基于伪线性卡尔曼滤波的多站IRST系统跟踪技术

建立了目标的多站IRST（红外搜索与跟踪）系统的伪线性观测模型,基于该模型提出了匀速运动目标的伪线性卡尔曼滤波算法．算法利用伪线性方程组获得滤波器的初值,从而提高了滤波器的跟踪精度和速度．分别采用伪线性卡尔曼滤波器与推广卡尔曼滤波器对目标进行跟踪的仿真结果表明：当探测器数目为3、4时,在跟踪初始阶段．曲线性卡尔曼滤波器在跟踪的速度和精度方面均优于推广卡尔曼滤波器,在稳定阶段,两者的性能基本相仿．当探测器数目为6时,则不论是在跟踪的初始阶段,还是在稳定阶段,伪线性卡尔曼滤波器与推广卡尔曼滤波器的性能基本相同．     

可处理多普勒量测的最佳线性无偏估计算法

基于目标位置量测的一些量测转换方法已被广泛使用在目标跟踪应用中,使得卡尔曼滤波器得以在直角坐标系中应用。但是,这些量测转换方法有一些会导致估计性能恶化的根本缺陷。事实上,除了位置量测外,理论计算和实践已经证明,包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力。该文在直角坐标系下提出一种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器。从理论上讲,它是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷。通过将近似处理后的新型最优线性滤波器与目前4种流行的方法进行仿真比较,验证了所提出的滤波器的优越性。     

机载火控雷达速度搜索目标的距离估计方法

本文给出了机载火控雷达工作在速度搜索模式下目标跟踪,并实现目标距离估计的新方法。该方法通过多假设目标跟踪的思想把高重复频率有限的解距离模糊的能力和由角度、多普勒速度测量估计目标位置的能力结合起来,实现目标空间位置的定位。分析了利用角度和多普勒速度测量估计目标距离的可观测性和估计性能。仿真结果表明本文方法是可行的。最后给出工程中有效应用本文方法的建议。     

极坐标系下可处理多普勒量测的BLUE跟踪算法

事实已表明包含目标速度信息的多普勒量测具有有效提高目标状态估计精度的潜力.该文在直角坐标系下提出两种可使用转换多普勒量测(即距离量测与多普勒量测的乘积)的滤波器,一种借助了构造的多普勒伪状态,另一种没有借助多普勒伪状态.从理论上讲,它们都是在最佳线性无偏估计准则下的最优线性无偏滤波器,并且避免了量测转换方法的根本缺陷.通过将近似处理后的两种新型最优线性滤波器与目前几种流行的方法进行仿真比较,验证了所提出的滤波器的优越性.     

编队目标的仅方位跟踪

编队目标跟踪是多目标跟踪领域中的一个特殊问题.一般认为,在巡航状态下编队中的所有目标以同样的速度和航向匀速运动.这一事实可以用来帮助目标跟踪器改善跟踪效果.给出了在仅方位测量条件下编队目标跟踪的3种模型:分开模型、耦合模型和协作模型.分开模型实质上是多个单目标的同时跟踪,与单目标跟踪没有区别;耦合模型是将多个目标的待估状态耦合成一个综合的目标状态,各目标的测量信息也是合在一起使用;协作模型则是利用跟踪效果好的目标的速度和航向解算结果来帮助跟踪效果差的目标.对这3种方法进行的理论和仿真比较分析的结果表明,协作模型更有优势.     

跟踪状态自适应的判别式行人单目标跟踪算法研究北大核心CSCD

本文针对在行人跟踪过程中遇到的背景相似物干扰、行人之间的相互遮挡和背景杂乱等导致跟踪状态不稳定的问题,基于DIMP(learning discriminative model prediction for tracking)跟踪算法,提出了一种跟踪状态自适应的判别式单目标行人跟踪算法。跟踪过程中由分类滤波器和搜索区域进行卷积操作得到响应图,通过响应图判断跟踪状态,跟踪状态分为弱响应状态、多峰强响应状态、单峰强响应状态。针对多峰强响应状态下的干扰物影响,提出在线更新策略,利用激励和抑制损失更新分类滤波器,提高分类滤波器的判别能力。针对多峰强响应和弱响应状态下目标预测不准确的问题,通过偏移量和增添候选框修正目标位置,提高跟踪精度。实验验证提出的算法在行人视频序列上跟踪结果,精度达到了0.978,成功率达到了0.740,在NVIDIA GTX 1650显卡下有30 fps的实时速度。     

