一种机载平台快速目标运动补偿方法

针对载机大机动运动条件下,目标在图像中位置变化较大,无法准确进行目标归属的问题,提出一种机载平台快速目标运动补偿方法。首先,选取前一帧目标所在区域图像作为模板图像,再根据前一帧目标在图像中位置,探测器安装角度和载机姿态信息,预测目标在当前帧中出现的位置,获取预测目标所在区域图像作为待配准图像,最后应用SIFT算法计算模板图像和待匹配图像中关键点,通过图像配准获取目标在当前帧中精确位置,为后续目标归属性判断的准确性提供保障。实验结果表明,所提方法能够精确定位载机大机动条件下目标在连续帧中位置,与通过整幅图像配准获取目标位置相比计算效率大大提高。     

基于非线性量化概率模型的弱小目标跟踪

针对红外弱小目标跟踪问题,提出一种基于非线性量化概率密度模型匹配的快速跟踪方法。首先分析了红外弱小目标的灰度特性和多帧运动相关特性,引入α-β滤波对红外目标进行运动相关跟踪,并预测下一帧图像中目标的质心位置,然后提出一种适合红外弱小目标的非线性量化概率密度模型,通过在预测邻域内进行模板匹配来跟踪真实目标。实验结果表明该方法用于红外弱小目标的跟踪精度和处理速度明显优于现有算法,工程意义显著。     

复杂地物背景下红外弱小目标跟踪算法

复杂地物背景下红外弱小目标的跟踪在红外监视系统中有重要的应用价值。提出了一种人眼视觉系统原理和多目标跟踪技术的弱小目标跟踪算法,实现了对复杂地物背景下红外弱小目标的跟踪。算法首先在图像中提取候选目标和各目标对应的目标区域,估计相邻帧图像之间的运动参数,对所有跟踪目标进行轨迹预测;然后融合多信息对当前帧目标与目标链中目标进行关联,根据关联结果对目标链进行更新;最后输出跟踪目标的位置坐标,实现对红外弱小目标的跟踪。用实测的图像序列对算法进行了测试,试验结果表明本文算法对树林、农田、建筑等复杂地物背景中弱小目标有较好的跟踪效果,可以用于红外监视系统中对复杂地物背景下低对比度弱小目标自动跟踪。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

视频监控中的运动目标检测与跟踪技术研究

视频监控中运动目标的检测和跟踪是智能视频监控的关键技术,本文利用帧间差分法和背景差法对运动目标进行检测,对这二种检测方法进行了研究和比较;利用波门（跟踪窗口）选取视场中某部分图像为目标图像,然后用边缘或质心跟踪等跟踪算法确定目标位置以及目标位置与波门位置的偏差实现了对目标的跟踪。     

基于Mean Shift的抗遮挡运动目标跟踪算法

采用Mean shift和Kalman滤波器相结合来处理动态背景下目标跟踪问题.首先利用Kalman滤波器进行预估计获得每帧Mean Shift算法的起始位置.由图像差分法得到物体轮廓.同时定义了相似因子判断物体是否发生遮挡.当发生遮挡时,根据物体运动状态不同.对颜色信息和运动信息分别赋予不同权值来预测物体在当前帧的位置并作为下一帧预测的起点.此时,目标位置的线性预测替代了Kalnlan滤波器的作用.实验证明,新算法可实现对快速运动目标的跟踪,对遮挡也有很好的稳健性.     

一种改进的Mean Shift运动目标跟踪算法

首先研究了Mean Shift算法(均值漂移算法),针对Mean Shift算法在跟踪视频运动物体应用中的不足,提出了将卡尔曼滤波预测的窗口和三帧差法提取的窗口通过加权的方式,产生一个新的检测窗口作为均值漂移算法的检索窗口,同时对核函数带宽和目标模型进行更新。实验表明经过优化的算法,对运动物体跟踪有了明显的改进,有了更好的鲁棒性。     

一种解决波动式干扰影响的序列图像运动目标检测方法

为解决复杂环境下的诸如枝叶摇摆、摄像机抖动等波动式干扰对运动目标检测的影响问题,该文提出基于视频窗口切分与分类的序列图像运动目标检测算法。首先将序列图像切分为rc大小的视频窗口,然后提取窗口内区域图像累积帧间差矩阵的简单统计特征,针对每一帧序列图像,将视频窗口进行分类,把它们划分为运动目标窗口和非运动目标窗口(包括静止背景窗口和波动式干扰窗口),最后将运动目标窗口合并为运动目标。该方法的优点是无需已知背景模型和运动目标大小、形状等任何先验信息。实验表明该算法能在摄像机抖动以及枝叶干扰等复杂环境下快速有效的检测出运动目标。     

