基于Meanshift与Kalman的视频目标跟踪算法

针对传统的Meanshift方法在复杂条件下目标跟踪丢失问题,提出了一种将Meanshift与Kalman滤波器融合的视频运动目标跟踪算法。该算法可对跟踪加入运动目标预测,根据Meanshift跟踪结果判断是否开启Kalman滤波器的预测及滤波,能提高跟踪的鲁棒性。实验结果表明,该算法可以有效改善在复杂条件下的跟踪效果,具有较好的鲁棒性。     

一种模糊推理强机动目标跟踪新算法

针对机动目标状态估计算法对强机动目标跟踪性能下降,甚至发散的问题,在机动目标状态估计算法基础上引入模糊推理多重修正因子,提出一种新的强机动目标自适应跟踪算法.采用残差统计距离和目标机动加速度的2-范数作为模糊输入量,自适应地计算出多重修正因子来实时调节预测协方差.该算法保留了对一般匀速或弱机动目标的高精度跟踪性能,同时增强了滤波器对强机动目标的自适应跟踪能力.仿真结果表明,新算法提高了对强机动目标的估计精度,加快了跟踪的收敛速度.     

视频监控重点区域智能分析报警系统的设计与实现

针对传统的视频监控系统中运动目标跟踪的不足,提出了将Kalman滤波器引入Mean shift算法中的运动目标跟踪新方法,解决了Meanshift算法在大面积遮挡问题以及相似干扰物问题,并将多线程技术应用到软件设计方面。通过在实际智能分析报警系统中的应用,对运动目标跟踪实现方案的有效性、实时性等特性进行了验证。     

一种基于Meanshift算法的目标跟踪改进

针对遮挡及相似干扰问题,在Meanshift算法的基础上提出了一种新的改进算法.该算法有效地将Meanshift算法与Kalman滤波算法结合,准确确定目标质心位置,并根据目标质心位置及前一帧搜索窗口边界自适应地调整当前搜索窗口,使其与目标位置更匹配,跟踪结果更加准确、可靠,同时也减小了环境等因素对算法的影响.实验对比结果表明,改进算法具有良好的稳定性和自适应性,可有效解决大面积遮挡和相似干扰问题.     

融合梯度特征的红外目标跟踪

Meanshift跟踪算法普遍采用单一的灰度空间进行红外目标跟踪,直方图所含信息量少,容易受目标和背景灰度变化的影响．文中提出一种融合梯度特征的红外图像Meanshift跟踪算法,该算法对边缘和结构特征的梯度值进行量化,建立梯度特征模型;利用Bhatta—charyya系数分别计算梯度特征和灰度特征的特征相似度;设置置信度系数,并利用置信度系数将梯度特征相似度和灰度特征相似度进行融合,得到综合相似度;针对综合相似度推导Meanshift迭代方程,通过迭代运算逐步逼近目标实现跟踪;利用灰度特征相似度和梯度特征相似度信息并结合置信度系数设计模型更新准则以提高跟踪鲁棒性．文中算法能够适应红外目标跟踪中目标与背景的变化,鲁棒性强且跟踪准确度高,仿真实验表明该算法较普通Meanshift算法性能有较大提高,跟踪精度也有所改善．     

数据关联算法的研究

在现代目标跟踪系统中,数据关联是一个重要组成部分.由于测量来源的不确定性,密集环境中的目标跟踪比较困难.概率数据关联算法和联合概率数据关联算法能很好地处理目标跟踪并在很多领域得到了广泛的应用.但是一旦出现某种干扰或是故障,通过概率数据关联算法得到的滤波值也会偏离真实值很多,造成滤波发散,严重影响性能.针对这一不足,基于概率数据关联算法中的组合新息,提出了修正概率数据关联算法.最后用一些实例来评价该跟踪算法的跟踪性能,仿真结果表明了修正概率数据关联算法和修正联合概率数据关联算法的有效性.     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

