误差较大的缺陷,文章分析了造成此缺陷的原因,通过改进基于截断正态分布下的加速度方差模型,提高了对非机动目标的跟踪精度,仿真结果表明,该算法能够准确描述各种机动情况。     

基于霍夫-无迹卡尔曼滤波的目标检测与跟踪

采用霍夫变换法对雷达目标进行起始,解决了机动目标的非线性强的问题,得到精确的航迹起始初值信息,并将初值信息作为无迹卡尔曼滤波目标跟踪的初始输入,实现对机动目标的跟踪。较其它的算法,霍夫-无迹卡尔曼滤波具有更高的精度。实验仿真,证明了其有效性。     

基于视频序列的运动目标追踪算法

介绍了一种对视频序列中运动目标追踪的实现算法,该算法在运动目标检测的基础上,融合了卡尔曼滤波和Meanshift算法实现对快速移动目标的追踪。卡尔曼滤波对下一帧目标可能出现的位置做出估计,Meanshift迭代算子在估计出的区域对目标精确定位。经实际验证其有效地克服了传统Meanshift算法对于快速移动物体追踪可能出现的丢失目标的问题,目标追踪效果明显提高。     

基于特征确定性的目标跟踪算法

利用粒子空间分布和粒子观测概率信息定义了一种目标特征的确定性度量方法,将该度量应用到传统的多特征融合跟踪算法中,实现了目标特征加权值的自适应调整,使得不同场景及外部干扰条件下各种目标特征信息对跟踪结果的贡献达到最优。试验表明,基于确定性度量的跟踪算法较传统的单一特征跟踪及固定加权值的多特征融合跟踪算法有着更好的鲁棒性。     

一种用于雷达量测的滤波算法

在雷达跟踪系统中,广泛使用混合坐标系下扩展卡尔曼滤波器（EKF）和转换卡尔曼滤波器（CMKF）两种算法,但是当目标距离较远时,这两种滤波器由于量测方程非线性的影响,误差较大,甚至导致滤波发射。本文计算了传统EKF滤波器引入的线性化误差,并在此基础上提出一种新的滤波算法（NDRKF）。计算机仿具结果表明,该算法减小了线性化误差的影响,较明显地改善了滤波顺的性能。     

基于自适应卡尔曼滤波的机动目标跟踪算法

针对一般卡尔曼滤波融合跟踪方法无法实现对机动目标的有效跟踪问题,提出一种自适应卡尔曼滤波融合方法,设计一种能够提供目标开始机动瞬时估计的目标机动探测器,反复对目标的加速机动进行估计,当确定目标开始机动时,卡尔曼滤波模型将自适应地调整为目标机动状态模型。最后,通过仿真实验对比分析,证明文中所提方法优于一般卡尔曼滤波融合方法。