基于分区动态规划和航迹关联的弱小目标检测

序列图像中低信噪比运动弱小目标的实时检测算法,是精确制导系统中的关键算法之一。提出一种图像序列弱小目标实时检测新算法,采用分方向区间的动态规划算法和二值图像航迹关联检测。通过在动态规划能量累加过程中引入方向限制,减小了噪声轨迹能量积累和目标轨迹能量扩散,提高了算法的目标检测能力。对算法的检测性能进行了仿真实验,结果表明该算法能有效检测深空背景下信噪比大于1.8、运动方向任意、速度不大于1像素/帧的多个运动弱小目标。     

基于OpenCV的运动目标跟踪及其实现

CAMSHIFT算法是一种基于颜色直方图的目标跟踪算法。在视频跟踪过程中,CAMSHIFT算法利用选定目标的颜色直方图模型得到每帧图像的颜色投影图,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,得到当前帧中目标的尺寸和质心位置。在介绍Intel公司的开源OpenCV计算机视觉库的基础上,采用CAMSHIFT跟踪算法,实现运动目标跟踪,解决了跟踪目标发生存在旋转或部分遮挡等复杂情况下的跟踪难题。实验结果表明该算法的有效性、优越性和可行性。     

Human motion prediction using optimized sliding window polynomial fitting and recursive least squares

Human motion prediction is a critical issue in human-robot collaboration (HRC) tasks. In order to reduce thelocal error caused by the limitation of the capture range and sampling frequency of the depth sensor, a hybrid human motion prediction algorithm, optimized sliding window polynomial fitting and recursive least squares (OSWPF-RLS) was proposed. The OSWPF-RLS algorithm uses the human body joint data obtained under the HRC task as input, and uses recursive least squares (RLS) to predict the human movement trajectories within the time window. Then, the optimized sliding window polynomial fitting (OSWPF) is used to calculate the multi-step prediction value, and the increment of multi-step prediction value was appropriately constrained. Experimental results show that compared with the existing benchmark algorithms, the OSWPF-RLS algorithm improved the multi-     

提高弹道导弹落点预报精度方法

基于二体运动模型对弹道导弹的弹道生成和落点预报方法进行了研究,并提出改进落点预报精度的方法。该方法通过对雷达测量时间段内的弹道数据进行滑窗平均处理,以提高弹道导弹落点预报精度。仿真结果验证了该方法的有效性。     

基于预测和滑动窗口的轨迹差分隐私保护机制

为解决轨迹差分隐私保护中存在的隐私预算与服务质量等问题,提出了一种融合预测扰动的轨迹差分隐私保护机制。首先,利用马尔可夫链和指数扰动方法预测满足差分隐私和时空安全的扰动位置,并引入服务相似地图检测该位置的可用性;如果预测成功,则直接采用预测位置替代差分扰动的位置,以降低连续查询的隐私开销并提高服务质量。在此基础上,设计基于w滑动窗口的轨迹隐私预算分配机制,确保轨迹中任意连续的w次查询满足ε-差分隐私,解决连续查询的轨迹隐私问题。此外,基于敏感度地图设计一种隐私定制策略,通过自定义语义位置的隐私敏感度,实现隐私预算的量身定制,从而进一步提高其利用率。最后,利用真实数据集对所提方案进行实验分析,结果显示所提方案提供了更好的隐私保护水平和服务质量。     

基于PSO-SWELM的应变传感器在线温度补偿方法

针对光纤布拉格光栅(Fiber Bragg Grating,FBG)应变传感器受环境温度影响而造成的波长漂移问题,提出粒子群优化(Particle Swarm Optimization,PSO)结合滑动窗口极限学习机(Sliding Window Extreme Learning Machine,SWELM)的在线预测算法对其进行温度补偿。利用PSO算法优化SWELM网络滑动窗口和隐含层神经元数目,提升了模型的预测精度,模型预测均方根误差最小能达到0.06pm。PSO-SWELM实现了对应变传感器数据的在线更新及波长漂移预测,对实时测量数据和预测数据进行差分运算完成温度补偿。与SWELM的对比分析结果表明,PSO-SWELM算法的预测精度平均提升了11.04%,并具有良好的温度补偿效果。     

