基于DS-VSMM的声网络低空机动目标跟踪

针对低空机动目标的声网络无源跟踪问题,提出一种基于有向图切换的变结构多模型算法.首先,将多个声传感器组网并对其时延的方位角数据进行配准,改善无源声探测网络的融合性能.其次,通过变结构多模型对目标状态进行估计,并利用有向图切换方法对新激活的模型分配权重,跟踪结果为多个模型估计结果的融合输出.通过与交互式多模型算法的仿真比...     

不确定环境下一种多目标跟踪算法研究

本文针对工程应用背景下,真实环境存在的各种不确定问题,提出一种基于多模型的多目标跟踪算法.通过双门限法判断各量测的使用情况,首先初步确定与量测可能关联的目标,然后对这些目标调用相应的跟踪算法,保证算法的可行性和实时性;由多目标状态估计信息,预测其飞行情况,并根据预测的不同飞行情况切换不同跟踪算法,保证算法的鲁棒性要求.实测数据验证本文的算法具有较好的跟踪性能,适用于工程应用.     

基于塔型结构的快速相关跟踪算法

提出一种能自适应的确定相关匹配搜索范围的快速相关跟踪算法。该算法结合两点线性预测器和图像塔型结构的多分辨力分析方法,综合图像在不同尺度下的位置信息,自适应地计算出相关匹配的搜索范围,减小了相关运算的计算量,同时确定了有效的帧间相关置信度估计和模板更新策略。实验证明此算法计算速度快,能持久稳定地跟踪运动目标。     

基于“当前”统计模型的混合网格多模型算法

针对混合网格变结构多模型算法中用于描述目标运动模式的加速度估计不准确引起跟踪精度下降的问题,本文提出了一种基于“当前”统计模型(Current Statistics,CS)的混合网格多模型算法(Hybrid Grid Multiple Model, HGMM)。该算法以基于“当前”统计模型估计得到的加速度均值为依据进行网格划分,在线生成目标可能的模型集合,采用交互式多模型算法进行目标跟踪。在一般机动及强机动场景下进行了算法性能测试分析,仿真结果表明,该算法提高了对机动目标的跟踪精度。     

A particle filter algorithm based on gray forecast

针对标准粒子滤波(SPF)算法在目标机动时跟踪滤波性能不高的问题,引入灰色预测理论,提出了一种基于灰色预测的粒子滤波(PFGF)算法,给出了算法的具体描述和运算流程.当预先建立的状态模型不再适用于目标的真实运动状态时,该方法具有良好的预估性能,减少了对事先假定目标状态模型的依赖性.与SPF方法进行了蒙特卡洛仿真比较分析,实验结果证明,PFGF算法在不增加计算复杂度的情况下,提高了跟踪精度,能够很好地克服粒子退化现象.     

基于局部特征组合的目标跟踪算法

为了克服目前大多数观测模型在小样本空间中鲁棒性不高的弱点,文中在粒子滤波框架下提出基于局部特征组合的粒子滤波视频跟踪算法。局部特征能更有效描述目标模板细节信息,可降低特征匹配中目标形变、光照变化和部分遮挡的影响。该方法借鉴混合高斯模型思想,采用多模式描述有效局部观测信息,这种融合策略更加准确可靠,能够较好地通过最新观测减轻了粒子退化现象,从而提高目标跟踪效率。小样本空间一定程度上降低了粒子数量和计算代价。实验结果表明该算法相比单一特征或一般多特征融合跟踪算法具有优越性,并能实现复杂场景下的目标跟踪。     

集中交互式多传感器联合概率数据互联算法

为了解决杂波环境下多传感器多机动目标跟踪问题,本文提出了一种集中交互式多传感器联合概率数据互联算法。本文提出的算法首先应用广义S-D分配的规则对每个传感器送来的观测数据进行排列组合,并对所有的测量组合进行有效性判断,然后应用数据压缩的方法将每个有效量测组合压缩成一个等效量测点并根据每个等效量测点的联合似然函数计算其联合互联概率,最后在此基础上应用交互式多模型算法的思想以处理目标出现机动的问题。本文最后给出了该算法的分析,仿真结果表明,本文算法能够很好地解决杂波环境下多传感器多机动目标的跟踪问题。     

利用帧间差探测函数模型的运动目标跟踪算法

针对基于模板匹配的目标跟踪算法中,匹配环节在算法中耗费大量的处理时间,使实时性较差的问题,提出了一种基于帧间差探测函数模型的运动目标跟踪算法.算法将"虚拟边缘"引入目标运动事件中,建立了帧间差探测函数模型,设计了几种新的模块用于解决目标跟踪中的方向纠错和实时性问题.实验结果表明,不仅可以有效地对在复杂背景下运动的小目标进行跟踪,而且能够获得相比于块匹配法更好的实时性能.     

高速高机动目标多速率交互多模快速跟踪算法

高速高机动目标的被动定位跟踪在理论上和实践上均有较高的技术难度,传统的定位算法难以同时满足定位精度和实时性的要求.本文以交互式多模型算法(IMM)为框架,根据多速率跟踪(MRT)的思想,实现了模式空间与测量空间的多速率混合滤波,并给出了多速率常高通(CH)和常高高通(CH2)模型的统一表示形式.同时,引入自适应"当前"统计模型对高度机动的运动模型进行刻画,在此基础上,根据各模型假定的机动性,多模型综合选配了粒子滤波算法和卡尔曼滤波算法,从而建立了高速高机动目标的多速率交互式多模型跟踪算法.实验结果表明,与传统的跟踪算法相比,本文算法定位精度高,误差小于4%斜距;运算复杂度低,具有高于25 Hz的速率更新目标状态的能力.     

基于高斯粒子滤波的当前统计模型跟踪算法

对于非线性系统估计问题,高斯粒子滤波器可以获得近似最优解,与粒子滤波器相比其优点是不需要重采样步骤和不存在粒子退化现象.采用高斯粒子滤波代替当前模型自适应跟踪算法中的卡尔曼滤波,将高斯粒子滤波与当前统计模型的优点相结合,提出了一种新的当前统计模型自适应跟踪算法,用于非线性非高斯系统的机动目标跟踪.MonteCarlo仿真表明,该算法跟踪精度优于标准的交互多模型算法和当前统计模型自适应跟踪算法,实时性好于交互多模型粒子滤波算法.