一种高斯-重尾切换分布鲁棒卡尔曼滤波器

为降低实际应用中由强未知干扰和仪器故障对观测造成的影响,减轻随机和未建模干扰对系统的侵蚀,从而提升系统在非高斯噪声环境下的状态估计精度,提高滤波器的鲁棒性能,提出了一种基于高斯-重尾切换分布的鲁棒卡尔曼滤波器(Gaussian-heavy-tailed switching distribution based robust Kalman filter, GHTSRKF)。首先,通过自适应学习高斯分布和一种重尾分布之间的切换概率将噪声建模为GHTS(Gaussian-heavy-tailed switching)分布,所设计的GHTS分布可以通过在线调整高斯分布和新的重尾分布之间的切换概率来对非平稳重尾噪声进行建模,具有虚拟协方差的高斯分布用于处理协方差矩阵不准确的高斯噪声。其次,引入两个分别服从Categorical分布与伯努利分布的辅助参数将GHTS分布表示为一个分层高斯形式,进一步利用变分贝叶斯方法推导了GHTSRKF。最后,利用一个仿真场景对几种不同的RKFs(robust Kalman filters)进行了对比验证。结果表明,所提出的GHTSRKF算法的估计精度对初始状态的选...     

自适应权值卷积特征的鲁棒目标跟踪算法

针对传统基于固定权值卷积特征的深度学习跟踪算法在部分视频跟踪失败的问题,提出一种新颖的基于响应图和熵函数的评估各卷积神经网络层跟踪性能的方法. 该方法能根据评估结果自动调整各层的权值系数;同时引入边界框检测机制,当跟踪响应最大值小于给定阈值时,采用滑动窗口采样一定数量的边界框,并对边界框进行评估,生成初始建议边界框;最后在初始建议边界框的基础上进行相关滤波跟踪,并给出模型更新策略。 将文中算法与其他9种算法在OTB-2013视频数据库上进行跟踪仿真,实验结果表明,所提算法具有较高的中心点距离准确率和跟踪成功覆盖率。     

带输入噪声的高斯过程扩展目标跟踪算法

传统的基于高斯过程的扩展目标跟踪(Gaussian Process Extended Target Tracking, GP-ETT)算法通常将高斯过程的输入视为精确值,输入不确定性不可忽略时,引起跟踪性能的降低。针对这一问题,定量推导了GP-ETT算法中GP输入噪声的前二阶矩,提出基于泰勒级数与数值近似的3种带输入噪声的GP-ETT算法,并求得理想环境下带输入噪声的GP-ETT最优理论性能界。仿真结果表明,改进算法的马氏距离更小,得到的性能界更合理。     

噪声野值下的学生t分布混合CPHD滤波

针对过程噪声和量测噪声野值导致高斯混合势概率假设密度滤波性能下降的问题,提出了一种基于学生t分布的势概率假设密度滤波。首先,引入学生t分布对重尾的过程噪声和量测噪声进行建模;其次,将多目标后验强度近似为学生t分布混合形式,推导了基于学生t分布的势概率假设密度滤波的闭合解,并采用矩匹配算法防止学生t分布的自由度无限增长。仿真结果表明,在含有过程噪声和量测噪声野值的环境下,所提算法的目标数估计精度和最优子模式分配距离优于高斯混合势概率假设密度滤波和学生t分布混合概率假设密度滤波,提高了多目标跟踪性能。     

CPHD multi-target tracking algorithm with unknown model parameters

Since the multi-object tracking performance of the traditional method will decline with unknown model parameters, a CPHD target tracking algorithm is proposed to jointly estimate the detection probability and measurement noise covariance. Firstly, for model the unknown parameters of multiple targets tracking, the detection probability is considered as a variable in a distribution. The detection probability can be obtained by estimating the mean of the distribution. Then, the Variational Bayesian method is used to estimate the covariance of the measurement noise. Finally, the Gaussian implementation of this algorithm is presented. Simulation results show that the algorithm has good tracking performance under jointly unknown detection probability and the covariance of the measurement noise.     

