基于多传感器数据融合的机动目标跟踪算法研究

在分析了机动目标跟踪的重要地位之后，探讨了两种时下常用的机动目标跟踪的方法，基于自适应相互作用多模型的算法和α—β滤波算法，试图对基于多传感器的机动目标跟踪和识别算法构建一个轮廓和框架。     

机动目标跟踪算法研究

文中以二维TWS目标指示雷达为背景,对其跟踪算法进行了深入研究,设计出了实时性及通用性较好的跟踪算法.提出了极坐标系下的修正卡尔曼滤波器,并对伪加速度的影响进行了补偿,对机动加速度及其方差进行了自适应控制.     

多传感器综合的目标相关跟踪算法

讨论了适合于综合多传感器目标跟踪文件的目标相关跟踪算法。目标相关跟踪问题可以阐述成为似然比检验问题,似然比检验能将目标状态估计误差和目标空间密度分布都考虑进去。为了使相关误差最小,还讨论了相关算法中阈参数的最优化方法。     

机动目标自适应跟踪算法研究

为了克服“当前”统计模型自适应跟踪算法（CAF）跟踪匀速运动目标误差较大和跟踪加速机动目标速度与加速度估计误差和动态时延较大的缺陷,通过分析研究CAF算法,采用截断正态分布表征目标的机动加速度特性,考虑风速和加速度估计均值的影响,对机动加速度与方差自适应关系修正,自适应补偿过程噪声协方差矩阵,提出了一种改进的机动目标自适应跟踪算法。理论分析与仿真结果表明,该算法能够准确描述目标的各种机动情况,具有良好的跟踪性能和实际应用价值。     

模糊自适应机动目标跟踪算法

提出了一种模糊自适应机动目标跟踪算法.该算法首先通过新息进行机动发生与否及强弱的判断,进而由模糊推理系统给出了过程噪声的自适应调整,并提出了通过测量获得测量噪声特性的方法,使得测量噪声方差能准确地反映测量仪器本身的性质和环境的影响.通过仿真实验验证了该算法在目标发生机动时,能自适应调整过程噪声,对机动目标有效地进行跟踪,相比传统的卡尔曼滤波具有更小的跟踪误差.     

一种实时的机动目标多模型跟踪算法

提出了一种实时的机动目标多模型跟踪算法。该算法包含两个并行的Kalman滤波器,分别为匀速Kalman滤波器和匀加速Kalman滤波器。定义了“滤波运动模型偏离度”作为模型切换的判据,在线实现了两个Kalman滤波器的自动切换,使总输出结果最大程度的符合实际运动模型。通过可调过程噪声的自适应方法,抑制了滤波发散,避免了在模型切换时误差跳变过大。仿真测试结果表明,该算法跟踪精度高,计算量小,因此适合在自行高炮的目标跟踪中使用。     

机动频率自适应的机动目标模糊跟踪算法

分析了基于＂当前＂统计模型的跟踪算法中,机动频率对滤波算法的影响.提出一种模糊自适应跟踪算法,该算法根据量测新息及其变化率通过模糊推理机制调整＂当前＂统计模型中的机动频率,以适应不同的目标机动模式.针对直角坐标系下量测模型为非线性方程,采用转换坐标卡尔曼滤波对目标状态进行估计.仿真结果表明：该算法无论跟踪机动目标还是非机动目标,其精度都要优于常规的基于＂当前＂统计模型的跟踪算法.     

雷达／红外数据融合的机动目标跟踪算法综述

雷达与红外数据融合能够实现信息互补,提高目标跟踪精度、识别能力以及增强系统的抗干扰性,因此受到广泛关注。针对雷达和红外数据融合跟踪机动目标的体系结构,基于近几年国内外的研究,对整个体系中的算法进行了综述。     

交互式多模型算法在机动目标跟踪中的应用

文中首先介绍了目标跟踪的数学模型,然后研究了交互式多模型算法(IMM算法)的基本结构,最后应用IMM算法跟踪空中交通管制中的机动目标,通过仿真实例详细地分析了影响IMM算法的主要因素.仿真结果表明IMM算法可以有效地跟踪空中交通管制中的机动目标.     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

多传感器滤波跟踪型数据融合算法研究

针对非线性观测的目标跟踪问题，对滤波跟踪型数据融合进行了研究，提出了基于去偏转换测量值卡尔曼滤波算法的非线性系统中的数据融合算法．从仿真结果可以看出，集中式融合算法和分布式融合算法的差别并不大，结果基本相同．因此，在非线性系统中，基于去偏转换测量值卡尔曼滤波算法的分布式融合算法可以重构集中式融合算法．     

多传感器目标识别决策融合算法分析

多传感器信息融合已成为现代条件下目标识别的重要手段。研究多传感器目标识别决策级信息融合算法，分析了决策级信息融合算法之间的内在联系，为对目标识别决策级信息融合方法的选择上提供了理论依据。     

多传感器目标识别决策融合算法分析

多传感器信息融合已成为现代条件下目标识别的重要手段.研究多传感器目标识别决策级信息融合算法,分析了决策级信息融合算法之间的内在联系,为对目标识别决策级信息融合方法的选择上提供了理论依据.     