使用高斯混合滤波器的机动目标跟踪

实际目标跟踪过程中,被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息,给出了目标状态与类型不确定性的联合状态类型概率密度函数表示,并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质,引入高斯混合滤波器,实现了机动目标的有效跟踪。在仿真分析中,通过对比3种算法的跟踪结果,进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。     

小型扩展物体的精确目标跟踪

介绍一种利用前视红外成象传感器的测量结果来跟踪小型扩展物体形心的方法,得到了作为目标形心的噪声线性测量结果的一帧形心统计学特性.偏移测量噪声表现为自相关.介绍跟踪具有这些测量结果的目标形心状态变化模型及相应滤波器,对它们的性能作了对比,滤波器模拟证明:自相关测量噪声模拟能够提供最好的性能.     

电视跟踪系统非线性测量延迟滤波算法研究

针对电视跟踪系统存在的脱靶量现象所导致的不能直接进行目标运动参数预测及预测精度降低问题,提出在测量方程中引入一不确定因子γ以表明系统存在测量延迟,且由γ的概率来表示系统的延迟量。同时根据不敏卡尔曼滤波(UKF)原理,给出带有测量延迟的非线性系统的状态估计计算方法(称其为测量延迟UKF算法)。并在电视跟踪伺服控制系统中对此算法进行仿真实验。实验结果证明此算法在电视跟踪等效复合控制系统中的有效性,且实验结果也表明在测量方程中引入一不确定因子γ以表明系统存在测量延迟是有效可行的,而且此算法可大幅度降低速度预测误差和跟踪误差。     

UKF强跟踪滤波在组合导航故障诊断中的应用

针对组合导航系统故障诊断,在强跟踪滤波理论的基础上,对无迹卡尔曼(UKF)强跟踪滤波法进行了研究.UKF强跟踪滤波法兼具UKF和强跟踪滤波器的优点:较强的处理非线性问题的能力和强跟踪能力.最后,将该方法应用于组合导航系统故障诊断,设置不同的故障模式,与强跟踪滤波法进行了对比仿真研究.从仿真结果可看出,两种方法对硬故障的灵敏度接近,UKF强跟踪滤波法对软故障的灵敏度明显高于强跟踪滤波方法.由此证明UKF强跟踪滤波器对于突变状态具有强跟踪能力,对于缓变故障具有优于其他方法(强跟踪滤波)的敏感能力,提高了组合导航系统的精度、可靠性和安全性,可应用于工程实际.     

多传感器跟踪机动目标：数据越多估算越好吗

分析了多传感器跟踪机动目标的问题，相对给定目标的位置，参与给定目标跟踪的传感顺和数目和类型，通常是固定的。然而，在许多多传感器系统中，由于名传感器的机动性、类型和的限制，执行特定目标跟踪的传感器的数目和类型能够阴时间而变动。当跟踪机动目标时，由于目标运动模型的不确定性，传感器系统组成的这种可变性提出了重要问题。通常用瞳尔曼滤波器过滤用于估算目标的位置、速度和加速度的位置测量量。当设计卡尔曼滤波器时     

基于高斯混合概率假设密度的运动参数估计组合平滑滤波算法

针对高斯混合概率假设密度(GM-PHD)滤波器在目标速度未知或不准确时,目标状态估计性能较差,该文提出一种基于GM-PHD的运动参数估计组合平滑滤波算法。该算法通过目标状态提取速度信息,经过中值平滑和线性平滑组合处理提升速度估计准确性,然后将速度反馈给GM-PHD滤波器的状态转移方程,提高状态预测精度。仿真结果表明,目标速度未知或不准确时,所提算法能够明显改善GM-PHD滤波器状态估计性能。     

初值自适应的磁性目标跟踪方法

针对在初始先验信息缺失时磁性目标滤波跟踪方法发散问题进行研究,本文提出了一种多初值模型的解决框架,并以平方根形式的中心差分卡尔曼滤波器（Square-Root Central Difference Kalman Filter,SRCDKF）为例,结合多初值模型得到了SRCDKF自适应磁性目标跟踪算法.文章首先根据远距离磁偶极子的磁场等效性,建立了多初值滤波跟踪模型,然后基于最大似然选择理论推导了如何从多模型中选择最佳结果,即多初值模型的选择方法,最后以SRCDKF滤波器为滤波单元,得到了基于SRCDKF的自适应磁性目标跟踪算法.经过仿真试验表明：（1）多初值模型建立和选择方法的有效性;（2）基于SRCDKF的自适应磁性目标跟踪算法,在初始位置信息缺失的情况下,能够有效完成对磁性目标的跟踪;（3）以不同滤波器为滤波单元的自适应跟踪算法跟踪试验结果表明,多初值模型的解决框架可解决初值先验未知下的跟踪问题.     

