基于卡尔曼滤波与Mean Shift的运动车辆跟踪

针对Mean Shift算法不能跟踪快速目标、跟踪过程中窗宽的大小保持不变的特点.首先,卡尔曼滤波器初步预测目标在本帧的可能位置;其次,Mean Shift算法在这点的邻城内寻找目标真实的位置;最后,在目标出现大比例遮挡情况时,利用卡尔曼残差来关闭和打开卡尔曼滤波器.实验表明该算法在目标尺度变化、遮挡等情况下对快速运动的目标能够取得较好的跟踪效果.     

角闪烁背景下基于粒子滤波器的跟踪研究

角闪烁噪声具有相关性和非高斯特性，处理相关非高斯噪声下的目标跟踪问题时，传统的的卡尔曼滤波器性能将会严重下降。文中将粒子滤波器应用到角闪烁背景下的目标跟踪问题中，与扩展卡尔曼滤波器进行了仿真比较，结果表明粒子滤波器的跟踪性能大大优于扩展卡尔曼滤波器，具有较高的工程实用价值。     

快速机动目标跟踪算法研究

根据空间目标作匀速转向运动的特点,提出了一种基于航向变化的目标加速度实时估计方法,在此基础上采用采样卡尔曼滤波器对该机动目标进行跟踪。仿真结果表明,这种新的加速度估计方法不仅能检测出目标机动开始和终止时刻,而且还能估计出快速机动目标的加速度大小,与扩展卡尔曼滤波器相比,采样卡尔曼滤波器具有更好的跟踪精度。     

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．     

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。     

强跟踪Unscented滤波器及其在无源跟踪中的应用

本文研究用递推算法实现只测量到达角和多普勒频移的无源双基地雷达的目标运动分析。基于Unscented卡尔曼滤波器和强跟踪滤波器,提出了一种新的强跟踪Unscented滤波器算法。新算法在无源双基地雷达目标跟踪的仿真实验中显示了高精度鲁棒滤波的性能。     

基于卡尔曼滤波器的运动目标跟踪算法

为了有效解决运动目标遮挡时目标信息容易丢失从而导致跟踪失败的问题,提出一种基于卡尔曼滤波器的运动目标跟踪算法。该算法首先利用高斯混合模型的背景差分法,结合空间邻域的相关性信息得到运动目标图像,然后通过建立帧间关系矩阵将跟踪情况分为5种状态分别进行处理,这5种状态是新目标出现、目标匹配、目标遮挡、目标分离和目标消失。采用卡尔曼滤波器预测目标参数,建立目标在下一帧中的预测信息。当运动目标相互遮挡时,在卡尔曼滤波器预测区域内采用交叉搜索法实现多个运动目标的精确匹配。通过多个视频序列测试,该算法能够获得良好的跟踪结果。     

高动态星跟踪方法

阐述了高动态星敏感器星图的特点,指出了目前星跟踪方法的不足。针对这些不足,提出了一种基于卡尔曼预测的高动态星跟踪方法。根据高动态星敏感器运动特性,建立了星体目标在图像坐标系下运动模型,根据星体运动模型,对卡尔曼滤波器进行了自适应修正。利用经自适应修正的卡尔曼滤波器预测出参考星位置,再利用临星逼近法进行跟踪匹配。最后给出了利用上述方法进行星体位置预测及星跟踪结果。实验结果表明,在5（）/s动态条件下星体位置预测偏差小于5像素,星跟踪成功率高于95%,并且载体动态特性的变化对星体跟踪成功率影响较小。     

视频三维运动捕获系统中多运动目标跟踪方法

在视频运动捕获系统中,多标记点的匹配和跟踪是获取标记点三维运动参数的关键问题.文中提出了基于二维和三维卡尔曼滤波器相结合的三维匹配跟踪算法.该算法通过卡尔曼滤波器预测标记点在二维图像和三维空间中的位置,缩小了标记点的搜索范围,约束了标记点之间的匹配关系,在双目视觉下实现了标记点准确跟踪和匹配.实验结果验证了算法的有效性.     

基于卡尔曼滤波的机动目标外推预测的研究

卡尔曼滤波在各个领域都有广泛的应用,如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等。卡尔曼滤波器在机动目标跟踪中具有良好的性能,是一种最佳估计并能够进行递推计算。为了研究卡尔曼滤波对机动目标的预测,首先用Matlab仿真验证自适应卡尔曼滤波的跟踪滤波能力,根据结果判定目标运动模型,进而在此运动模型下用卡尔曼预测对目标进行外推验证。     

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.     

