基于自适应变结构信息滤波的目标跟踪算法

目前目标跟踪算法采用的交互多模型,大多是通过固定模型之间的切换来完成目标跟踪,这容易出现模型集与目标真实运动不匹配问题,降低目标跟踪的精度。同时,现在大部分观测平台都能提供多传感器量测,这要求跟踪算法能对不同量测信息进行高效数据融合。针对上述问题,提出一种基于自适应变结构多模型和信息滤波的跟踪算法,它由少量模型构成模型集,通过在线更新模型集参数以自适应目标真实运动,采用无迹卡尔曼信息滤波融合多传感器量测信息,实现对目标的跟踪。仿真结果表明,该算法可以有效融合多传感器量测信息,自适应匹配目标真实运动,实现对目标稳定的高精度跟踪。     

基于概率假设密度的无线传感器网络多目标跟踪算法

针对无线传感器网络多目标跟踪过程中杂波难以去除以及由数据关联复杂带来的计算复杂度高的问题,将概率假设密度滤波器应用于无线传感器网络,以更好地对多目标状态信息进行融合估计;首先,建立簇-树型无线传感器网络模型,并运用随机有限集理论对目标状态模型和传感器观测模型进行描述;然后,根据目标与节点之间的距离设置观测阈值,当传感器节点测量值小于观测阈值时,概率假设密度滤波器将实时对该组测量数据进行处理,从而实现传感器网络对目标状态的联合检测与跟踪;仿真结果表明,在无线传感器网络的多目标跟踪应用中,该算法比粒子滤波算法具有更高的跟踪效率和精度。     

基于DSmT与粒子滤波的多传感器融合

为实现多传感器对机动目标状态的跟踪,提出一种基于DSmT与粒子滤波的多传感器融合算法。在各传感器利用粒子滤波方法处理观测数据的基础上,运用DSmT作为融合工具,将观测数据转化为辨识框架内的元素及其mass值,得到最终融合结果。实验结果表明,该方法可减小距离误差,提高跟踪精度,且运算复杂度能满足在线实时融合的要求。     

基于异类传感器观测信息融合的UKF算法

针对传统的目标跟踪无迹卡尔曼滤波(UKF)滤波算法中,多传感器信息融合的前提是所有的传感器观测信息及维数相同,不适用于由多异类传感器组成的观测系统,提出一种改进的UKF滤波算法,以多异类传感器观测量扩展融合后的融合信息为新观测量建立混合坐标系下的非线性测量方程。通过仿真验证,提出的算法可以有效降低目标定位误差。     

一种实时目标跟踪航迹数据融合算法

在研究多传感器的目标跟踪数据融合时,针对算法都需要事先了解数据的一部分先验知识,虽然能够提高数据的跟踪精度,但只能应用到事后的数据分析中.为了使融合中心能在传感器录取目标数据的同时进行跟踪数据的融合处理,数据融合算法必须实现实时性.为了解决数据融合算法在提高精度的同时不需要以先验知识为背景的问题,提出一种利用数据间支持度函数矩阵进行多组数据加权融合的结果来替代滤波测量值进行卡尔曼滤波,并得到多组测量数据的实时动态融合跟踪.仿真结果表明,能够实时跟踪目标,同时数据融合的跟踪精度大大提高.     

基于多传感器不完全量测下的机动目标跟踪算法

针对传感器探测概率小于1的不完全量测情况下的非机动目标跟踪问题,提出一种基于多传感器不完全量测下的扩展Kalman滤波算法。首先,利用残差检测的野值剔除方法,确定目标状态估计过程中传感器是否接收到正确的量测数据;其次,基于每个传感器的量测数据,在不完全量测下采用改进的扩展卡尔曼滤波算法分别对目标运动状态进行估计;进而结合多传感器最优加权融合方法求解基于多传感器观测数据的状态估计;最后,将算法应用到光电跟踪系统中。仿真实验得到不完全量测下传感器探测概率对滤波效果的影响,验证了算法的有效性,其跟踪精度接近完全量测下的状态估计精度。     

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。     

基于鲁棒容积卡尔曼滤波的自适应目标跟踪算法

目标跟踪系统的观测野值将大大降低滤波算法对目标状态的估计精度.为了解决这个问题,提出了一种基于鲁棒容积卡尔曼滤波的自适应目标跟踪算法.借鉴Huber等价权函数的思想,构造了基于平方根平滑逼近函数的修正因子以抑制观测野值的影响,并结合容积卡尔曼滤波器求解框架推导出该算法.区别于Huber方法对观测残差的每个维度分别进行处理,提出的算法能够对观测残差进行综合评判.理论分析证明所提算法具有更好的数值稳定性.仿真实验表明,所提算法能够自适应地减少异常值的不利影响,与现有算法相比具有更优的滤波性能.在仿真实验中还对几种滤波算法的计算花费进行了比较,发现所提算法未大幅增加计算成本.     

