一种参数自适应调整的机动目标跟踪模型

针对＂当前＂统计（CS）模型的跟踪性能依赖于模型先验参数的问题,提出了一种自适应＂当前＂统计（ACS）模型.该模型利用新息向量表征目标的机动情况,采用其指数型调整函数自适应调整模型参数和滤波增益,提高了机动模型和目标运动形式的匹配程度,并修正了机动加速度均值,使之适合于一般运动形式.仿真结果表明：与CS模型、改进＂当前＂统计（MCS）模型比较,应用该模型对机动目标的跟踪误差分别减小了11.36%、15.64%.     

当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。     

基于卡尔曼滤波的摄像头目标跟踪

在应用摄像头进行目标跟踪的过程中,由于图像信号的采集、传输和处理时延的影响,使得目标不能处在摄像头的最佳观测位置,从而产生数据缺失,造成分析结果滞后,由此可能导致摄像头运动控制误差较大.本文提出基于卡尔曼滤波的摄像头预测跟踪模型,充分利用Kalman滤波方程递推预估计能力对运动目标位置进行跟踪,及时调整摄像头偏转角度,使得摄像头始终超前运动目标,解决了由于摄像头运动惯性产生的数据缺失现象,对后续的图像分析与识别提供了保证,最后仿真结果显示了该模型的正确性.     

组合Kalman隔点预测法的仿真适应性

将Kalman预测方法用于仿真经纬仪跟踪机动目标,对不同靶标旋转速度下的机动目标跟踪进行了仿真研究。对等角速度模型和等角加速度模型的状态方程输入矩阵G(k)进行了计算。根据Kalman预测曲线与实测曲线误差的标准方差最小原则,确定了两模型的状态噪声与测试噪声的方差比值Q/R,并优化了两模型适合经纬仪的比值Q/R。提出了组合Kalman隔点预测法。对两模型的组合Kalman隔点预测仿真结果进行了对比。得出了两模型的组合Kalman预测法在仿真经纬仪跟踪机动目标时的适应范围。     

基于遗传算法改进的粒子滤波重采样模型

提出一种基于遗传算法改进的新粒子滤波算法,该算法对于每次迭代计算出的最差粒子并未简单地进行丢弃,而是将这些最差粒子利用生物遗传中的遗传性和变异性将其进行修正。该算法利用最差粒子数据与种群中特殊数据进行交叉变异方法来增强粒子种群中的多样性,从而有利于粒子滤波对机动目标的跟踪;同时保留部分粒子在未来进行唤醒也体现了多样性。该算法更有利于实现粒子滤波在机动目标跟踪的适应性,提高其跟踪效果。     

基于卡尔曼预测的视频目标实时跟踪

在视频目标跟踪中,搜索区间大小直接影响着跟踪的速度和效率.现采用图象坐标系下的卡尔曼滤波预测来指导跟踪,设计了卡尔曼滤波器,对被跟踪目标的运动参数(位置,速度,加速度)进行滤波预测.缩小了搜索区间(减至为匹配模型的大小),提高了系统的实时性和跟踪精度.实验结果表明:在对大运动和大运动大机动两种视频目标的跟踪中,耗时仅为全局搜索的1/4,精度可达3像素以内.     

杂波环境中一种新的机动目标跟踪算法

针对传统交互式多模型概率数据互联(IMM PDA)算法中因模型选取的不确定性,跟踪精度低等缺点,引入了联合交互式多模型概率数据互联的思想,在此基础上提出了一种适用于杂波环境机动目标跟踪的新算法——交互式自适应概率数据互联(IMMAPDA)算法,将自适应滤波算法应用到PDA滤波器中和数据关联进行有机结合,提高了杂波环境中机动目标的跟踪精度。理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度,解决了全局最优化问题。     

α-β滤波器在相控阵雷达机动目标跟踪中的应用

建立机动目标的常速度模型、常加速度模型,对αβ滤波器在相控阵雷达对机动目标跟踪中的应用进行了Matlab仿真,提出利用变采样率方法减少跟踪误差的方法,并与Kalman滤波跟踪效果进行比较。仿真结果表明:采用变采样间隔方法,可通过提高采样率,减少目标机动时的跟踪误差,且在不增加计算复杂度的情况下,比普通的Kalman滤波器更有效。     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