智能跟踪策略研究

用成像方式提取目标的图像信息,用估值理论求取目标状态的最佳估值,用自适应方法调整跟踪滤波器的参数以实现智能跟踪。模拟结果表明了良好的跟踪效果。     

基于测量协方差离散Kalman滤波估计算法的视频跟踪

视频中人体跟踪存在复杂性,尤其是对复杂背景下的人体上、下肢区域进行识别与跟踪时,传统算法存在一些问题。本文在传统Kalman滤波跟踪算法基础上,提出一种基于可变测量协方差的离散Kalman滤波人体识别算法。通过初始化测量协方差,用递归的方法从新获取的观测数据中计算出新的测量协方差估计量,通过离散Kalman滤波器进行跟踪。在实际的视频图像中,表现出良好的跟踪效果,并且对上肢、下肢及整个人体的区分以及部位跟踪方面都有很好的表现。相对于传统的Kalman滤波算法,本算法没有丢失跟踪目标的现象,跟踪速度适中,与人体行进速度保持一致,基本为1.5 m/s,特别适用于对视频中的人体行为进行跟踪及分析处理。     

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。     

基于卡尔曼滤波器的焊缝识别算法

为了提高工业现场焊缝跟踪的准确性和抗干扰能力,提出了一种基于约束卡尔曼滤波器的焊缝识别算法。采用结构光测量系统获取焊缝连续图像,然后利用形态学处理定位焊缝图像角点,并通过高斯拟合法提取激光条纹中心点,将角点和中心点的位置和速度作为卡尔曼滤波器的状态变量,建立卡尔曼滤波器的状态方程和测量方程,再由角点和中心点的位置关系构建等式约束方程,通过约束方程对卡尔曼滤波后的结果进行修正。结果表明该算法能有效实现焊缝跟踪,提高了焊缝识别的精度和抗干扰能力。     

一种量测转换的移动外辐射源多站协同跟踪算法

针对移动外辐射源跟踪问题,提出一种融合到达角(Angle of Arrival,AOA)与到达时间差(Time Difference of Arrival,TDOA)观测量的量测转换Kalman滤波(Converted Measurement Kalman Filter,CMKF)算法。首先,采用了一种考虑了传感器位置偏差影响的无源定位算法作为转换非线性的AOA与TDOA观测量至笛卡尔坐标系下观测量的方法,并证明了当AOA与TDOA的测量噪声以及传感器位置偏差都服从高斯分布且噪声强度不大时,该量测转换方法的位置转换误差能达到克拉美罗(Cramér-Rao Lower Bound,CRLB)界;其次,在量测转换的基础上构建了关于移动外辐射源的线性状态空间模型,将非线性的目标跟踪问题转化为线性滤波问题,并最终使用标准Kalman滤波器实时跟踪移动外辐射源位置。仿真结果不仅验证了量测转换精度与理论分析结论吻合,还表明了所提CMKF算法的跟踪精度同时优于扩展Kalman滤波器、无迹滤波器以及粒子滤波器。     

机动目标跟踪领域的数据滤波技术应用

在机动目标跟踪数据处理过程中，由于飞点或目标机动造成的状态突变，常常导致卡尔曼滤波器发散，从而恶化跟踪效果，本文针时异常值的特点分为飞点和突变值两类分别处理，通过预处理和强跟踪卡尔曼滤波器使时机动目标跟踪达到较好的效果。     

基于变维卡尔曼滤波的塔康距离跟踪算法

为提高跟踪精度,在塔康系统距离测量中,可采用 Kalman 和α-β算法对距离测量值进行滤波。要确保处理精度,采用 Kalman 滤波器,状态变量取的会比较多,而α-β算法是一种常增益滤波器,会出现发散情况。针对两种滤波器的不足,提出了变维 Kalman 滤波的塔康距离跟踪算法,该算法建立距离测量的非机动模型和机动模型,通过距离滤波在机动和非机动两种模型间的自适应切换,完成塔康距离实时跟踪。应用 Monte Carlo 方法仿真表明：该算法可实现塔康距离的实时跟踪,而且距离测量准确度有了一定提高。