基于卡尔曼预测粒子滤波的网球运动目标跟踪方法

为有效跟踪视频网球运动，提出了一种基于卡尔曼滤波预测的粒子滤波网球运动跟踪方法，基于多尺度小波变换在时域和空域均具有优异的局部化特征，将相邻帧视频图像进行差分，提取反映前景运动的目标特征信息，克服光照变化以及网球运动尺度随时不断变化的不利因素影响。同时，基于网球场地结构化特性，排除场地外不利干扰因素影响，在此基础上，采用卡尔曼滤波对粒子进行预测和修正，将当前观测信息融入到粒子滤波过程中，估计预测粒子状态的均值和协方差，使动态粒子更加接近其后验概率分布，从而提高网球运动目标的跟踪精度。通过与同类方法在不同网球公开赛的定量对比，实验结果表明，所提方法能有效跟踪视频网球运动目标。     

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。     

一种稳健的混沌调频信号频率跟踪技术

频率跟踪问题是一个复杂的非线性问题,混沌调频方式的引入更加大了频率跟踪的难度,传统的频率跟踪技术扩展卡尔曼滤波(EKF)已无法跟踪如此复杂的频率变化。为此,该文首先建立了频率跟踪问题的状态空间模型,在此基础上引入了新颖的粒子滤波技术,分析了该技术的可行性,推导了混沌调频信号频率跟踪的后验克拉美-罗(PCRB)下界,实验仿真验证了该技术的优越性。     

一种基于卡尔曼滤波的运动目标跟踪方法

运动目标信息探测大量地体现在现实生活以及军事应用中,准确地跟踪并定位运动目标对于国防技术发展具有很大的现实意义和实际价值。以运动物体为目标,提出了采用自适应波门跟踪与卡尔曼滤波算法相结合的技术,有效地跟踪目标并将预测结果与其实际运动轨迹比较,取其误差均值、标准差值,用以证实卡尔曼滤波跟踪目标的有效性。     

基于卡尔曼和扩展卡尔曼滤波的耦合载波跟踪方法

鉴于低信噪比高动态环境下的载波跟踪过程中,接收信号存在显著的各阶频偏变化率,故提出了一种基于卡尔曼和扩展卡尔曼滤波的耦合载波跟踪方法。载波跟踪通过基于卡尔曼滤波的锁频环辅助基于扩展卡尔曼滤波的锁相环来实现,对频率斜升信号和频率加速信号分别进行了载波跟踪环路结构的分析,得到系统方程,并进行了载波跟踪系统性能仿真。经仿真验证,在信噪比为-20 dB条件下,该方法跟踪频率斜升信号收敛时间小于60 ms,跟踪频率加速信号收敛时间小于90 ms,对两种信号的频率跟踪残差均小于5 Hz,相位跟踪残差均小于0.25rad,跟踪性能显著优于传统环路。     

基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法

针对多说话人跟踪的非线性系统模型,提出了一种基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法。该方法采用麦克风阵列的时间延迟估计作为观测数据,利用具有三次代数精度的球面-径向数值积分准则计算非线性系统贝叶斯滤波器中的多维积分,通过数值积分卡尔曼滤波和概率假设密度滤波对后验多说话人状态的一阶统计量进行估计,并通过递推更新得到说话人状态信息,实现非线性高斯系统的多说话人跟踪。该方法无需求解非线性系统函数的雅克比矩阵,且计算量较小。仿真实验分析了检测概率、虚警点数目、采样周期、信噪比以及混响时间变化时跟踪算法的性能。实验结果表明,该方法降低了系统模型非线性对滤波算法的影响,增强了跟踪算法的鲁棒性,提高了说话人状态和数目的估计精度。      

一种基于自适应滤波的雷达目标跟踪算法

针对在复杂环境下基于卡尔曼滤波的雷达目标跟踪中存在的鲁棒性和自适应性较差的问题,研究了一种新的雷达目标自适应鲁棒跟踪算法;通过引入自适应渐消因子,对估计误差协方差和滤波增益矩阵进行在线自适应调整,从而使得滤波算法具备良好的鲁棒性和自适应性,提高雷达目标跟踪的精度。最后,通过仿真对所研究的方法进行了验证。     

一种基于卡尔曼滤波及粒子滤波的目标跟踪算法

针对卡尔曼跟踪算法在非线性非高斯情况下跟踪结果不再准确,以及粒子滤波跟踪算法计算量大难以满足实时性的缺陷,提出了卡尔曼滤波及粒子滤波相结合的算法。利用卡尔曼滤波进行跟踪得到候选目标并计算目标模型与候选模型的匹配程度,若与目标模型匹配度小于一定阈值,则转换跟踪方式利用粒子滤波进行跟踪来修正卡尔曼滤波结果;同时,采用"模板缓冲区法"对目标模型进行更新以保证跟踪的连续性、稳定性及准确性。实验结果表明,这种跟踪算法既发挥了卡尔曼滤波的实时性又保持了粒子滤波的准确性,有较好的跟踪性能。     

一种精确跟踪机动目标的非线性滤波算法

在非线性系统中,最常用的是扩展卡尔曼滤波算法(EKF),当目标距离较远时,滤波器由于量测方程非线性的影响,误差较大。以机动目标“当前”统计模型为基础,建立新的机动目标模型,加入多普勒速度测量对补偿线性化误差的跟踪算法(PTLKF)进行改进。最后融入修正的加速度方差自适应算法对机动目标进行跟踪。仿真结果表明:在非线性观测条件下,改进的PTLKF算法和修正的加速度方差自适应算法的融合可以有效地改善跟踪的效果,并且其计算量明显小于强跟踪滤波算法。     