机动目标的IMM扩展卡尔曼滤波时间配准算法

针对目前研究的时间配准方法是在目标运动模型已知的情况下进行时间配准,难以保证目标在复杂机动情况下运动模型多变时的时间配准精度。提出了机动目标的交互多模型扩展卡尔曼滤波(IMM-EKF)时间配准算法,该算法将交互多模型中的每个运动模型分别进行扩展卡尔曼滤波输出同时根据滤波过程中得到的残差计算每个模型的概率,根据模型概率和各模型滤波输出得到时间配准周期内最后一个采样点的测量数据,利用该点的状态和模型概率进行外推就得到时间配准周期和传感器采样周期不成整数比时配准时刻的位置。通过仿真结果表明该算法能够有效降低整体的时间配准误差。该算法提高了时间配准的精度,为数据融合提供了良好的基础。     

自适应TSKF的空间电推进机动目标跟踪

非合作机动目标跟踪是地球静止轨道卫星进行状态监测、维修维护等复杂航天任务的前提.出于推进效率考虑,下一代高轨卫星将优选全电推进配置,但电推进的连续小推力机动特性致使基于CW方程的经典非合作目标跟踪算法期望有偏,两段状态估计法在稳态估计性能与机动跟踪响应间存在矛盾.为了解决电推进下对机动目标的快速跟踪估计问题,采用滤波误差理论对经典算法性能衰减因素进行分析,得到机动加速度至滤波新息的转移矩阵演变特性,进而提出一种自适应变维两段状态估计法.改进方法基于目标机动检测信息修正偏差滤波器的观测阵以匹配上述演变特性,使其在目标非机动区间性能与经典相对导航跟踪算法等效,在机动区间性能与两段状态估计算法等效,同时具备更快的跟踪响应特性.仿真结果表明,本算法对非合作目标的稳态跟踪性能与传统经典算法一致,跟踪响应速度提升4~5倍,是对空间非合作机动目标连续小推力机动下跟踪问题的有益探索.     

基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。     

无线移动传感器网络的分布式目标跟踪算法

为了满足无线移动传感器网络(WMSN)的目标跟踪应用要求,提出了一种分布式目标跟踪算法,可使用节点引导保证WMSN的网络动态连通性;在传统分布式数据融合体系结构的基础上结合平均一致性滤波器实现了低通信开销的优化分布式数据融合．仿真结果表明,该算法在WMSN中目标跟踪效果良好,且数据融合性能优于传统分布式数据融合算法．     

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.     

噪声未知情况下的自适应无迹粒子滤波算法

为了有效地解决系统噪声未知情况下的目标跟踪问题,提出了一种自适应无迹粒子滤波算法。该算法采用改进的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,并与无迹卡尔曼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:本文方法明显地改善了系统噪声未知情况下目标的跟踪精度和稳定性。     

基于成像声呐的水下多目标跟踪研究

针对水下多目标跟踪问题,提出基于成像声呐的高效目标跟踪算法. 基于声呐的成像特点,针对声学图像中的每个像素点,建立基于信号强度的回波信号模型,提取图像中的个体目标. 采用基于序贯蒙特卡罗的概率密度假设(SMCPHD)滤波对各目标状态进行滤波,结合Auction航迹识别算法将滤波后的目标状态与已确定的航迹进行关联,实现多目标跟踪. 通过算法的仿真分析发现,该方法相对于基于数据关联型的多目标跟踪算法如联合概率数据关联(JPDA)算法、多假设跟踪(MHT)算法,大大提高了计算效率. 对采集的现场数据进行目标提取与跟踪,获得目标的跟踪轨迹.     

一种用于机动目标跟踪的多模型最小二乘方案

本文提出了描述运动目标的时间原点滑动多项式数学模型，并在此模型基础上，推导出用于目标跟踪的简化最小二乘算法．为适用于机动目标跟踪，选取了一个跟踪检测信号，确定出一套多模型滤波与预报策略．本文论述的方案的突出优点是计算量比卡尔曼滤波小得多，有利于实时实现．蒙特卡罗仿真结果说明该方案是一种适用于机动目标跟踪的优选方案．     

在混合坐标系下的机动目标跟踪滤波器

本文介绍了在球面－直角坐标系下跟踪机动目标的卡尔曼滤波算法．为克服观测噪声非白，本文引入了扩充向量，并应用旋转增益算法，对卡尔曼滤波的协方差阵及增益阵实现了解耦．通过仿真计算，对本文提出的算法与国外两种类似的算法在相同的机动和量测噪声特性情况下进行了比较，其结果显示了本算法的优越性．     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

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．