群目标跟踪关键技术研究进展

群目标具有结构固定、运动模式特殊等特点,并且数量规模较大、空间分布密集、互相遮挡现象严重,采用传统的多目标跟踪算法对其进行跟踪会出现错误关联甚至失跟的现象。介绍了3种比较典型的群目标跟踪思路,即中心类跟踪算法、基于随机有限集的算法以及群扩展状态的估计算法,对目前的研究成果进行了分析和总结。最后,基于现有理论以及相近领域先进技术的发展,讨论了群目标跟踪的发展趋势。     

具有形状信息的多个群目标跟踪算法

针对杂波和漏检环境下多个群目标跟踪中形状估计精度低的问题,提出一种具有形状信息的多个群目标跟踪算法。该算法首先进行量测集划分进而起始航迹,随后对传统的群目标Bayesian递推算法进行改进,并融合群航迹关联等算法,利用改进的算法对多个群目标的运动状态和形状信息同时进行估计,大大提高了形状的估计精度。仿真结果表明,该算法不仅可以对多个群目标的运动状态同时进行跟踪,并且可以有效估计每个群目标的形状信息,大大提高了形状估计精度。     

State Bounding在目标跟踪中的应用

本文把Ｂｏｕｎｄｉｎｇ估计引入目标跟踪领域,提出一种用状态估计集几何中心作为目标滤波值的递推算法。该算法使用椭圆集来描述状态的不确定性并给和系统和观测噪声的界,以最小值椭圆作为更新准则。仿真结果给出了本算法与Ｋａｌｍａｎ滤波算法的性能比较以及界内噪声分布不同时跟踪性能的差别。     

基于运动分组的空间密集群目标跟踪

针对空间目标检测跟踪中可能存在大量伴飞干扰的问题,提出了一种基于密集多目标运动分组的空间目标快速检测跟踪方法。首先,在传感器分辨率允许的范围内,通过稀疏光流提取目标群体内个体的运动信息,然后利用母函数正则化来整合运动路径之间的相似性,以“集体合并”的思路,从密集随机运动中检测有序群集运动,在空间上将群目标划分为若干个具有相似运动模式的稀疏群组,并以稀疏群组间的拓扑关系构建图模型,筛选出目标群中的疑似目标,最后利用帧间相关性抑制虚警。仿真实验结果表明:对于空间中不同群目标分布场景,该方法具有良好的鲁棒性和实时性。     

新型粒子滤波理论用于水下系统目标跟踪

首先介绍了粒子滤波的基本理论和状态分离技术,并将两者结合起来得到一种新的粒子滤波改进算法:PF-SP-PEKF算法.该算法提供了一种全新的寻找提议分布途径,所得提议分布在计算量适中、便于执行的前提下,更接近目标真实分布.将新算法应用到水下系统纯方位目标运动分析领域中,联合多模型方法得到MMPF-SP算法,对水下机动目标...     

基于代数图论的修正贝叶斯群目标航迹起始算法

群目标跟踪技术是测量空中集群生物目标飞行状态的有效手段,而航迹起始是群目标跟踪的第1步,包括分群检测与航迹确认。针对现有算法在分群检测时限制群内目标必须两两相似,在航迹确认时因等效量测残差过大导致航迹误丢弃的问题,该文提出一种基于代数图论的修正贝叶斯群目标航迹起始算法,通过引入代数图论实现监测空间内量测集合的划分,通过修正经典贝叶斯算法的似然比定义避免航迹的误丢弃。实测数据处理结果证明该算法具备准确划分各个子群并快速起始各子群航迹的能力。     

基于代数图论的修正贝叶斯群目标航迹起始算法

群目标跟踪技术是测量空中集群生物目标飞行状态的有效手段,而航迹起始是群目标跟踪的第1步,包括分群检测与航迹确认.针对现有算法在分群检测时限制群内目标必须两两相似,在航迹确认时因等效量测残差过大导致航迹误丢弃的问题,该文提出一种基于代数图论的修正贝叶斯群目标航迹起始算法,通过引入代数图论实现监测空间内量测集合的划分,通过修正经典贝叶斯算法的似然比定义避免航迹的误丢弃.实测数据处理结果证明该算法具备准确划分各个子群并快速起始各子群航迹的能力.     

密集杂波环境下的机动目标跟踪算法

针对密集杂波环境下的机动目标跟踪问题提出了一种新的算法,即交互式多模型数据关联算法。基本思路是利用概率数据关联处理多余回波,同时利用交互式多模型算法处理目标的机动问题,而且将机动目标“当前”统计模型引入其中,将它们结合起来处理密集杂波环境下的单机动目标跟踪问题。仿真结果证明该算法是解决此种问题的一种非常有效的方法。     

基于状态估计的无人机目标自跟踪方法研究

通过对无人机目标自跟踪传统原理的分析,从无人机使用安全、跟踪精度入手,研究了一种稳定可靠的高精度的无人机目标自跟踪方法。     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

基于卡尔曼滤波的机动与非机动目标的定位跟踪

目标跟踪理论在国防、商用等领域都具有重要价值,并且是实现智能交通系统的基础。针对智能交通系统中需要对特定的运动目标进行跟踪和监测的要求,利用卡尔曼滤波算法对目标进行跟踪并对其下一时间的运动位置、运动方向、速度等信息进行预先估算以达到及时监测的目的。通过分别对机动目标和非机动目标的仿真试验,得出了卡尔曼滤波算法可以对运动的目标实现实时跟踪,且非机动目标的跟踪效果要优于机动目标的结论。     

Maneuvering target tracking by adaptive statistics model

A good model can extract useful information about the target’s state from observations effectively. There are many models used to tracking a, maneuvering target such as constant-velocity (CV) model, Singer acceleration model (zero-mean first-order Markov model) and current model (mean-adaptive acceleration model), etc. While due to the complexity of maneuvering target, to seek the target model which can get better performance is still a subject worthy of study. Based on statistics relation between the autocorrelation function and the covariance of Markov random processing, this paper develops a model which can adaptively adjust system parameters on line. Simulations show the good estimation performance get by the model developed here, and comparing CV, Singer and current models, the model can adaptively get the model parameter while tracking the trajectory and needn’t doing several tests to obtain a priori parameter.     

