自适应卡尔曼滤波在目标跟踪系统中的应用

目标跟踪是精确制导系统中的重要组成部分.文中针对运动目标跟踪问题,在建立运动模型的基础上,应用卡尔曼滤波算法进行了跟踪仿真研究.考虑到直角坐标系下的扩展卡尔曼滤波容易发散,可能导致滤波精度变差,所以文章提出一种针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器.直角坐标系下的自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测器模型的线性化误差,削减了系统的观测误差,并对其滤波理论及算法进行了仿真研究.结果表明:该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法.     

一种强跟踪滤波器及其在人手跟踪中的应用

通过对状态预报误差的协方差矩阵的各个分量分别进行控制,设计一种强跟踪扩展卡尔曼跟踪滤波器,并在单目相机环境下利用该滤波器对3D人手运动过程中的突变状态进行跟踪;讨论了3D人手生理模型、运动模型等问题;最后通过大量实验证明了该强跟踪滤波器的有效性.与现有的STEKF滤波器相比,文中的强跟踪滤波器具有更强的跟踪能力.     

用于弹道目标跟踪的新的非线性滤波算法

针对再入阶段弹道目标的跟踪问题,提出一种新的自适应滤波算法,即强跟踪有限差分扩展卡尔曼滤波（STFDEKF）算法,用于非线性系统的目标跟踪。该方法使用Sterling内插公式进行多项式的近似,从而实现对非线性函数的近似,避免了非线性函数的求导运算;并且算法中引入强跟踪的因子来修正先验的协方差矩阵。新算法改进了跟踪精度,扩大了应用范围,增强了滤波收敛性。仿真实验将新算法与扩展卡尔曼滤波器（EKF）、有限差分扩展卡尔曼滤波器（FDEKF）进行了比较,结果表明,STFDEKF在跟踪精度和滤波可靠性上均优于EKF和FDEKF,但其计算复杂性更大。得出结论,STFDEKF是个很有效的非线性滤波算法。     

基于强跟踪平方根容积卡尔曼滤波的纯方位目标运动分析方法

针对纯方位目标跟踪系统中模型状态简化、系统噪声统计特性未知、目标初始距离信息不准确导致的滤波收敛时间长和滤波精度不高的问题,以自主水下机器人(Autonomous Underwater Vehicle, AUV)跟踪水下动态目标为例,提出了一种基于强跟踪平方根容积卡尔曼滤波器(Strong Tracking Square Root Cubature Kalman Filter, STFSRCKF)的纯方位目标运动分析算法。该算法在滤波过程中,利用平方根容积卡尔曼滤波器(Square Root Cubature Kalman Filter, SRCKF)完成预测更新,对于SRCKF中的每个容积点采用强跟踪滤波器(Strong Tracking Filter, STF)进行更新,设计滤波增益以抑制噪声对系统状态估计的影响,有效提高了滤波的数值稳定性,减小了状态估计误差。通过仿真分析,比较了扩展卡尔曼滤波器(Extended Kalman Filter, EKF)、无迹卡尔曼滤波器(Unscented Kalman Filter, UKF)、平方根容积卡尔曼滤波器(Square-Root Cubature Kalman Filter, SRCKF)、STFSRCKF的算法性能,实验表明所提算法具有跟踪速度快,精度高等优点。     

紧耦合多传感器混合跟踪算法

在增强现实应用中实现对运动目标的准确跟踪是一个具有挑战性的任务。基于混合跟踪通过对多传感器信息的融合通常比单一传感器跟踪算法更为优越的特性,提出了一种新的紧耦合混合跟踪算法实现视觉与惯性传感器信息的实时融合。该算法基于多频率的测量数据同步,通过强跟踪滤波器引入时变衰减因子自适应调整滤波预测误差协方差,实现对运动目标位置数据的准确估计。通过标示物被遮挡状态下的跟踪实验结果表明,该方法能有效改善基于扩展卡尔曼滤波器的混合跟踪算法对运动目标位置信息预测估计的准确性,提高跟踪快速移动目标的稳定性,适用于大范围移动条件下的增强现实系统。     

被动目标自适应跟踪算法仿真研究

针对纯方位被动目标跟踪中，直角坐标系下的扩展卡尔曼滤波器容易发散，而导致滤波精度很差，该文提出了一种直角坐标系下的自适应卡尔曼滤波算法，对虚拟噪声进行估计，动态补偿观测模型线性化误差，消减系统的观测误差，并对其滤波理论及其算法进行了研究和仿真。仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡卡尔曼滤波算法，收到了良好的效果。     

基于卡尔曼滤波的运动人体跟踪算法研究

提出一种基于卡尔曼滤波的运动目标快速跟踪算法。利用卡尔曼滤波器的预测功能,预测运动人体目标在下一帧中的位置,在Matlab仿真环境下实现该跟踪算法,实验结果表明：该算法对人体目标的运动趋势能够做出正确的预测估计,跟踪效果和性能较为稳定和可靠。此外,该算法将图像全局搜索问题转换为局部搜索,使运算量减少,满足实时性跟踪要求,实现了对运动目标的快速跟踪。     

强跟踪求积分卡尔曼滤波算法

在非线性系统滤波问题中,可能出现真实系统和滤波模型不匹配的现象,而标准形式的求积分卡尔曼滤波器对于这种具有模型不确定性系统的鲁棒性较差、滤波精度降低的问题。针对该问题,结合强跟踪滤波器的思想,提出了强跟踪求积分卡尔曼滤波算法。通过引入衰减因子对当前时刻的状态预测协方差矩阵进行修正,使得不同时刻的残差序列保持正交,减弱先前滤波结果对当前滤波过程的影响,增强量测值的作用,减弱模型的作用,克服模型的不确定性对滤波结果的影响。仿真结果表明,在具有模型不确定性情况的非线性滤波问题中,该算法与标准形式的求积分卡尔曼滤波算法相比,能够获得更高的滤波精度。     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

