高动态星体目标提取方法

阐述了动态星敏感器星图的特点,指出了目前国内外星体目标提取方法的不足.针对这些不足,提出了一种新的星体目标提取方法.根据星敏感器运动特性,自适应选取处理窗口的大小及方向,自适应窗口可以适应不同形式的星敏感器运动.在选取的窗口内进行星体目标提取,当星体存在断裂情况时,利用数学形态学的方法对断裂星体进行断点判定及主动生长....     

多项式预测GNSS信号矢量跟踪算法

提出了一种多项式预测全球卫星导航系统(GNSS)矢量跟踪算法,不需要接收机运动参数的先验信息,不同于传统卡尔曼滤波器需要根据目标的运动状态选择合适的动态模型并且调节相应的状态噪声。对观测噪声进行自适应估计,实现对目标状态更为鲁棒的跟踪。仿真结果表明,建立的矢量跟踪模型能够准确跟踪目标状态,适应各种加速度的目标运动情况,在加速度发生突变时,也能保持鲁棒的跟踪,有效避免了传统卡尔曼模型由于参数选择带来的问题。     

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。     

GPS动态定位中自适应卡尔曼滤波研究

采用描述机动载体运动的“当前”统计模型，建立了一种新的GPS动态定位自适应卡尔曼滤波模型。为了进一步提高滤波器的动态性能，提出一种改进的自适应滤波算法，大大提高了GPS动态定位卡尔曼滤波器的跟踪能力，改善了滤波效果。计算机仿真结果验证了该算法的有效性。     

一种基于Kalman-mean shift的自适应跟踪算法

提出了一种基于Kalmanmean shift的自适应跟踪算法。利用卡尔曼滤波器预测目标在当前时刻的起始位置,并利用互信息量与目标尺寸之间的关系,在mean shift算法中加入了一个尺度更新项,通过尺度更新对运动目标,特别是目标尺寸变化的目标进行自适应跟踪。实验表明该算法提高了mean shift跟踪算法的适应性,有效地解决了长时间跟踪过程中尺度变化目标定位困难的问题。     

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。     

基于预测跟踪星表提高星敏感器实时性的方法

为提高星敏感器在星跟踪失败时向全天识别模式转换的效率,提出了一种在星跟踪的同时,并行预测跟踪导航子星表的方法,以随时做好工作模式切换的准备,提高星敏感器实时性。设计了分层存储、逐层索引结构的导航星表,实现了均匀化筛选导航星、构建导航子星表及对数据快速搜索和处理;由飞行态数据预测下一时刻星敏感态,并通过星敏感器视轴指向与子星表地址之间的索引关系,预测跟踪子星表的地址;星跟踪失败时,全天识别在4个冗余子星表中完成,简化识别过程,提高了识别效率。实验结果表明,设计的导航星表较为科学、合理,预测跟踪星表方法具有较强的鲁棒性,在高动态条件下有效提高了星敏感器模式切换的实时性。     

卡尔曼粒子滤波中基于精确运动模型的局部区域估计

粒子滤波广泛应用于对精度和稳定性要求较高的目标跟踪,但其计算量大,并且计算复杂度随着状态量和粒子数目增长迅速增加。将目标跟踪转化为由粗到精的搜索过程,提出了一种基于精确运动模型的改进分层卡尔曼粒子滤波算法。该方法利用加速度的运动模型在真实目标位置的周围估计目标的散布范围,并在该范围内随机生成粒子,寻找精确的目标位置。文中引入加加速度模型主要是由于现有方法的状态量阶数不足,导致模型精确度较低,无法应对大机动目标的跟踪。因此,引入了高阶状态变量加加速度,并将其用于改进分层卡尔曼粒子滤波的运动模型。利用分层卡尔曼粒子滤波、粒子滤波以及提出的方法进行了跟踪试验,结果表明,基于精确运动模型的改进分层卡尔曼粒子滤波模型的跟踪方法能够提高线性运动的预测精度,实现复杂环境下精确稳定的跟踪。     

