基于UKF的红外目标空间定位方法

针对单站系统利用一次观测对目标进行定位,瞬时定位误差较大,提出了基于UKF的红外目标空间定位方法。基于针孔成像模型,借鉴主动视觉思想,通过控制红外热像仪运动拍摄目标图像,获取目标位置,并用GPS接收机测得拍摄点世界坐标。根据透视投影变换方程,借助站心地平坐标系和WGS-84坐标系建立红外目标空间定位的非线性系统模型,在此基础上引入UKF（Unscented Kalman Filtering）滤波算法进行空间定位。实验结果证明了该方法的可行性和有效性。     

基于无极卡尔曼滤波算法的雅可比矩阵估计

在基于图像的机器人视觉伺服中,采用在线估计图像雅可比的方法,不需事先知道系统的精确模型,可以避免复杂的系统标定过程。为了有效改善图像雅可比矩阵的在线估计精度,进而提高机器人的跟踪精度,针对机器人跟踪运动目标的应用背景,提出了利用无极卡尔曼滤波算法在线估计总雅可比矩阵。在二自由度的机器人视觉伺服仿真平台上,分别用卡尔曼滤波器（KF）、粒子滤波器（PF）和无极卡尔曼滤波器（UKF）三种算法进行总雅可比矩阵的在线估计。实验结果证明,使用UKF算法的跟踪精度优于其他两种算法,时间耗费仅次于KF算法。     

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法：融合了交互式多模型（IMM）、粒子滤波（PF）和无迹卡尔曼滤波（UKF）的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。     

粒子滤波在无线传感器网络目标跟踪中的应用

将粒子滤波（PF）算法应用于无线传感器网络（WSNS）的目标跟踪,并给出了粒子滤波实现的具体步骤。动态组织传感器网络节点成簇,实现了对网络中做匀速直线运动的单个目标的跟踪。分别采用扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）和PF算法进行了仿真试验。结果表明,在无线传感器网络目标跟踪领域,PF算法比EKF算法、UKF算法的滤波精度更高,性能更好,并且在实际应用中,由于该算法能够有效解决非线性、非高斯环境中的目标跟踪问题,实现简单而增强了可用性。     

基于UKF的闪烁噪声机动目标跟踪

闪烁噪声下的机动目标跟踪是一个非线性非高斯系统滤波问题,传统的卡尔曼理论很难保证其跟踪精度.文中提出了一种基于UKF的闪烁噪声机动目标跟踪算法,首先对目标系统的状态方程进行无味变换,然后再进行滤波估计,以减小跟踪误差.UKF不需要求导,它能比EKF更好地迫近目标运动模型的非线性特性,具有更高的估计精度,计算量却与EKF同阶.在仿真实验中采用"协同转弯模型"作为机动目标的运动模型,雷达的量测方程也是非线性的,分别应用UKF和EKF跟踪闪烁噪声下的机动目标,结果表明,UKF能够较好地解决闪烁噪声下跟踪机动目标的难题,其跟踪精度要远远高于EKF.     

基于自适应交互多模型算法的三维空间水下动态目标跟踪

自主水下机器人（AUV）动态目标跟踪技术是实现目标探测、目标侦察等任务的核心技术之一。为了跟踪机动目标,通常采用基于交互多模型（IMM）算法结合恒定速度（CV）模型和协同转弯（CT）模型;而IMM中的转移概率和CT模型中转弯速率通常根据先验信息固定,可能会导致状态估计不准确。为此,文章基于现有的自适应IMM算法,提出了一种可以自适应调整转移概率的并行IMM算法（APIMM）并结合无迹卡尔曼滤波算法（UKF）对水下三维空间中的机动目标进行状态预测,改进算法基于的模型集选择了CV模型,自适应转弯速率的三维固定中心恒定速率和转向速率（CSCTR）模型和当前统计（CS）模型。仿真结果表明,该算法能更大程度地利用后验信息,拥有更快的模型切换速度,能够对三维空间水下动态目标的状态进行预测,并且预测精度提升了约15%。     

无线传感器网络运动目标定位跟踪研究

针对无线传感器对运动目标的定位跟踪,考虑无线传感器网络定位中涉及的非线性性和能量约束问题,论文将UKF引入用于无线传感器网络的运动目标定位,将UKF和RSSI测量结合建立了一种面向匀速运动和变速运动的目标定位跟踪方法。仿真结果表明：与EKF相比,无论匀速运动和变速（匀加速）运动的目标,UKF都具有较高的滤波精度,可以满足无线传感器网络定位的需求。     