基于特征融合及自适应模型更新的相关滤波目标跟踪算法

针对单一特征目标跟踪算法因背景干扰、目标遮挡造成的跟踪失败问题,以及跟踪过程中每帧进行模型更新容易造成错误更新和实时性差的问题,提出了一种基于特征融合及自适应模型更新策略的相关滤波目标跟踪算法-多特征自适应相关滤波目标跟踪算法。该算法在特征提取阶段将边缘特征及HOG特征加权融合作为目标特征,加强对边缘特征的学习;在模型更新阶段通过计算预测区域与真实区域的奇异值特征向量相似度,并结合设定的阈值判断是否需要进行模型更新,通过自适应更新的方式减少模型的更新次数。在标准测试视频集下验证所提算法,并与两种经典相关滤波算法进行比较,结果表明该算法能够较好地适应背景干扰及目标遮挡问题,跟踪目标的平均中心误差减少了9.05像素,平均距离精度提高12.2%,平均重叠率提高4.53%。     

不确定观测滤波及在无线传感器网络中的应用

比较几种具有代表性的基于卡尔曼滤波框架的带有不确定观测的滤波算法。比较它们的数学模型和算法实现,并将它们应用于无线传感器网络目标跟踪。仿真结果显示不同模型下的不确定观测滤波方法滤波效果不同,多步丢包模型在无线传感器网络中应用于移动目标跟踪具有优越的跟踪性能。     

一种多传感器反直升机智能雷伺服跟踪系统

讨论一种基于多传感器的反直升机智能雷AHM(Anti-Helicopter Mine)系统.为了提高智能雷的全自动智能跟踪能力和打击精度,在传统的被动声探测技术的基础上,结合图像传感器的视觉信息和激光测距仪的深度信息,提出一种基于声-光-电多传感器联合的自动目标探测、识别、跟踪算法.首先将五元十字声源定位技术用于低空目...     

Collaborative signal processing for target tracking in distributed wireless sensor networks

Target tracking, especially visual target tracking, in complex situations is challenging, which is always performed in single-view system. Because of the conflict between resolution and tracking range, however, single-view tracking is not robust and accurate. This paper presents a distributed multi-view tracking system using collaborative signal processing (CSP) in distributed wireless sensor networks (DWSNs). In the proposed tracking system, target detection and classification algorithms are based on single-node processing and target tracking is performed in sink node, whereas target localization algorithm is carried out by CSP between multisensor. For conquering the disadvantages of client/server based centralized data fusion, a progressive distributed data fusion are proposed. Finally, an indoor target tracking experiment is illustrated, and then tracking performance, execution time and energy consumption of progressive distributed data fusion are compared with client/server based centralized data fusion. Experimental results demonstrate that the CSP based distributed multi-view tracking system in DWSNs can accomplish multi-target extraction, classification, localization, tracking and association quickly and accurately with little congestion, energy consumption and execution time.     

基于粗大误差检测和补偿的改进型EKF动态目标跟踪算法

卡尔曼滤波作为当前动态目标跟踪中的常用滤波算法,研究其动态跟踪的准确性对于军事制导,交通导航等领域具有重大意义。针对动态系统目标跟踪观测过程中存在的坏值、静差和漂移三种粗大误差,基于传统扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法框架,引入了一种粗大误差检测和补偿方法,实现了对动态系统观测值中粗大误差的准确辨识和优化补偿,使得扩展卡尔曼滤波能够结合粗大误差检测和补偿方法有效地排除观测值中的粗大误差,滤波后的状态估计值更加准确地逼近真实值。经过仿真实验和对比,提出的改进型EKF算法能有效地排除粗大误差观测值对状态预测过程的影响,并且实现了对动态系统目标的准确跟踪,这大大提高了动态目标跟踪的精确度。     

An Interacting Multiple Model Approach for State Estimation with Non‐Gaussian Noise Using a Variational Bayesian Method

The conventional interacting multiple models (IMM) approach for a hybrid system under the Gaussian assumption is limited for most real applications due to the noisy measurements often being in the presence of outliers. This paper aims at accommodating the IMM approach to the non‐Gaussian cases where outliers exist. In the proposed IMM algorithm, the Student‐t distribution is used to model the non‐Gaussian measurement noise. At the interaction step, the mixed statistics of the noise parameter under a Bayesian framework are obtained via a Gamma approximation and a recently reported moments matching method. To address the state noise‐coupled intractability in Bayesian filtering, a variational Bayesian method is utilized to approximate the posterior distributions of the noise and state recursively. The proposed algorithm is tested with a maneuvering target tracking example and is shown to be robust to the outliers.     

