自适应选取聚类中心K-means航迹起始算法

为揭示多传感器观测数据的正态分布态势,实现对源于异类目标的跟踪,提出一种新的多传感器航迹起始算法,本算法主要特点是初始聚类中心的自适应选取以及对逻辑估计法的起始夹角修正。估计算法中采用不相似性度量阈值的角度衡量方法,同时还结合聚类数目自适应归纳及初始聚类中心的推演逼近,从而使单传感器的航迹起始估计算法可以应用于多传感器的航迹起始根据;然后对聚类后的数据采用修正的逻辑航迹起始算法起始目标航迹。蒙特卡洛估计表明,新的自适应K-means聚类估计区分呈团状分布的不同目标的能力好,且通过估计算法得到的目标非常接近真实目标位置。经过自适应聚类处理后的目标航迹起始估计可有效滤除杂波干扰,降低虚警概率,能够获得较好的多传感器航迹起始。     

减法聚类的Hough变换航迹起始算法

针对低信噪比、低信杂比目标检测时Hough变换累积矩阵存在的峰值簇拥现象,提出了一种基于减法聚类的Hough变换航迹起始算法.该方法首先采用Hough变换初步筛选出参数空间上大于投票阈值的投票值,然后采用减法聚类对获取的参数进行二次处理.实验表明该方法不但能够明显改善局部峰值簇拥现象,而且对杂波干扰具有更好的鲁棒性,特别适用于复杂环境中的目标检测.     

基于子航迹Hough变换的模糊航迹关联

针对多局部节点的航迹关联问题,提出一种基于子航迹Hough变换的模糊航迹关联方法.将融合中心相邻时刻的同源局部状态估计定义为子航迹,利用Hough变换将同一时段的所有子航迹映射为参数空间中一组点集,以最大熵模糊聚类实现子航迹-系统航迹关联.实验结果表明,在多局部节点情况下,该算法能实现子航迹-系统航迹关联,减少系统航迹的平均更新时间,满足系统的实时处理要求,与传统的航迹关联算法相比,具有较快的关联处理速度.     

雷达微弱目标探测的改进检测前跟踪算法

针对基于Hough变换的检测前跟踪(TBD)算法存在大量虚假航迹,无法有效得到真实目标航迹的缺点,提出了一种基于修正Hough变换和粒子滤波相结合的TBD算法.该算法首先利用修正Hough变换估计目标航迹,得到目标可能存在的范围;再将该范围作为粒子滤波的先验信息,利用粒子滤波计算的权重构造似然比检测目标,进一步剔除虚假...     

基于Hough变换的航迹起始算法

航迹起始是航迹处理中的首要问题。通过对目标航迹起始的Hough变换方法的研究,总结了目标航迹起始的经典Hough变换算法。针对该算法运算量大不满足实际应用的不足,提出了一种新的基于3/4逻辑的改进Hough变换航迹起始算法。该算法以3/4逻辑为起始航迹的依据,采用改进的Hough变换法判断一次点迹是否共线,有效的解决了在密集杂波环境中目标航迹的快速起始问题。该算法加入速度选通排除了部分杂波,降低了运算量,为该算法应用于工程实践创造了条件。     

一种基于改进层次聚类的Hough空间峰值检测方法

运用Hough变换对序列图像中的弱小点目标运动轨迹进行直线检测时,常规的Hough变换参数空间峰值检测方法难以区分相近的目标运动轨迹。为满足多目标有效跟踪的应用需求,文章根据目标Hough变换参数空间的狭长型特点,结合改进的层次聚类方法,给出一种基于层次聚类的Hough变换参数空间峰值检测方法。通过实验分析,验证了文章所提方法的有效性。     

一种基于改进层次聚类的Hough空间峰值检测方法

运用Hough变换对序列图像中的弱小点目标运动轨迹进行直线检测时,常规的Hough变换参数空间峰值检测方法难以区分相近的目标运动轨迹。为满足多目标有效跟踪的应用需求,文章根据目标Hough变换参数空间的狭长型特点,结合改进的层次聚类方法,给出一种基于层次聚类的Hough变换参数空间峰值检测方法。通过实验分析,验证了文章所提方法的有效性。     

测向交叉定位系统的动态航迹起始算法

提出了一种两站测向交叉定位系统多目标跟踪的动态航迹起始算法。该算法根据启发式规则消除一部分虚假定位点,用Hough变换法检测出所有直线航迹,再利用逻辑法起始真实目标的航迹。对存在虚警、漏检和目标数量未知的复杂环境的仿真研究,证明了该算法的有效性。讨论了新算法由两站系统推广到多站系统的方法,避免了多站测量数据关联的NP完全问题。     

基于观测值聚类的雷达数据融合

基于模式识别理论，提出了一种通过对多传感器的测量数据聚类，以区分来自同一目标的测量数据集合，结合聚类数据集与目标预测值，应用卡尔曼滤波器估计目标的运动状态，从而实现了各雷达站目标观测航迹的数据融合．实验表明了本算法的有效性．     

基于联合概率数据融合的多目标车辆安全跟随

为了实现密集杂波环境下多目标车辆安全跟随，提出多源传感器数据融合的多目标车辆跟踪算法与纵向避撞预警策略.针对多源传感器观测序列因采样周期、采样起始时刻、通信时延差异等引起的时间异步，以及空间上存在不同维度、不同坐标系的问题，给出时间配准与空间融合的软同步方法.采用基于改进的联合概率数据关联(JPDA)的单一传感器多目标状态估计算法对目标轨迹进行滤波估计，能够在保证有效关联的同时，在一定程度上降低计算复杂度.基于多源传感器联合概率数据融合(MSJPDA)序贯滤波算法对目标的运动状态进行序贯更新，将最后一级的输出作为融合中心的最终状态估计，再根据威胁估计模型对追尾危险的发展态势进行评估与分级.实车试验与仿真结果验证了该算法的可行性与有效性.     