基于星敏感器指向的船载雷达轴系误差分离模型

针对现有船载雷达动态标校方法的不足,提出了一种基于星敏感器的船载雷达轴系误差标校方法。该方法以精确的星敏感器地平指向为比对基准,解算船载雷达的轴系误差。设计了基于星敏感器的船载雷达动态标校方案,分析了船摇测量误差对雷达测角精度的影响,推导了天线座垂向变形引起的雷达测角误差修正模型。根据测量目标的不同,分别建立了联合测星与跟踪目标时的船载雷达轴系误差分离模型。最后通过联合测星试验对轴系误差分离模型进行了验证。试验结果表明,利用动态标校成果修正后的船载雷达方位、俯仰系统残差分别为3”和9”,随机残差分别为40”和45”,满足雷达轴系误差标定要求,具有较高的实用价值。     

基于矩特征和卡尔曼滤波的车辆跟踪算法

针对由于背景的动态变化而导致的目标车辆无法准确进行跟踪的问题,提出了一种基于卡尔曼滤波器的车辆跟踪算法。算法利用基于图像内容的动态前景分割的方法提取出目标车辆,以此建立基于HSV颜色空间的矩特征,从而得到目标的特征模板,在下一帧中利用卡尔曼滤波器对目标车辆的状态进行预测。在预测的区域内进行匹配定位,从而得到目标车辆的实际位置。实验结果表明,该算法实时性和准确性高,能够准确的完成对目标车辆的跟踪。     

MULTISENSOR DISTRIBUTED EXTENDED KALMAN FILTERING ALGORITHM AND ITS APPLICATION TO RADAR/IR TARGET TRACKING

A multisensor distributed extended Kalman filtering algorithm is presented for nonlinear system, in which the dynamic equation of the system and the equations of sensor's measurements are linearized in the global estimate and global prediction respectively and the suboptimal global estimate based on all available information can be reconstructed from the estimates computed by local sensors based solely on their own local information and transmitted to the data fusion center. An analysis of the properties of the algorithm presented here shows that the global estimate has higher precision than the local one and smaller linearization error than the existing method. Finally, an application of the algorithm to radar/IR tracking of a maneuvering target is illustrated. Simulation results show the effectiveness of the algorithm.     

基于模板修正和自适应Kalman预测的刚性目标跟踪

目前在远景刚性目标的跟踪中,由于长序列图像具有亮度动态范围大及背景噪声大的特点,当前模板的尺寸和位置往往不能有效代表目标,从而使目标的预测和相关搜索产生误差累积;另外,Kalman预测常因过程噪声与模型不匹配使其对机动目标跟踪适应性差.对上述问题进行研究提出了一种基于区域增长的模板修正方法,并对Kalman预测中过程噪声自适应的方法进行了仿真.结果表明,这种新的模板修正方法具有良好的尺寸及位置自适应能力和抗背景噪声能力,而且过程噪声的自适应也有效提高了Kalman预测的准确度,对目标跟踪具有指导作用.     

基于单目视觉的移动光斑跟踪定位方法

针对移动光斑跟踪定位中目标快速运动、严重遮挡导致光斑位置难以长时间跟踪的问题,提出了一种基于光斑跟踪模块、光斑中心定位模块和光斑轨迹预测模块三部分组成的单目视觉的移动光斑跟踪定位方法。其中,光斑跟踪模块是通过图像分割出目标光斑区域并以该区域初始化相关滤波器CN算法;光斑中心定位模块在跟踪框内通过灰度质心法求取光斑中心;光斑轨迹预测模块是通过自适应无迹卡尔曼滤波器(UKF)结合轨迹线性拟合来估计目标位置,在受干扰情况下校正CN跟踪器的搜索区域,提高系统抗干扰能力;利用实际移动光斑视频图像序列进行实验研究,对比试验结果表明所提方法的有效性。     