基于红外传感器方位跟踪算法的性能分析

针对项目需要,研究了当毫米波雷达/红外双模导引系统中的雷达系统不可用时,仅通过红外传感器的目标角度信息进行纯方位跟踪的卡尔曼滤波算法以提高系统的抗干扰能力。文中分析了扩展卡尔曼滤波器、伪线性估计器和基于修正球坐标系滤波器3种滤波方法用于解决此类问题的特点,并以纯方位跟踪的观察数据对上述算法进行了仿真。结果表明:扩展卡尔曼滤波器是一种不稳定的算法,在许多情况下是发散的;伪线性估计器稳定性较好,但产生的估计是有偏的;基于修正球坐标滤波解决了跟踪不稳定性问题,估计效果相对较好,具有一定的工程应用意义。     

在线判别式超像素跟踪算法

针对传统超像素跟踪方法中建模速度慢、目标遮挡易漂移的问题,提出一种新的目标跟踪算法．该算法利用超像素分割,获得大量目标前景和背景的超像素训练数据,通过训练超限学习机,并结合k-d树聚类快速构建目标前景和背景的判别式模型．在跟踪过程中,利用构建的模型和粒子滤波估计目标中心位置．最后结合相关滤波估计目标尺度,实现对目标的鲁棒性跟踪．实验结果表明,所提算法具有可靠的跟踪精确度和较快的跟踪速度．     

基于航迹关联的一、二次雷达联合跟踪

该文针对一、二次雷达在杂波环境下多目标多传感器协同跟踪问题,提出了一种带二次雷达修正的基于航迹关联的一、二次雷达联合跟踪算法。该算法先通过一次雷达对敌友方目标和二次雷达对友方目标运用联合概率数据关联算法滤波跟踪得到航迹数据之后运用双门限航迹关联判定友方目标并撤消对友方目标的跟踪和利用二次雷达探测数据进行对敌方目标的高度信息进行自适应修正,通过蒙特卡洛仿真表明该算法在提高目标跟踪精度和减小处理器的运算量都是有效的。     

重尾非高斯定位噪声下鲁棒协同目标跟踪

针对定位数据的统计特性未知且易受异常值干扰而影响协同目标跟踪性能的问题,提出一种重尾非高斯定位噪声下的鲁棒协同目标跟踪方法. 该方法假设定位噪声服从多元学生t-分布,建立联合估计目标状态与定位噪声参数的贝叶斯模型. 针对目标状态与噪声分布参数相互耦合而难以计算联合后验分布的问题,应用变分贝叶斯推断原理和平均场理论对后验分布进行解耦,将目标状态与定位噪声参数的联合后验分布估计问题转化为最优化问题,以交替优化的方式实现系统参数的在线递推估计. 对提出的协同目标跟踪方法进行测试. 仿真结果表明,当定位数据中存在未知的野值噪声时,提出的协同跟踪算法具有较好的鲁棒性.     

Target Tracking Algorithm Based on Meanshift and Kalman Filter

Directed at the problem of occlusion in target tracking, a new improved algorithm based on the Meanshift algorithm and Kalman filter is proposed. The algorithm effectively combines the Meanshift algorithm with the Kalman filtering algorithm to determine the position of the target centroid and subsequently adjust the current search window adaptively according to the target centroid position and the previous frame search window boundary. The derived search window is more closely matched to the location of the target, which improves the accuracy and reliability of tracking. The environmental influence and other influencing factors on the algorithm are also reduced. Through comparison and analysis of the experiments, the modified algorithm demonstrates good stability and adaptability, and can effectively solve the problem of large area occlusion and similar interference.     

Adaptive target birth δ-generalized labeled multi-Bernoulli filtering algorithm

Aiming at the problem that the standard δ-generalized labeled multi-Bernoulli (δ-GLMB) filter requires a priori knowledge of target birth distributions, which leads to the reduction of estimation accuracy in a real world scenario, an adaptive target birth δ-GLMB filtering algorithm is proposed. Based on the δ-GLMB filter, the new algorithm approximates the existence probabilities and kinematic states of birth targets using measured data from the previous time, and provides parameterized representations of labeled Bernoulli random finite sets of new birth targets in the current time. Simulation results indicate that the proposed algorithm has a strong robustness, and a better performance in tracking accuracy and time consumption than the standard δ-GLMB filtering algorithm under the unknown priori knowledge of the birth targets complex scenario.     

