一种基于SIFT特征的自适应滤波目标跟踪算法

针对目标跟踪过程中目标尺度伸缩和姿态形状的变化引起的目标丢失,以及使用单个模型跟踪机动目标不够理想,提出一种基于SIFT特征的自适应滤波目标跟踪算法.仿真结果表明,该算法在目标机动时,跟踪性能远优于其它特征匹配算法和多模型算法,而且计算量小,能保证跟踪的实时性.     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

用于认知雷达的目标跟踪滤波算法研究

认知雷达是下一代雷达发展的方向之一,在介绍了认知雷达的基础上,对其应用中跟踪滤波部分的实现算法进行了分析,比较了无迹卡尔曼、容积卡尔曼、平方根容积卡尔曼3种滤波算法,对容积卡尔曼和平方根容积卡尔曼的滤波算法进行了详细介绍,重点应用3种算法对线性运动、高斯噪声环境中的目标进行了仿真验证,由仿真结果分析讨论得出适用于认知雷达的跟踪滤波算法.     

一种基于自适应粒子滤波的目标跟踪方法

提出一种利用最近的目标轨迹信息自适应调整运动模型的粒子滤波方法,根据背景地形或道路信息建立若干目标轨迹模式,然后利用目标轨迹模式将最近的目标轨迹进行分类,通过与当前目标最近段轨迹匹配的目标轨迹类,获得当前目标在下一时刻状态后验概率分布对应的粒子.实验结果表明该方法具有较强的鲁棒性,能有效实现复杂场景下的目标跟踪.     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

一种相控阵雷达自适应数据率目标跟踪算法

为了提高相控阵雷达机动目标跟踪的系统资源利用率,给出了一种高效快速的自适应数据率交互多模型目标跟踪算法（FAIMM）,将目标数据更新时间与模型概率关联起来,使每一节拍的数据更新率随目标的瞬时机动特性自适应调整。仿真结果表明,与AIMM跟踪算法相比,自适应数据率跟踪算法准确率更高,系统资源消耗更少。     

一种精确跟踪机动目标的滤波算法的研究

介绍一种自适应调整过程噪声方差的滤波计算新方法.此方法不需要目标机动的先验知识,而是构造一个可自适应调整的缩放因子,通过该因子对过程噪声进行调节.结合协方差匹配自适应滤波算法的思想,给出一种新的机动目标跟踪算法.通过蒙特卡洛仿真,同IMM算法进行比较,结果表明算法在目标发生机动时具有更好的性能.     

基于相控阵雷达的自适应采样目标跟踪算法

研究了一个基于相控阵雷达的自适应采样的目标跟踪算法，该算法基于IMM。该算法有两个目的：估计、预测目标的运动状态；估计运动中过程噪声的大小，并利用过程噪声的大小来决定更新时间间隔以适应目标运动状态的变化。文中对自适应更新采样的算法和传统的固定周期采样的IMM算法进行了比较。仿真结果表明：在保证同样的跟踪质量情况下，自适应更新采样算法能减少采样次数。     

基于自适应KF的船载地波雷达目标跟踪方法

针对使用传统的卡尔曼滤波器进行多目标跟踪易发生状态估计不准确、航迹断裂的问题,提出了一种转换量测卡尔曼滤波增益自适应调整方法。结合船只目标的运动特性和历史船只航迹数据,采用线性最小二乘拟合提取出航迹参数的变化趋势。使用似然函数分别计算目标预测状态和量测状态与航迹的隶属度。利用预测状态和量测状态的隶属度值对滤波方式进行选择。利用仿真及实测船载地波雷达数据开展了目标跟踪实验,结果表明,使用该文方法能够得到平滑、持续的航迹输出,目标的跟踪距离远、跟踪精度高,优于现有的自适应滤波方法。     

一种新的机动目标跟踪滤波的模型方法

本文提出了一种新的机动目标跟踪滤波的模型方法。它将目标的机动加速度作为一状态变量引入模型而直接进行估计,并通过卡尔曼滤波器的残差来检测目标机动与否。一旦检测出目标机动,马上重新启动卡尔曼滤波器以适应机动加速度的跳变。新的自适应滤波方法在这种情况下实现了最佳滤波。计算机仿真结果表明,在计算量远少于Moose方法计算量的情况下,本文方法的滤波精度与Moose方法的滤波精度相当。     

