基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

基于多特征融合与均值偏移的粒子滤波跟踪算法

利用单一特征在复杂环境下进行目标跟踪容易导致跟踪失败。针对该问题,提出基于多特征融合与均值偏移的粒子滤波跟踪算法。在粒子滤波的总体框架下,通过嵌入均值漂移聚类算法产生更逼近真实后验分布的粒子,同时采用颜色和结构特征作为观测模型来表示目标,利用融合后的信息计算粒子的权值,并在跟踪过程中不断更新,以减小跟踪偏差。实验结果表明,与基于颜色与结构的跟踪算法相比,该算法在使用相同粒子数目时鲁棒性更高,而且粒子的平均权重得到了提高,重采样次数明显减少,即使在粒子数目较少的情况下也能实现稳定跟踪。     

高斯粒子群优化粒子滤波检测前跟踪算法

针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题,提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集,使粒子集朝着后验概率密度分布取值较大的区域运动,增加粒子的多样性,克服了粒子贫乏问题,并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目,提高了标准粒子滤波算法的检测和跟踪性能。同时,建立了检测前跟踪系统的观测模型和系统模型,对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真,仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。     

基于检测跟踪联合的雷达单帧虚警率计算仿真

针对传统雷达单帧虚警率计算存在雷达探测距离偏低、检测门限高问题,提出了基于检测跟踪联合的雷达单帧虚警率计算方法。量测波门内超过设定阈值的数据,采用跟踪算法进行关联。将跟踪结果反馈到检测中心,通过该反馈信息对波门内的检测阈值进行调整,归一化处理粒子滤波的权重,计算检测单元的相似度,求取非归一化噪声的关联矩阵概率,进而修正粒子滤波的目标状态。根据计算在波门内的虚警率积分,得到波门平均检测概率,实现基于检测跟踪联合的雷达单帧虚警率计算。为验证以上研究的有效性,进行了仿真,结果表明,上述研究获得结果是理想的,具有更高的雷达探测距离,且检测门限降低。说明本研究具有较强应用性。     

多特征融合的自适应性粒子滤波跟踪算法

为提高粒子滤波视觉目标跟踪算法的实时性与鲁棒性,提出了一种基于多特征融合的自适应性粒子滤波跟踪算法。该算法利用颜色和结构特征表示目标,将两者融合于粒子滤波的框架中,利用融合后的信息计算粒子的权值,以降低算法受目标形变及复杂环境的影响。同时,根据跟踪预测的准确程度动态计算跟踪所需的粒子数目,对采样粒子集进行自适应调整,以提高粒子质量,降低粒子数量,减少算法运算时间。实验结果表明,所提算法对于每帧图像的平均计算时间相对于传统混合跟踪算法缩短了将近一半,而且算法的鲁棒性较强。     

基于PSO-PNN算法的雷达点迹真伪鉴别方法北大核心

针对雷达目标检测后的剩余杂波,提出了一种将粒子群优化算法(PSO)与概率神经神经网络(PNN)相结合的雷达点迹真伪鉴别方法。方法可以在目标检测后进一步区分目标点迹和杂波点迹。同时,将其雷达点迹鉴别结果与BP神经网络(BPNN)对雷达点迹鉴别结果作了对比,发现上述方法的整体识别率可达91.13%,目标识别率可达93.78%,较BPNN分别提升1.55%和3.55%。结果表明,PSO-PNN能够有效鉴别雷达点迹真伪。     

基于粒子滤波的弱目标检测前跟踪算法

针对低信噪比条件下机动目标的检测跟踪问题,提出了一种改进型的基于多模型的粒子滤波检测前跟踪算法.由于粒子退化问题,在目标信号微弱、目标发生机动或者信号幅值波动较强势,粒子滤波的TBD算法的检测概率和跟踪精度将会下降.本算法在粒子滤波的基础之上改进,即在每次循环之前加入新粒子,新粒子的分布是由平均法和前一时刻的目标估计结果进行确定.给出了粒子滤波的TBD算法推导以及数值计算过程.仿真实验表明:基于改进型粒子滤波检测前跟踪算法能够检测低信噪比的目标.     