基于混合滤波算法的太阳光斑图像位置跟踪

针对传统滤波算法存在不能完全消除太阳光斑中孤立噪声点、太阳光斑图像边缘模糊的缺陷,导致太阳能自动跟踪系统跟踪精度低、稳定性差等问题,提出一种基于改进的维纳滤波与极值检测中值的滤波混合噪声算法对太阳光斑消噪滤波.在不同情况下利用实测某地太阳高度角、方位角等进行仿真实验,结果表明,该算法能够适应复杂天气条件,在阴雨、雾霾天气下仍能对太阳精准跟踪,达到提高太阳能利用率的预期效果.     

GLMB extended target tracking based on one-step data association

Due to the inseparability of measurements in neighborhood scenarios, the tracking performance of the traditional extended target tracking algorithm would degrade. In this paper, a new extended target tracking algorithm based on one step data association is proposed to solve the problem. First, the algorithm models the target with a multiplicative noise model. And then, the one step data association method in the Joint Probabilistic Data Association (JPDA) theory is combined with a Generalized Labeled Multi-Bernoulli (GLMB) filter. Simulation results show that the algorithm can track the target in cross and neighborhood scenarios effectively and that it is superior to the traditional extended target tracking algorithms based on measurement partition in estimation accuracy.     

稳健变步长符号算法在稀疏信道估计中的应用

基于自适应滤波的传统稀疏信道估计方法大多基于高斯噪声模型的假设,当环境噪声包含冲击噪声时,信道估计性能将严重恶化.为了解决冲击噪声环境下的稀疏信道估计问题,提出了一种基于梯度向量混合范数的稳健变步长符号算法.仿真结果表明,提出的算法在高斯噪声和冲击噪声环境下达到了预期的效果.     

一种改进的群目标自适应跟踪算法

为提高对群目标在机动情况下的跟踪性能,提出一种改进的群目标自适应跟踪算法．在群质心状态估计中,在修正“当前”统计模型的基础上,利用群质心的速度预测和速度估计的偏差进行过程噪声方差自适应调整,并引入强跟踪滤波中的渐消因子,实时调节群质心的状态预测协方差．在扩展状态估计中,将其对应的椭圆面积预测值和估计值的偏差以及偏差变化率作为模糊输入量,采用模糊推理法自适应输出扩展状态的预测参数．此外,提供了群目标分裂机动的判决方法．仿真结果表明,与现有方法相比,本文算法增强了对群目标在突发机动时的自适应跟踪能力,并能有效检测出群的分裂机动．     

基于T分布变分贝叶斯滤波的SINS/GPS组合导航

为了解决组合导航中由于野值存在而导致传统滤波算法性能下降的问题,针对SINS/GPS组合导航系统模型提出基于T分布的变分贝叶斯高斯滤波算法,充分考虑野值所导致的噪声厚尾特性,将观测噪声建模为T分布.对系统状态和自举变量进行估计,并且在每个滤波时刻借助变分贝叶斯学习对状态估计进行迭代,以逼近真实后验分布.针对噪声存在野值的场景进行仿真验证,结果表明,在SINS/GPS组合导航系统中,当噪声存在野值时,基于T分布的变分贝叶斯组合导航滤波方法具有一定的鲁棒性,并且精度优于传统组合导航滤波方法.     

杂波环境下雷达组网的多目标聚类融合跟踪

多传感器多目标跟踪是信息融合技术在目标跟踪领域的应用范例,数据关联是其中的关键技术之一.对于杂波环境下的组网雷达多目标跟踪,讨论了粗、精关联相结合的数据关联方法.先用基于跟踪门限算法进行粗关联,排除部分杂波,再用模糊C-均值算法模糊聚类来实现关联.通过把多传感器跟踪问题转化为多个单传感器跟踪问题,更有效地实现关联,最后融合量测,滤波后得到目标的状态估计.用该算法对目标进行蒙特卡罗仿真,其比改进前的模糊C-均值关联算法和最近邻域算法在杂波环境下更能有效实现数据关联.