基于LBP与核相关滤波器的运动目标跟踪算法

针对核相关滤波器在复杂光照条件下出现的跟踪不稳定的现象,提出一种基于LBP(local binary pattern)与核相关滤波器的运动目标跟踪算法。在传统算法上增加LBP处理方法,降低光照对特征提取的影响,进而提高核相关滤波器算法在跟踪过程中对目标信息的采集精准度。实验表明,与经典的核相关滤波器跟踪算法相比,基于LBP与核相关滤波器的运动目标跟踪算法在复杂光照的情况下的跟踪性能有明显提升,能较好应用于实时场景中去,是一种稳定的目标跟踪算法。     

卡尔曼跟踪滤波器的一种改进的运动模型

传统的卡尔曼跟踪滤波器都以匀速(cV)或匀加速(cA)运动作为目标运动模型,其模型固有的误差限制了跟踪精度的进一步提高。本文提出了一种保持目标推进力与速度方向成固定夹角的运动模型,在保持直线运动跟踪精度不变的条件下,使一般曲线运动跟踪精度向直线运动跟踪精度水平逼近。     

基于IMM—UKF的转弯机动目标跟踪

针对目标作转弯机动时产生运动模式的不确定性和运动模型的非线性问题,提出基于Unscented卡尔曼滤波器的交互多模型算法.该算法采用带有极坐标系速度的转弯模型和二维Singer模型作为模型集,将Unscented卡尔曼滤波取带传统的扩展卡尔曼滤波解决转弯模型的非线性,同时在模型交互时使用Unscented变换取代雅可比矩阵解决目标状态转换时的非线性.通过Monte-carlo仿真表明,与标准交互多模型方法相比,基于Unscented卡尔曼滤波器的跟踪算法具有很好的跟踪性能.     

无迹卡尔曼滤波算法在目标跟踪中的研究

无迹卡尔曼滤波(UKF)是重要的非线性滤波方法。无迹卡尔曼滤波方法是通过一组代表着均值和方差分布的采样点来对非线性系统进行非线性计算,在不对非线性方程线性近似的条件下,达到线性卡尔曼滤波器的滤波性能。文中在机动目标选定运动模型和滤波算法的基础上,对机动目标的运动作了仿真实验。从仿真分析中可以看出,无迹卡尔曼滤波在跟踪方面有很高的精度,与传统的扩展卡尔曼滤波算法相比较,无迹卡尔曼滤波算法有较小的跟踪误差。     

一种二维数字匹配滤波器的实现

提出了一种低信噪比条件下运动点目标的检测与跟踪的有效方法,即数字图像的匹配滤波方法;分析了二维匹配滤波器的设计原理,并详细论述了用32级横向滤波器IMS A100进行实时二维数字图像匹配滤波的设计方法。     

鲁棒的实时多车辆检测与跟踪系统设计

场景中的运动阴影导致多目标粘连,车辆间的相互遮挡使得跟踪识别困难.本文针对这两个影响实时车辆检测与跟踪系统性能的主要因素,采用基于无偏卡尔曼滤波器(UKF)的方法为场景背景建模,提取出运动区域,再通过边缘特征检测出场景中的运动阴影,然后利用角点信息将目标与阴影分离;提出了一种基于运动预测框的目标跟踪算法,将它与基于车辆平行四边形轮廓的遮挡分割方法结合,构建了多车辆目标的实时跟踪系统,并用实验验证了它的实用性与鲁棒性.     

基于信息融合的目标图像跟踪

本文通过将图像相关算法和卡尔曼滤波器之间的信息进行融合，得到一种新的目标图像跟踪算法，并对该算法的估值性能进行了深入分析，理论计算和仿真结果表明，该算法较常规相关算法具有更好的鲁棒性和跟踪性能。     

采用粒子滤波的先跟踪后检测算法

先跟踪后检测(TBD)算法能够有效解决低信噪比条件下弱小目标的检测与跟踪问题.与传统的先检测后跟踪方法相比,它的优点在于可完整传感器数据,随时间累积起来能获得更好的检测与跟踪性能,特别是检测与跟踪弱小目标.同时与传统的跟踪算法相比,先跟踪后检测算法提供给跟踪器的信息更多,适合于跟踪低信噪比的弱小目标.探讨了先跟踪后检测问题的两个方面:滤波和检测.为了检测目标的出现与消失,在状态向量中增加一个二元变量对应目标存在.对于非线性、非高斯的跟踪问题,使用粒子滤波器跟踪弱小目标,基于粒子滤波器的权值实现最优检测器.给出粒子滤波器的TBD算法的理论推导以及数值计算过程.仿真实验表明:基于粒子滤波器的TBD算法能够检测与跟踪低信噪比的目标.     

基于改进LK光流的目标跟踪算法研究

为了可以在复杂环境下对运动目标进行有效的跟踪,因此对LK(Lucas-Kanade)算法进行了研究并改进。改进的算法采用LK图像配准算法检测目标的状态,可以满足算法对实时性的要求;采用前向后向光流法作为LK框架,使得算法具有自评估能力,不易陷入局部极小值;将压缩感知理论引入LK算法进行目标跟踪,通过对校准误差的L1范数进行最小化来计算目标的状态参数,使得算法可以应对目标外观的变化;引入卡尔曼滤波器作为运动模型,先对物体的位置进行预测,然后再进行分类和检测,能有效地应对由于模板更新而产生的漂移问题。通过大量的实验对算法进行验证,该算法与现有算法相比处理目标在跟踪过程中的外观变化以及环境中的遮挡、光照变化等问题时,仍有较好的性能。