一种基于多样性正实例的单目标跟踪算法

单目标跟踪是计算机视觉领域中最具有挑战性的应用场景之一. 针对跟踪过程中目标物体被遮挡以及运动过程中形变、画面模糊等问题,本文提出一种基于多样性正样本实例的单目标跟踪算法,同时缓解了训练样本不足以及样本缺乏多样性的问题. 在离线阶段,本文算法首先使用变分自编码器（Variational Autoencoder,VAE）对原始训练样本进行编码映射到隐空间,然后通过隐空间采样重构生成包含多样性的困难正样本数据,提高训练数据的多元性,并结合原始训练样本构建训练数据集;其次,对于训练序列的目标模板、正负样本,使用概率三元组损失函数训练跟踪网络,深入挖掘正负样本间关联,提高跟踪网络的判别性;在线测试阶段,使用训练的孪生神经网络（Siamese Neural Network,SNN）对目标进行跟踪定位,通过对目标模板和搜索区域执行互相关操作,确定目标在当前时刻的位置. 对比实验结果表明,本文算法提高了SNN跟踪网络在背景相似物干扰、目标物体运动过程中形态变化、快速运动、旋转、模糊以及被遮挡情况下的鲁棒性和定位准确性,并保持了实时的跟踪表现.     

一种新的模糊控制多模型算法在目标跟踪中的应用

为解决传统的蛇形建模方法不能反映出反舰导弹典型运动特性的问题,引入动力学建模方法研究弹道问题,把导弹视为可控质点,建立了反舰导弹末端蛇形机动弹道模型.采用被动传感器进行跟踪,提出一种新的基于模糊控制的交互式多模型自适应无迹卡尔曼滤波算法,根据Sage-Husa噪声统计估值器的原理提出了状态误差协方差自适应算法,克服了传统噪声自适应算法在目标发生强机动时收敛速度慢的缺点,同时利用模糊控制方法实现了实时调整交互式多模型算法中的转换概率矩阵.仿真实表明:所建立的弹道模型对探测、识别和跟踪反舰导弹技术的研究有一定的参考价值;改进的跟踪算法能够快速调整模型概率,使得其估计误差的收敛速度比交互式多模型算法更快,鲁棒性更强,并且能够有效降低纯方位目标跟踪的误差,实现对反舰导弹末端蛇形弹道模型的稳定跟踪.     

Power allocation strategy for target tracking in asynchronous multistatic radar systems

A power allocation scheme for target tracking in asynchronous multistatic radar systems (MSRS) is proposed. An optimal centralized method for asynchronous target tracking is first introduced with the derivation of the Bayesian Cramer-Rao lower bound (BCRLB) on the target tracking mean square error (MSE). Then, the BCRLB is utilized as a criterion for the power allocation strategy. The resulting nonconvex optimization problem is solved by the integration of convex relaxation with the gradient projection algorithm. Simulation results demonstrate that equal allocation of the predetermined power budget is not necessarily the best choice and that the tracking accuracy can be greatly improved by the proposed power allocation algorithm.     

未知环境中无人机适航地图构建与地面目标跟踪

提出一种无人机在未知环境中通过D-S证据理论构建目标适航地图,并结合适航地图和贝叶斯非线性滤波方法进行目标跟踪的算法.为解决观测间隔时间可能较长的问题,基于FPKE和适航地图来预测目标位置概率分布的时间演进;在量测更新时充分考虑无人机的观测视野,将未观测到目标应用于目标位置概率分布的量测更新.仿真结果表明,该算法能够有效提高无人机在未知环境中跟踪地面目标的准确性.     

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.     

结合稳健估计和Meanshift的视频目标跟踪算法

针对Meanshift目标跟踪算法对强噪声环境敏感的问题,提出了一种结合稳健估计和传统Meanshift的修正Meanshift算法.通过稳健估计修正传统Meanshift算法的核概率密度函数,提升Meanshift算法的鲁棒性.针对信噪比分别为60、30和0 db的仿真数据,将传统Meanshift算法和修正Meanshift算法的跟踪轨迹准确性和精度进行对比.结果表明,修正Meanshift算法能够实现目标准确跟踪,且跟踪位置的相对误差在1%以下.对于实际运动目标视频数据,所提算法也可以实现实时跟踪定位,克服了传统Meanshift算法目标跟踪丢失的问题.