一种新的红外目标跟踪方法

提出了一种基于灰度加权和Kalman滤波预测的红外目标跟踪方法。利用带有空间位置信息的目标区域直方图描述红外目标,克服了灰度直方图对图像描述缺少空间位置信息的缺陷,增加了描述的鲁棒性。同时,对跟踪目标的实时位置数据利用卡尔曼滤波校正和预测,增强了跟踪的实时性。实验结果表明,该方法是有效和稳健的。     

一种基于卡尔曼滤波的卫星通道参数跟踪方法

基于空间功率合成的分布式卫星对抗系统需要对卫星通道参数进行测量跟踪。根据卫星漂移特点,建立了卫星通道参数测量跟踪模型,提出了一种基于卡尔曼滤波的测量跟踪方法。仿真结果表明,该方法可以有效跟踪卫星通道相对时延和相位的变化。     

雷达目标的交互多模跟踪

本文讨论了当雷达测量数据受到闪烁噪声干扰时所采用的交互多模方法。交互多模方法是当系统或观测模型出现不确定性时的一种有效的针对方法。并证明了它比所谓的“得分函数”非线性滤波算法性能优越。还证明了在对闪烁噪声先验信息了解得不充分时它工作稳健,而其他一些方法却要求对闪烁噪声更加精确的统计知识。     

脉冲噪声下一种自适应ASR稳健滤波方法

在基于alpha稳定分布模型的脉冲噪声处理领域中,经典滤波方法多采用Cauchy分布和Meridian分布等alpha稳定分布特例,其脉冲抑制能力有限。对此,该文基于M估计理论和$ {\rm{AS}}\alpha {\rm{S}} $分布模型,构造稳健滤波代价函数簇,提出ASR稳健滤波方法,利用影响函数分析其稳健性,构建稳健滤波的统一理论基础,将Myriad滤波,Meridian滤波统一起来。给出线性度参数表达式,并采用阈值选择法实现自适应选择。此外,提出AS-FT滤波方法,以线性调频(LFM)信号在脉冲噪声下的参数估计为例,表明ASR滤波方法的稳健性。仿真实验表明,ASR稳健滤波方法,与中值滤波、Myriad滤波、分数低阶等传统的稳健滤波方法相比,具有良好的鲁棒性。     

脉冲噪声下一种自适应ASR稳健滤波方法

在基于alpha稳定分布模型的脉冲噪声处理领域中,经典滤波方法多采用Cauchy分布和Meridian分布等alpha稳定分布特例,其脉冲抑制能力有限.对此,该文基于M估计理论和ASαS分布模型,构造稳健滤波代价函数簇,提出ASR稳健滤波方法,利用影响函数分析其稳健性,构建稳健滤波的统一理论基础,将Myriad滤波,Meridian滤波统一起来.给出线性度参数表达式,并采用阈值选择法实现自适应选择.此外,提出AS-FT滤波方法,以线性调频(LFM)信号在脉冲噪声下的参数估计为例,表明ASR滤波方法的稳健性.仿真实验表明,ASR稳健滤波方法,与中值滤波、Myriad滤波、分数低阶等传统的稳健滤波方法相比,具有良好的鲁棒性.     

卡尔曼动态规划机动目标检测前跟踪方法

针对传统动态规划算法,由于转移步长固定、在检测机动目标时性能较差的问题,提出了针对转弯运动等机动目标的卡尔曼动态规划算法,该算法利用卡尔曼滤波中的状态预测步骤来自适应改变动态规划算法中的转移步长,以此来避免在检测转弯运动目标时传统动态规划算法由于转移步长不变而造成的转移步长与目标速度失配的问题。根据对该算法的目标状态估计误差分析结果,文中给出了一种误差补偿方法。仿真结果显示,在检测转弯运动目标时该算法在误差补偿后具有优异性能。     

基于线性高斯滤波的反干扰跟踪方法

以往机动目标的跟踪问题大多是针对确定性系统,而对随机跳变系统的研究较少.针对目标随机施放干扰的情况,将线性高斯滤波应用于观测噪声中带有尖头干扰信号的系统中,实现机动目标的反干扰跟踪.其算法是一种基于不同模型问"软切换"的机动目标跟踪方法,用计算的概率权值对这些模型输出进行综合,保证了跟踪精度,大大降低了离散时间结构随机跳变系统最优滤波算法的复杂程度.通过仿真实例可以看出,在观测噪声特性发生剧烈随机跳变的情况下,线性高斯滤波算法对机动目标进行了比较准确的跟踪,其性能显著地优于标准的卡尔曼滤波算法.     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。     

一种基于CMKF建立跟踪初始估计的方法

针对极坐标观测条件下的目标跟踪，本文基于去偏转换测量卡尔曼滤波算法(CMKF-D)，提出了一种建立跟踪初始估计的方法：目标初始状态由前两点观测值估计，初始估计误差协方差由状态方程和CMKF-D中观测误差协方差计算得到。仿真结果表明，使用该方法建屯初始估计，能使滤波器迅速收敛至稳态，提高滤波初始阶段的跟踪精度。     

一种改进的粒子滤波算法

在粒子滤波中,防止粒子退化的两个关键因素是选择适当的采样建议分布和重采样算法.针对建议分布的选择条件,提出了一种改进的粒子滤波算法,该算法采用强跟踪扩展卡尔曼滤波方法构建其建议分布.强跟踪扩展卡尔曼滤波可在线调节参数,从而使得系统具有更好的自适应性和鲁棒性,对高机动目标具有更强的跟踪效果.仿真结果表明,该算法的性能优于其它几种非线性滤波算法.