水下声自导武器目标跟踪方法研究

水下声自导武器采用主动方式检测、跟踪目标时,目标跟踪过程表现为一个动基座时变过程,难以直接运用卡尔曼滤波进行目标跟踪。利用水下声自导武器导航定位及航行姿态参数和水下声自导武器检测到的目标信息,通过坐标变换将目标坐标从水下声自导武器坐标系变换到大地坐标系解决了观测基座运动的问题,通过每次观测时间实时计算每次观测的采样时间解决了观测时变问题,建立了基于自适应衰减记忆卡尔曼滤波的水下声自导武器目标跟踪模型,给出了滤波初值选取的工程方法,仿真实验证明该模型正确,跟踪算法能够在10次观测内实现对目标的跟踪,具有较强的机动目标跟踪能力,算法收敛速度较快。     

基于SAD与UKF-MeanShift的主动目标跟踪

针对复杂场景下动态目标难以准确分割以及目标难以准确定位的问题,提出将绝对差值和(SAD)方法、无迹卡尔曼滤波(UKF)和Mean shift算法相结合的混合自主跟踪动态目标的方法。首先,采用SAD方法获相邻两帧的视差信息,利用视差实现动态目标的检测,并依此建立目标的核直方图描述模型和状态空间模型,然后UKF算法对状态空间进行滤波估计,最后采用Mean shift 算法精确定位目标。实验结果表明该方法不仅能有效检测场景的动态目标,同时还能获得目标的运动信息。文中所提出的基于UKF-Mean shift的跟踪策略与相关算法相比,体现出较好的跟踪效果与时间性能。     

基于多普勒信息的UKF目标跟踪算法

在实际雷达信号应用中,当目标的状态方程和观测方程在不同坐标系下得到时, 对目标状态的估计不再是线性的而是非线性的.为了提高在非线性情况下对目标的跟踪精度,为提高实时性和统计精度,提出了一种基于多普勒信息的UKF(Unscented Kalman Filter)滤波算法,算法是在原有UKF算法所有信息的基础上,引入目标的多普勒信息即径向速度,推导出新的测量模型和相应的滤波算法.应用matlab软件对目标的跟踪轨迹进行仿真,结果表明,引入雷达多普勒测量信息的UKF算法比传统的UKF算法和EKF算法具有更高的估计精度.     

基于强跟踪滤波器的目标运动参数估计方法研究

针对船舶动力定位系统中目标跟踪控制需求,提出了一种基于强跟踪滤波器的目标运动参数估计方法,建立了两种目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了引入渐消因子的强跟踪滤波器进行目标运动状态和参数估计。通过与扩展卡尔曼滤波器的参数估计对比仿真试验,验证了基于强跟踪滤波器的目标运动参数估计方法具有较好的跟踪性能。     

基于运动特征的颜色粒子滤波器

传统颜色粒子滤波器不能对跟踪状态进行自我判断,粒子容易失效,导致目标跟偏甚至跟丢。针对该问题,设计一种基于运动特征的颜色粒子滤波器。在分析目标运动特征的基础上,改进系统运动模型,建立自适应背景颜色尺度;在跟踪过程中通过最优估计速度和加速度来判断粒子滤波器的跟踪状态,建立相应的捕获机制以跟踪目标。实验结果证明,改进的颜色粒子滤波器能对与背景相似的运动目标进行有效准确的跟踪。     

划分交互式箱粒子概率假设密度滤波法

针对现有的多机动目标追踪问题,将交互式多模型(interacting multiple model,IMM)思想与箱粒子概率假设密度滤波器(box probability hypothesis density filter,Box-PHD)相结合,并针对箱粒子在区间密集杂波等复杂环境下箱体偏大,所导致的箱粒子冗余和目标跟踪位置估计不精确等问题,引入箱粒子划分技术,提出一种划分交互式概率假设密度滤波(partitioned interacting multiple model probability hypothesis density filter,PIMM-Box-PHD)算法,来处理椭圆形多机动目标的跟踪问题。该算法首先在预测阶段针对多目标的机动问题引入IMM预测,利用多模型交互方法来解决目标运动时模型失配问题;其次,利用箱划分技术将预测得到的箱粒子划分为大小和权值相同的多个子箱,以提高目标位置估计精度;最后,利用Box-PHD滤波对划分后的小箱粒子集进行区间量测更新。利用实验验证了PIMM-Box-PHD算法在多机动目标跟踪方面的良好性能,以及相较于IMM-Box-PHD算法在目标位置估计方面的优势。     