Design and verification of on-chip debug circuit based on JTAG

An on-chip debug circuit based on Joint Test Action Group (JTAG) interface for L-digital signal processor (L- DSP) is proposed, which has debug functions such as storage resource access, central processing unit (CPU) pipeline control, hardware breakpoint/ observation point, and parameter statistics. Compared with traditional debug mode, the proposed debug circuit completes direct transmission of data between peripherals and memory by adding data test-direct memory access (DT-DMA) module, which improves debug efficiency greatly. The proposed circuit was designed in a 0-18 μm complementary metal-oxide-semiconductor ( CMOS) process with an area of 167 234.76 μm² and a power consumption of 8.89 mW. And the proposed debug circuit and L-DSP were verified under a field programmable gate array (FPGA). Experimental results show that the proposed circuit has complete     

Real-time hand tracking based on YOLOv4 model and Kalman filter

Aiming at the shortcomings of current gesture tracking methods in accuracy and speed, based on deep learning You Only Look Once version 4 (YOLOv4) model, a new YOLOv4 model combined with Kalman filter rea-time hand tracking method was proposed. The new algorithm can address some problems existing in hand tracking technology such as detection speed, accuracy and stability. The convolutional neural network (CNN) model YOLOv4 is used to detect the target of current frame tracking and Kalman filter is applied to predict the next position and bounding box size of the target according to its current position. The detected target is tracked by comparing the estimated result with the detected target in the next frame and, finally, the real-time hand movement track is displayed. The experimental results validate the proposed algorithm with the overall success rate of 99.43%     

多传感器分布式推广卡尔曼滤波算法及其在雷达红外目标跟踪中的应用

本文提出了一种用于非线性系统的多传感器分布式推广卡尔曼滤波算法,该算法中系统的动态方程和传感器的观测方程分别围绕全局估计和全局预测线性化,融合中心基于所有传感器观测的全局估计由各传感器基于自身观测的局部估计来重构。算法分析说明,全局估计的精度高、误差小。最后介绍了文中算法在雷达和红外两种传感器跟踪机动目标中的应用,仿真结果验证了该算法的有效性。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

An attitude tracking method for star sensor under dynamic conditions

The tracking performance of star sensor degrades seriously under dynamic conditions. To improve the tracking accuracy and efficiency, an attitude tracking method based on unscented Kalman filter (UKF) and singular value decomposition (SVD) is proposed in this paper. The star sensor is modeled as a nonlinear stochastic system, the state of which is attitude quaternion. The quaternion can be estimated by UKF, then the predicted attitude and corresponding star positions are obtained. To ensure the stability of attitude tracking, SVD is applied to obtain the sigma points in UKF continuously. The experimental results indicate that the proposed method yields high accuracy and efficiency in attitude tracking. This method provides a practical approach to ensure the tracking performance of star sensor under dynamic conditions.     

星敏感器像平面移位误差的分析与校正

星敏感器在长时间工作后会产生三种像平面移位误差,即主点漂移误差、倾斜误差与旋转误差。星敏感器的像平面移位误差会严重影响其测量精度。以往关于星敏感器像平面移位误差的研究仅考虑了像平面三自由度的主点漂移误差。而文中还考虑了星敏感器像平面在剩余三个自由度下的移位误差,即倾斜误差和旋转误差,从而提出了一种新的星敏感器六自由度像平面移位误差模型。最后,利用扩展卡尔曼滤波方法在轨标定了星敏感器的六自由度像平面移位误差。仿真结果显示该方法将星敏感器的测量精度大幅提高到了0.23,因此新的星敏感器像平面移位误差模型弥补了旧模型的不足,显著提高了星敏感器的工作性能。     

基于多基地雷达系统的机动目标跟踪算法

针对多基地雷达系统,提出一种基于目标距离和以及速度信息的快速卡尔曼滤波机动目标跟踪算法.将目标位置滤波和速度滤波结合,构成了机动目标滤波的完整形式,从而提高了跟踪精度,最后给出仿真实例并进行相关的讨论.结果表明该方法计算量小,收敛速度快,跟踪精度高,具有一定的实用价值.