基于改进扩展卡尔曼滤波算法的空中目标跟踪

采用扩展卡尔曼滤波方法建立了雷达跟踪模型,对空中目标航迹进行滤波,为了减少雷达量测噪声的不稳定变化对系统跟踪性能的影响,对扩展卡尔曼滤波算法进行了改进,利用新息方差的计算来调整卡尔曼滤波器的增益。仿真结果表明,采用改进扩展卡尔曼滤波算法后,在雷达量测噪声发生大幅变化的情况下,经过滤波后的位置和速度误差仍然趋于稳定。表明该方法具有很好的滤波性能及跟踪精度,并可以提高空中目标航迹预测的精确性。     

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。     

基于Kalman滤波的机动目标跟踪方法研究

飞行器的机动性大,在运动过程中随时会出现转弯、跃升俯冲等现象。雷达跟踪系统能否对这种机动进行有效捕获,成为检验其可靠性的关键。在传统Kalman滤波方法基础上,对目标的运动状态进行检测,一旦检测到机动,滤波器就进行不同维数的转换,使跟踪结果快速收敛,从而实现对机动小目标的精确跟踪。仿真结果证明该方法正确有效,计算简便。     

一种新型自适应卡尔曼滤波算法

主要完成卡尔曼滤波在准连续波雷达数据处理(距离和速度)中算法应用研究,实现一种新型自适应卡尔曼滤波算法.通过计算机仿真,该算法能够适应不同的机动目标,并对测量数据中的有色噪声有较强的抑制作用,满足实时要求,提高雷达测量精度.     

一种新的自适应滤波算法

针对机动目标跟踪问题，在“当前”统计模型的基础上，利用速度预测估计与实时速度估计间的偏差进行自适应方差调整，提出了一种新的自适应滤波算法——速度估计自适应跟踪算法(简称AVE)。大量仿真结果表明，该算法在跟踪机动目标时，具有良好的跟踪性能，并极大地改善了AF算法跟踪非机动目标的能力。     

交互式多模型机动目标跟踪方法的仿真

分析和研究利用CV模型和CA模型交互、CV模型和Singer模型交互、CV模型和“当前”统计模型交互分别对单机动目标进行跟踪。通过大量的计算机模拟仿真，比较了不同的模型组合在各种参数情况下的滤波性能，并且比较其和卡尔曼滤波（Singer模型）性能的优劣性，得出了一些有意义的结论。     

人体快转向运动自适应卡尔曼跟踪算法

穿墙雷达对人体目标进行跟踪探测面临一系列技术难点,包括墙体反射产生的虚警、射频干扰、定位误差和目标丢失等。针对上述问题,文中基于多目标数据关联和自适应的卡尔曼滤波算法,提出一种适用于穿墙雷达探测的快转向运 动人体轨迹跟踪综合处理算法,重点解决快转向运动人体目标的跟踪及多运动人体目标的轨迹交叉等问题。实验结果验证了该算法具有虚警较少、轨迹平滑、计算量小、易于工程实现、定位误差可减小50% 等优点。对于反向运动的人体目标, 算法也可进行有效跟踪。     

一种基于卡尔曼滤波的运动目标跟踪方法

运动目标信息探测大量地体现在现实生活以及军事应用中,准确地跟踪并定位运动目标对于国防技术发展具有很大的现实意义和实际价值。以运动物体为目标,提出了采用自适应波门跟踪与卡尔曼滤波算法相结合的技术,有效地跟踪目标并将预测结果与其实际运动轨迹比较,取其误差均值、标准差值,用以证实卡尔曼滤波跟踪目标的有效性。     

改进的当前统计模型及自适应跟踪算法

对于机动目标跟踪问题,在当前统计（CS）模型的基础上,提出了一种新的机动目标自适应跟踪算法。通过引入强跟踪滤波器（STF）的渐消因子,增强了模型对目标突发机动的自适应跟踪能力,同时针对模型对目标加速度极限值的依赖性这一缺点,引入一种利用位置估计值与加速度的函数关系自适应调整加速度方差的方法,提高了对弱机动和非机动目标的跟踪能力。仿真结果表明,该算法与标准的当前统计模型滤波算法相比具有较高的跟踪精度。     

基于量测转换IMM的多普勒雷达机动目标跟踪

多普勒雷达目标跟踪中,如何有效解决系统量测与目标状态之间的非线性并实现机动目标跟踪,是亟待解决的问题.本文提出一种基于量测转换交互多模型（Interactive Multiple Model,IMM）的目标跟踪算法,其以IMM为框架,并结合静态融合滤波器处理多普勒量测的结构,解决多普勒雷达机动目标跟踪问题.仿真结果表明了所提出算法的有效性.