基于核函数法及粒子滤波的煤矿井下定位算法研究

煤矿井下受限空间中,射频信号强度受到多径衰落、阴影效应及人为因素的影响,采用路径损耗模型的定位方法误差较大,提出了基于核函数法及粒子滤波的定位算法。该算法利用指纹匹配技术结合贝叶斯估计,基于核函数法构建模型,搜索训练数据中接近未知节点指纹特征的位置并加权得到初步观测坐标,最后利用粒子滤波将目标运动状态与观测值相融合,平滑位置突变以追踪移动轨迹。实验证明,对于静态目标定位,核函数法效果优于确定型匹配算法和高斯分布模型;对于动态目标定位,所提算法比基于Markov状态转移的算法定位结果更精准。     

双目视觉基于修正卡尔曼滤波器的运动估计

研究了目标物体的远程运动估计.首先,建立了一种双目视觉系统的基于卡尔曼滤波器的目标物体运动估计的运动学模型,并且证明了双目视觉系统同步的各自连续两帧图像中至少三个对应图像点能完全确定刚性物体的运动参数和空间位置;然后,通过对状态向量中的速度分量进行再估计,提出了一种修正卡尔曼滤波器对目标物体远程运动估计的算法,与直接卡尔曼滤波器的远程运动估计相比,提高了估计的精度.将该方法运用到一种实时预测的实验中,其结果证明了该算法的有效性.     

自适应渐消有偏扩展卡尔曼滤波在目标跟踪中的应用

针对机动目标跟踪过程观测矩阵病态导致扩展卡尔曼滤波算法跟踪效果不佳的问题,提出一种自适应渐消有偏扩展卡尔曼滤波算法。该算法以扩展卡尔曼滤波为基本框架,并借鉴Gauss-Markov模型的思想以解决观测矩阵病态问题。算法根据状态估计均方误差最小条件求得有偏因子,以降低病态观测矩阵对滤波估计的影响;根据滤波发散判据提出一种新的渐消因子估计方法,以实时调整预测协方差矩阵,从而改善滤波增益并有效提高目标跟踪精度。仿真结果表明,改进算法比传统扩展卡尔曼滤波对目标跟踪的精度有较大提高,同时稳定性更好。     

基于Meanshift和粒子滤波的行人目标跟踪方法

针对粒子滤波跟踪算法计算代价大以及Meanshift跟踪算法容易陷入局部极值等问题,提出一种嵌入均值优化的粒子滤波跟踪算法。该算法根据粒子滤波的运动模型估计目标区域位置,利用Bhattacharyya距离度量粒子区域和目标模型的相似性,并根据相似性来更新粒子权值,使用Meanshift优化算法改善粒子的估计位置,使得这些粒子的候选区域能更加接近目标模板,极大提高了粒子的使用效率。实验结果表明,该算法能够有效进行人的跟踪,处理人的短暂遮挡问题,性能优于粒子滤波算法,有较好的实用性。     

目标运动要素解算方法的研究

提出了适用于水下目标运动要素估算的最小二乘估计和Kalman滤波估计模型 ,本模型被用于航空反潜作战中目标运动要素估算 ,取得了较好的效果。     

基于视觉注意力计算的运动目标检测方法研究

为了更准确地在全局运动视频场景中检测运动目标,提出了一种基于运动注意力和粒子滤波自底向上和自顶向下相结合的运动目标检测方法。基于多尺度可变块运动估计估计运动矢量场（Motion Vector Filed,MVF）,构建运动注意力模型,得到运动注意力显著图,继而得到运动注意力的初始分布;采用自顶向下的基于目标颜色信息的粒子滤波算法,调整运动注意力的分布状况;使注意力集中到待测目标上,并提取出待测运动目标。实验结果表明,该方法在全局运动场景中能更加准确地检测目标。     

基于双目视觉的水下动态目标识别与定位方法研究

针对动态水下目标跟踪定位过程需要良好的实时性与鲁棒性问题,提出一种基于双目视觉的水下动态目标定位方法;利用快速引导滤波提取水下图像的光照分量,构造了一种改进的二维伽马函数,并对其参数利用光照分量的分布特性进行调整,实现了对水下不同环境图像下的亮度自适应校正处理;利用卡尔曼滤波预估下一时刻目标的位置,将预测空间作为ROI区域进行图像校正,极大降低了算法的运行时间;在HSV空间对目标进行掩膜提取,识别之后通过双目定位算法对目标进行准确定位;经过水箱试验验证,与多尺度高斯函数、双边滤波等算法相比,该方法在运行速度上有着显著的提高,达到了35FPS,在定位过程中有着较高定位精度,在方向的平均相对误差为(3.59%,3.35%,1.42%);结果表明,该算法可以满足水下动态目标跟踪定位的实时性与鲁棒性要求。