基于Kalman滤波原理的运动目标跟踪

应用Kalman滤波原理,对运动目标进行跟踪,缩小目标的搜索范围,实现快速实时跟踪,使跟踪更为准确.理论分析和实验结果表明,该算法与常规的模板匹配法、直方图模板匹配法等算法相比,有效地提高了目标跟踪的速度及跟踪的准确性.该算法对运动目标进行跟踪,运行速度可提高三倍.     

基于卡尔曼滤波的机动目标外推预测的研究

卡尔曼滤波在各个领域都有广泛的应用,如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等。卡尔曼滤波器在机动目标跟踪中具有良好的性能,是一种最佳估计并能够进行递推计算。为了研究卡尔曼滤波对机动目标的预测,首先用Matlab仿真验证自适应卡尔曼滤波的跟踪滤波能力,根据结果判定目标运动模型,进而在此运动模型下用卡尔曼预测对目标进行外推验证。     

An adaptive moving target tracking algorithm for smart antenna systems

In wireless communication environment, the time-varying channel and angular spreads caused by multipath fading and the mobility of Mobile Stations （MS） degrade the performance of the conventional Direction-Of-Arrival （DOA） tracking algorithms. On the other hand, although the DOA estimation methods based on the Maximum Likelihood （ML） principle have higher resolution than the beamforming and the subspace based methods, prohibitively heavy computation limits their practical applications. This letter first proposes a new suboptimal DOA estimation algorithm that combines the advantages of the lower complexity of subspace algorithm and the high accuracy of ML based algorithms, and then proposes a Kalman filtering based tracking algorithm to model the dynamic property of directional changes for mobile terminals in such a way that the association between the estimates made at different time points is maintained. At each stage during tracking process, the current suboptimal estimates of DOA are treated as meas urements, predicted and updated via a Kalman state equation, hence adaptive tracking of moving MS can be carried out without the need to perform unduly heavy computations. Computer simulation results show that this proposed algorithm has better performance of DOA estimation and tracking of MS than the conventional ML or subspace based algorithms in terms of accuracy and robustness.     

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.     

结合幅度信息的粒子滤波机动目标被动跟踪

为提高杂波条件下的机动目标被动跟踪的性能,提出了一种新的粒子滤波目标被动跟踪算法。在声纳的输出端,提取信号的幅度信息(AI),建立多模型对转弯机动目标进行状态估计,以粒子滤波算法作为基本跟踪滤波算法,将AI与概率数据关联(PDA)算法中的似然比相结合,详细推导了结合AI的粒子滤波目标被动跟踪算法(PF-AI)实现的具体过程。在同一被动目标跟踪场景,同时使用单纯PDA算法、结合辅助信息的PDA算法和PF-AI进行被动跟踪仿真,分析了轨迹跟踪性能,并使用均方根误差比较了误差性能。仿真结果表明,与两种基于PDA的跟踪算法相比,PF-AI具有更高的跟踪精度,且算法易于实现。     

复杂背景下兼顾跟踪实时性和跟踪精度的目标跟踪技术研究

由于将CamShift算法在复杂背景和操作条件下应用于视频跟踪,跟踪失败和目标损失的现象将非常容易发生。为了提高复杂环境条件下目标跟踪的精度及实时性,本论文提出了一种能够在复杂环境条件下及时对目标对象进行追踪的技术。以颜色、纹理、目标动作信息的全面特性为基础对CamShift算法作出整改完善,通过组合Kalman过滤器预评估目标对象的动作情况,在目标对象受到制约的情况下,使用运转前的目标对象预先信息,对目标对象物体的动作轨迹执行最小平方运算以及外穿推进,同时基于对象物体的位移情况进行定位信息的预测评估,以助于恢复目标的定位信息直到制约情况结束。经多次实验,相关统计数据表明,这一算法能够用于复杂情形的环境条件下,且当目标对象处于短期闭塞情况下依然能达成目标的连续稳定追踪,在性能上具备出色的实时性。     

自调整分层卡尔曼粒子滤波的快速目标跟踪

分层卡尔曼粒子滤波成功应用于目标跟踪,但其只对目标位置进行了优化,忽略了其他仿射参数,导致跟踪中的粒子数目仍然很大。为了实现复杂环境下的快速目标跟踪,提出一种带有自调整策略的分层卡尔曼粒子滤波方法。该方法将目标划分为线性和非线性状态空间,并通过少量粒子的迭代过程在非线性状态空间逐步搜索最优状态。其详细过程如下:首先,利用卡尔曼滤波预测目标位置,结合目标运动信息计算潜在目标区域;然后在该区域内生成一组随机粒子,通过在线姿态估计对粒子状态进行调整,并将观测结果与目标模板进行比较,修正粒子摄动的方向以逼近目标。把该方法应用于大机动目标的视频序列中,并与现有的跟踪方法进行了对比。结果表明,所提方法能够以少量粒子实现准确、稳定的目标跟踪,大大降低了跟踪算法的运算量,提高了跟踪效果。