一种改进的机动目标跟踪算法

针对“当前”统计模型算法中加速度极限值预先设定对算法造成的不利影响,提出了一种改进的机动目标跟踪算法,即位置偏差估计自适应算法．该算法利用位置预测估计与位置估计之间的偏差对噪声方差进行自适应调整,从而避免了加速度极限值的预先设定问题,提高了机动目标的跟踪性能．仿真结果也表明了该算法的良好跟踪性能．     

基于角测量的机动目标跟踪算法

利用角测量估计目标的距离和速度实质上是一个非线性状态估计问题,这种单站被动式跟踪可能构成一个不可观测系统,将导致跟踪滤波器的不稳定和发散。本文针对反直升机雷构成的雷群进行目标定位和跟踪,利用最小角度差算法对目标的位置进行静态估计,用基于“当前”统计模型的自适应滤波算法进行数据处理,最小角度差算法的估计结果作为自适应滤波的观测值;算法简单而且有效,对目标的机动和非机动运动参数都能得到良好的估计结果。     

机动目标跟踪的自适应卡尔曼滤波算法实现

为真实反映目标机动范围与强度的变化,引入了机动目标的“当前”统计模型,提出了一种基于该模型的自适应卡尔曼滤波算法．仿真结果表明,能有效改善在机动目标跟踪中传统的卡尔曼滤波可能出现的发散情况,提高了跟踪的准确性和稳定性．     

基于粒子滤波器的多机动目标跟踪贝叶斯滤波算法研究

提出了一种新的基于粒子滤波器的贝叶斯滤波算法, 用于在非线性非高斯假设下跟踪多机动目标.对目标动态行为的已知描述构成了贝叶斯的先验知识.近来时序蒙特卡罗技术的发展, 特别是粒子滤波器算法, 使采用一个目标状态的集合对贝叶斯模型的后验知识进行建模和跟踪成为可能, 这个集合可以看作是这个后验密度函数的采样集合.这种新的贝叶斯滤波算法是粒子滤波器与划分采样技术和假设计算的有机结合.在与SIR/MCJPDA算法的比较仿真研究中, 证明该算法能够提高系统的跟踪性能.     

VICKF-IMM算法在机动目标跟踪中的应用

针对智能体移动方式复杂,对其进行观测的传感器测量的信息存在噪声以及目标运动轨迹发生突然的改变会导致目标观测失真甚至错误的问题,提出了一种变积容积卡尔曼滤波交互多模型算法（VICKF-IMM）。该算法将容积卡尔曼滤波与交互多模型算法相结合,并对容积卡尔曼滤波（CKF）中球面积分进行变积分转换处理。优化了其积分求解的方式,提高了整体的稳定性。Monte-Carlo仿真分析,与CKF-IMM和UKF-IMM算法相比,该算法的跟踪精度有明显的提高,并在目标运动发生突变时有更高的稳定性。     

一种基于跟踪微分器的机动目标跟踪算法

提出了一种基于跟踪微分器（TD）的目标跟踪算法，该算法由跟踪微分器和序贯相似性匹配算法（SSDA）组成。假设目标在视频图像序列第一帧中的位置已知，使用跟踪微分器，可以预测出目标在下一帧图像中的位置，然后再使用SSDA算法，在预测位置的邻域内进行搜索，从而获得目标的准确位置。仿真实验证明基于跟踪微分器的模板匹配算法减少了搜索位置，提高了算法的效率，同时也克服了传统的卡尔曼滤波需要目标运动模型已知的缺点。     

机动频率模糊自适应目标跟踪算法研究

在分析"当前"统计模型及自适应滤波技术基础上,提出了一种机动频率模糊自适应目标跟踪(FAMF)算法.通过模糊控制方法,在线调节"当前"统计模型的机动频率参数,使模型对不同的目标机动模式有更强的自适应能力.在想定初始条件下,对FAMF算法进行Monte Carlo仿真对比实验,结果表明:FAMF算法运行稳定,适应能力强,有效的提高了"当前"统计模型的跟踪性能,便于实际应用.