Short-arc association algorithm for joint observation of multiple star sensors

The star sensor is a high-precision attitude sensor with the ability to shoot space targets intermittently.It can be used as a new type of space target monitoring platform.Accurately associating the track segments of the star sensor with intermittent observations is the prerequisite for precise orbit determination of space targets.In order to solve the problem of trajectory association where the initial orbit cannot be determined because the target observation time is too short,a short arc association algorithm for space targets based on hypothetical boundary values is proposed.By using the multi-satellite sensor joint positioning method,only the angle measurement data of the star sensor are converted into the spatial coordinates of the target,and each point from the track segment to be associated is taken as a boundary.Based on the boundary association hypothesis,the theoretical values of the space target orbit under all assumed boundary conditions are calculated.The Mahalanobis distance and chi-square test are used to make related judgments.The algorithm in this paper can better adapt to many-to-many track association,and can reject uncorrelated tracks more accurately.After simulation,the algorithm in this paper is superior to the short arc correlation method based on the admissible region to determine the initial orbit and sine fitting in terms of association accuracy and execution time.     

基于K-Medoids聚类的多传感器航迹关联算法

为有效解决目标密集环境下的航迹关联问题,提出了一种基于K-Medoids聚类的航迹关联算法.该算法采用局部航迹与系统航迹进行关联的策略,将系统航迹作为Medoids,降低了需要关联的航迹对数量,避免了K-Medoids的固有缺陷,很大程度上提高了关联算法的效率.通过采用无穷范数计算采样点点迹距离求出了两条航迹的近似距离,这使得关联判决能考虑历史和当前航迹,提高了正确关联率.在多传感器多目标环境下讨论了其具体实现过程,仿真实验结果验证了该算法的有效性和优越性.该算法在存在噪音和离群点时,具有很强的健壮性,适合目标密集环境.     

基于对比度积累的弱点目标检测

为了更好地跟踪及预测目标位置,首先针对采样序列构造两点起始航迹,然后进行一次回溯提前剪支.在轨迹互联阶段,依据目标像素具备的局部对比度极大似然特性开展边检测边跟踪.同时结合曲率约束进行目标位置的平滑.后处理时,设计的“与逻辑”滤波器用于检验三帧图像间的相关性,逆向的搜索策略可以将虚假航迹剔除80%以上.最后,通过沿着航迹进行对比度的积累,能够检测出被云层遮挡的多个点目标.实验阶段的多组图像序列验证了该算法的有效性.     

融合梯度特征的红外目标跟踪

Meanshift跟踪算法普遍采用单一的灰度空间进行红外目标跟踪,直方图所含信息量少,容易受目标和背景灰度变化的影响．文中提出一种融合梯度特征的红外图像Meanshift跟踪算法,该算法对边缘和结构特征的梯度值进行量化,建立梯度特征模型;利用Bhatta—charyya系数分别计算梯度特征和灰度特征的特征相似度;设置置信度系数,并利用置信度系数将梯度特征相似度和灰度特征相似度进行融合,得到综合相似度;针对综合相似度推导Meanshift迭代方程,通过迭代运算逐步逼近目标实现跟踪;利用灰度特征相似度和梯度特征相似度信息并结合置信度系数设计模型更新准则以提高跟踪鲁棒性．文中算法能够适应红外目标跟踪中目标与背景的变化,鲁棒性强且跟踪准确度高,仿真实验表明该算法较普通Meanshift算法性能有较大提高,跟踪精度也有所改善．     

基于雷达-维距离像的航迹相关方法

为提高灵巧、多模高分辨雷达跟踪目标的能力,利用宽带雷达－维距离像可实现快速辩别目标的特性,提出了高分辨雷达在多目标跟踪过程中,用一维距离像进行航迹相关的方法,定义了参数匹配分,用它讨论相同或不同目标之间距离遥相关性,利用距离匹配分均值和方差信息确定了航迹相关的判决门限和最大姿态角的变化量,三种真实飞机目标的实验结果表明,在一定姿态角度范围内,可以精确判别出目标的航迹,同时也证明了通过加密采样间隔,可提高航迹关联的准确性。     

基于能量异构网络环境下的WSN优化成簇算法

在能量异构无线传感器网络中,节点的初始能量在一定的范围内随机分布,负载均衡和降低能耗是传感器网络成簇算法的一个重要挑战．提出了适用于能量异构网络环境下的传感器网络生存时间优化成簇算法SNLOC（Sensor Network Lifetime Optimization Clustering Algorithm）,该算法通过构造基于节点剩余能量的簇首选择机制和基于综合代价函数的簇域划分机制,在有效保证节点能量损耗公平性的同时逐渐降低网络节点间的能量差异,很好地延长了网络生存时间．模拟实验结果显示,在能量显著差异的网络环境中,SNLOC可以更好地实现负载均衡,极大地提高网络的生存时间．     

异构无线传感器网络能量和距离有效分簇算法

降低能耗、延长网络生存时间，是无线传感器网络设计的重要目标。提出了一种基于虚拟区域划分的适用于异构无线传感器网络的能量和距离有效分簇算法。仿真结果证明，此算法可有效地均衡簇内负载，延长网络的稳定周期和生存时间，提高网络的通信效率。     

基于小波分形和Kalman滤波的航迹追踪方法

利用多尺度小波变换和分形的方法,对一个或多个传感器观测到的航迹数据序列进行多层次分析,动态提取航迹数据的特征,建立关联准则,以形成一个目标的主要航迹,并结合Kalman滤波的方法,实现了目标航迹自动关联和追踪的目的.仿真实验表明这种方法是可行且有效的.