基于M估计的鲁棒后向平滑CKF单站跟踪算法

提出一种基于M估计的鲁棒后向平滑容积卡尔曼滤波（M-estimated based Robust Backward-Smoothing Cubature Kalman Filter,MR-BSCKF）算法。该算法将改进的M估计思想引入后向平滑容积卡尔曼滤波（BSCKF）算法中,引入Mahalanobis距离构建P-Huber等价权函数,通过降低野值误判概率进一步提高滤波算法的鲁棒性;在传统CKF算法的基础上增加后向平滑函数,通过后向平滑和前向滤波相结合的二次滤波进一步提高滤波的精度,实现了算法精度和抗野值能力的统一。仿真结果表明,与传统算法相比,MR-BSCKF在有野值和无野值的情况下都能够得到更加准确的目标跟踪结果,且鲁棒性更强。     

基于多摄像头和一致性子集的乒乓球跟踪方法

乒乓球运动具有高速性,所以乒乓球跟踪必须满足低延迟和高采样率。为此,提出了一种基于最大一致性子集的乒乓球机器视觉跟踪方法。首先,使用启发式算法寻找目标像素的集合,确定乒乓球的位置;然后,为了纠正启发式算法可能的错误报告,移除离群点,对不同相机所报告的位置进行最大一致性检查,找到并丢弃在目标检测阶段中得到的错误位置;最后分别在仿真环境和现实机器人平台上对所提方法进行评价。与RTBlob等系统相比,所提方法的跟踪准确度更高,对离群点的鲁棒性更优。此外,随着相机数量的提升,所提方法的准确度和鲁棒性也会增加。     

D-S证据理论在时-空信息融合中的应用

多传感器的信息融合技术应用于导航、目标跟踪、目标识别等很多领域。目前用于信息融合的主要方法就是证据理论技术。论文给出了三种基于D-S证据理论的多传感器多个测量周期的信息融合(时-空信息融合)的方法。在仿真实验中对这三种方法进行了比较,分布式有反馈的方法是三种方法中最好的。     

Cooperative distributed target tracking algorithm in mobile wireless sensor networks

The paper proposes a cooperative distributed target tracking algorithm in mobile wireless sensor networks.There are two main components in the algorithm:distributed sensor-target assignment and sensor motion control.In the key idea of the sensor-target assignment,sensors are considered as autonomous agents and the defined objective function of each sensor concentrates on two fundamental factors:the tracking accuracy and the tracking cost.Compared with the centralized algorithm and the noncooperative distrib...     

基于抗差自适应容积卡尔曼滤波的超紧耦合跟踪方法

为降低基于单一调节回路的超紧耦合结构存在的反作用影响,设计了一种基于双回路的超紧耦合结构.基于此,为解决所设计结构中跟踪环路的非线性滤波问题,针对测量异常误差和动力学模型误差,提出了一种基于抗差自适应容积卡尔曼滤波(Robust adaptive cubature Kalman filter,RACKF)的超紧耦合跟踪算法.该算法采用稳健M估计调整容积卡尔曼滤波 (Cubature Kalman filter,CKF)算法,对观测量中粗差的影响“程度”进行探测和处理,以减小观测量异常误差产生的影响,同时利用自适应调节因子对算法进行调节修正,以处理动态扰动误差引入的影响.实验结果表明: 所提出的方法能有效地处理模型不准确所引入的误差,较好地实现全球定位系统(Global positioning system,GPS)卫星信号的高精度和稳定跟踪,其跟踪性能远优于基于单一回路的跟踪方法,同时优于基于无迹卡尔曼滤波(Unscented Kalman filter,UKF)和基于CKF的跟踪方法,提升了导航系统在高动态条件下的适应性能.     

Robust decentralized multi-model adaptive template tracking

In this paper, a robust and efficient visual tracking method through the fusion of several distributed adaptive templates is proposed. It is assumed that the target object is initially localized either manually or by an object detector at the first frame. The object region is then partitioned into several non-overlapping subregions. The new location of each subregion is found by an EM¹-like gradient-based optimization algorithm. The proposed localization algorithm is capable of simultaneously optimizing several possible solutions in a probabilistic framework. Each possible solution is an initializing point for the optimization algorithm which improves the accuracy and reliability of the proposed gradient-based localization method to the local extrema. Moreover, each subregion is defined by two adaptive templates named immediate and delayed templates to solve the “drift” problem.² The immediate template is updated by short-term appearance changes whereas the delayed template models the long-term appearance variations. Therefore, the combination of short-term and long-term appearance modeling can solve the template tracking drift problem. At each tracking step, the new location of an object is estimated by fusing the tracking result of each subregion. This fusion method is based on the local and global properties of the object motion to increase the robustness of the proposed tracking method against outliers, shape variations, and scale changes. The accuracy and robustness of the proposed tracking method is verified by several experimental results. The results also show the superior efficiency of the proposed method by comparing it to several state-of-the-art trackers as well as the manually labeled “ground truth” data.