基于动态开窗的快速运动目标信息获取方法

红外运动目标的轨迹预测在车辆、行人监控和天基遥感探测等军民用领域有着广泛的应用。当目标的相对运动速度较高时,受读出速率及积分时间固定的影响,传统全视场成像信息获取方法所得的目标轨迹点稀疏,难以满足目标轨迹预测的精度要求。针对以上问题,提出了一种基于动态开窗的快速运动目标信息获取方法。首先对观测区域进行全视场成像,捕获到运动目标后,对目标及其邻域开窗以提高成像帧频。通过分析探测场景辐射特性对系统工作参数的影响获取判别矩阵,实现开窗参数的动态调节,从而提升目标轨迹点密度。最后利用目标轨迹预测结果更新开窗位置以实现对单目标的全视场覆盖监测。实验结果表明,对于中波红外演示系统,与全视场成像信息获取方法相比,该方法将系统获取的目标轨迹点密度提高了16倍,系统轨迹预测精度提升了2.6倍,且所需的数据传输带宽降低了25%。该研究可为智能化红外感知系统的设计提供有益参考。     

实时递推的最小二乘预测跟踪算法

针对探测系统跟踪误差对目标跟踪的影响,提出一种实时递推的最小二乘预测跟踪算法.该算法采用平方预测器的估算方式,获得目标运动轨迹的最佳逼近,通过不断更新的历史数据实时递推轨迹参数,预测下一帧目标位置.该算法采用Matlab软件编写易于工程实现的应用程序.得到仿真的目标真实轨迹与预测轨迹数据.仿真结果表明,该算法可以在系统...     

基于动态预测目标轨迹和围捕点的多机器人围捕算法

为使围捕机器人快速地围捕移动目标,提出了一种基于动态预测目标轨迹和围捕点的多机器人围捕算法.随着目标的移动,动态更新采样点,用多项式拟合预测短期内目标可能到达的位置,并建立目标的安全域以禁止围捕机器人进入,从而避免目标主动逃逸.采用协商法为各机器人分配合适的期望围捕点,各机器人采用多侦查蚁协作算法迅速前往期望围捕点从而...     

基于无监督学习的目标轨迹预测

针对情报与侦察监视领域中目标轨迹预测问题,提出了一种基于无监督学习的预测方法。首先,根据历史信息分析目标历史活动规律;其次,构建隐马尔科夫模型,通过无监督学习自动实现预测目标在栅格网中的运动方向;最后,根据学习得到的运动方向和目标运动速度信息,计算未来短期内的目标轨迹。数值仿真验证了该方法能够有效地预测目标在未来短时刻内（通常为5 min）的运动轨迹。     

基于动态加权LS-SVM的网络流量混沌预测

网络流量是具有复杂非线性、不确定时变性的混沌时间序列.为提高标准最小二乘支持向量机的预测精度与自适应性,提出一种基于动态加权最小二乘支持向量机的网络流量混沌预测方法.该方法在标准LS-SVM回归机的训练样本误差设置时间权,增强对非线性样本的逼近能力.然后结合滚动窗与迭代求逆法实现模型动态在线校正,进而克服网络变化时的累积误差.仿真实验结果表明,相对常规LS-SVM,该模型能降低预测误差、减少计算时间,实现高精度实时混沌流量估计.     

基于行为模式的海上目标轨迹分段算法

海上目标监视系统实时获取并长期积累了大量轨迹数据,深入挖掘分析其中蕴含的目标行为特征,是提升传统的基于声光电磁特性的海上目标探测技术性能的重要途径。在轨迹聚类、轨迹预测和行为分析等数据挖掘的预处理环节中,主流的轨迹分段算法以最小化损失为分段依据,没有给分段轨迹赋予行为模式等语义内涵,限制了分段轨迹的应用范围。对此,本文提出一种基于行为模式的海上目标轨迹分段算法,通过定义七种目标行为模式,制定行为模式优先级,达到轨迹分段的目的。通过提取轨迹段的特征值,真实的保留轨迹特征,尽可能的还原轨迹。实验分析表明,本文的算法能准确合理的进行轨迹分段并真实的还原轨迹,不同的算法参数对应不同的应用场景。最终,本文对算法分段结果的应用前景进行展望。