新型粒子滤波算法及其在纯方位目标跟踪中的应用

针对基本粒子滤波算法没有融合当前时刻观测值的缺点,提出了一种卡尔曼粒子滤波算法。该算法针对每一个粒子使用卡尔曼滤波器进行更新,在更新过程中融合最新的观测信息,提高粒子滤波器的估计精度。针对纯方位目标跟踪问题进行实验,与基本粒子滤波算法及卡尔曼滤波进行了对比。实验结果表明,卡尔曼粒子滤波算法的跟踪性能明显优于其他两种算法。     

基于目标跟踪的自适应广义高阶CKF算法

针对容积卡尔曼滤波在系统状态突变时滤波精度下降的问题,结合广义高阶容积卡尔曼滤波和强跟踪滤波算法,提出了一种自适应广义高阶容积卡尔曼滤波（AGHCKF）方法。采用广义高阶容积准则和矩阵对角化变换,以提高算法的滤波精度和稳定性。引入强跟踪滤波,利用渐消因子在线修正预测误差协方差阵,强迫残差序列正交,以增强算法应对系统状态突变等不确定因素的能力。将提出的AGHCKF算法应用于带有未知状态突变的机动目标跟踪问题并进行数值仿真,结果表明,AGHCKF在系统状态突变时能保证较高的滤波精度,具有较强的鲁棒性和系统自适应能力。     

基于转换量测容积卡尔曼滤波器带多普勒量测的目标跟踪算法

针对带多普勒量测的目标跟踪问题,提出一种基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.对具有量测误差相关性的距离和多普勒量测进行解相关处理,构造出新的解相关量测方程,进而基于贝叶斯方法提出带多普勒量测的序贯处理算法的统一理论框架,实现对位置量测和多普勒量测的序贯滤波.在该理论框架下,提出基于转换量测容积卡尔曼滤波器的序贯滤波目标跟踪算法.该算法先采用转换量测容积卡尔曼滤波器和位置量测对目标状态进行估计,再利用经典容积卡尔曼滤波器对新构造的伪多普勒量测进行量测更新以实现目标跟踪.通过对所提算法的性能分析验证该算法的一致性和收敛性.仿真结果表明,该算法与其他跟踪算法相比,具有更高的跟踪精度.     

基于多视角航拍配准的运动小目标检测与跟踪

针对存在3D场景遮挡的航拍视频运动小目标跟踪问题,提出一种基于多视角航拍配准的运动小目标检测和跟踪算法。该算法首先对图像序列间隔采样,利用Harris检测器提取全局特征点,通过Delaunay三角网对待配准图像实现初始匹配,然后利用整合变换模型计算差分图像,并利用累积能量检测出目标,最后通过卡尔曼运动滤波消除运动目标跟踪的抖动。实验结果表明,该算法对城市和郊区场景的航拍视频可以检测出最小30个像素的缓慢运动目标。     

改进扩展卡尔曼滤波算法的目标跟踪算法

为了获得更加理想的运动目标跟踪效果,提出了一种基于改进扩展卡尔曼滤波的目标跟踪算法。构建时间差和信号到达方向的观测方程,利用几何和代数关系化简得到伪线性模型,通过改进卡尔曼滤波算法对目标运动轨迹进行跟踪,采用仿真实验对算法性能进行测试。结果表明,相对于传统扩展卡尔曼滤波算法,在相同条件下,该算法不仅提高了目标跟踪精度,而且使目标跟踪结果更加稳定。     

一种基于卡尔曼滤波的运动物体跟踪算法

针对实时视频监控领域中传统的Camshift算法不能有效解决遮挡和高速运动等问题,提出一种改进的Camshift算法与卡尔曼滤波相结合的运动物体跟踪算法。首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪。实验表明该方法具有较好的实时性,并能够有效地解决遮挡等问题。     

一种时空域联合的机动视频目标精确跟踪方法

提出一种采用Bhattacharyya系数最大化并联合时空域信息的视频目标跟踪方法。时域通过卡尔曼滤波预测目标的运动信息,空域用Camshift算法精确匹配视频目标。由于运动目标机动性比较强,卡尔曼滤波预测的位置和真实位置存在较大的误差,容易导致下一步跟踪失败。采用基于Bhattacharyya系数的由粗到精的核匹配搜索方法,在卡尔曼滤波预测的位置基础上适当扩大搜索范围,通过Bhattacharyya系数最大化确定初始匹配窗口,再用Camshift算法精确匹配视频目标。实验证明该方法对机动快速运动目标具有很高的跟踪精度。     

基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法

在机动目标跟踪中,用于模型辨识和状态估计的非线性滤波器的合理选择和优化是提升滤波精度的关键.融合量测迭代更新集合卡尔曼滤波和交互式多模型(interacting multiple models,IMM)方法,本文提出了基于量测迭代更新集合卡尔曼滤波的机动目标跟踪算法.通过迭代更新思想的引入构建了一种量测迭代更新下集合卡尔曼滤波的实现结构,并将其作为IMM的模型滤波器实现对于目标运动模式和状态的辨识与估计.针对算法结合过程中滤波精度和计算量的平衡,设计了用于输入交互环节的状态估计样本,同时简化输入交互环节和输出交互环节中滤波误差协方差矩阵的交互过程.理论分析和仿真结果验证了算法的可行性和有效性.