基于多传感器组网的临空高速飞行器协同检测技术研究

临近空间高速飞行器飞行距离远,速度快,单一传感器对此类目标检测能力有限.为了提高实时检测能力,行之有效的方法是多传感器融合检测.分析了目标在不同俯仰角和方位角时雷达横截面(RCS)随传感器频率的变化情况,分别仿真了X波段、P波段、C波段的探测点迹完整率,并对雷达组网协同检测系统的探测点迹完整率进行仿真.结果表明:采用分布式雷达组网协同检测方法可有效提高检测概率.     

基于多信息融合自适应粒子滤波的目标跟踪算法

粒子滤波是一种可在非线性和非高斯情况下进行状态估计的有效方法,基于单特征粒子滤波跟踪算法在目标跟踪中的应用及存在的不足,针对颜色信息在光照变化和相似背景务件下存在的缺点,为了仍能对目标进行有效地跟踪,加入纹理信息来表示目标,并给出基于目标的颜色特征和纹理特征多信息融合的自适应粒子滤波算法,使用三种量测模型并给出具体的算法和实验结果,实验证明此方法与仅基于颜色粒子滤波跟踪方法相比,在计算量增加不多的情况下大大改善了跟踪的性能和鲁棒性.     

融合结构信息的粒子滤波均值偏移跟踪算法

粒子的退化现象是粒子滤波算法中不容忽视的问题,在算法实现过程中需要考虑如何权衡粒子数和实时跟踪.提出一种结合粒子滤波和均值偏移2种算法的改进跟踪算法,只需要4个采样粒子,4个粒子通过均值偏移的方法收敛到局部最大值位置点,通过粒子加权的方式得到目标最终的位置.与传统的粒子滤波算法相比,该算法的计算复杂度大大降低,同时融合了结构信息这一特征,弥补了颜色信息的不足.由于文中算法的粒子总是能收敛到局部的极值,几乎不会出现退化现象,故无需进行重采样和粒子权值的更新.实验结果表明,该算法能在复杂背景下实现对目标的稳健跟踪,满足跟踪的实时性要求.     

基于粒子滤波的二元无线传感器网络分布式目标跟踪研究

针对二元无线传感器网络中利用粒子滤波进行集中式跟踪的不足,基于动态分簇结构,研究了基于粒子滤波的二元无线传感器网络分布式目标跟踪算法。算法每一时刻根据目标的状态只激活少量的节点参与探测跟踪,其它节点处于休眠状态以节省能量。最后,利用计算机进行了Monte Carlo仿真,仿真结果表明,算法在不损失跟踪精度的情况可以减少能耗和计算量,从而延长网络使用寿命。     

基于QPF的无源传感器目标跟踪算法

在无源传感器目标跟踪系统的研究中,在双红外传感器组成的无源传感器目标跟踪系统模型中,传感器提供的仅是目标的角度信息,导致量测值与目标状态之间存在较强的非线性关系,而传统跟踪算法在解决非线性问题时具有局限性,为提高目标跟踪精度,提出一种基于积分粒子滤波(QPF)的无源传感器目标跟踪算法,在不受非线性、非高斯问题限制的粒子滤波的基础上,从改进粒子滤波重要性函数的角度入手,利用积分卡尔曼滤波(QKF)将当前最新量测考虑在内,构造出粒子滤波的重要性函数,使得改进后的重要性函数更加贴近真实后验分布,从而有效遏制了粒子退化现象.仿真结果表明,改进算法提高了跟踪精度,较好地解决了无源传感器对目标的非线性跟踪优化问题.     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

基于自适应粒子群优化的新型粒子滤波在目标跟踪中的应用

针对基于粒子群优化的粒子滤波(PSO-PF)算法精度不高,实时性差,难以满足雷达机动目标跟踪的需求,提出一种基于动态邻域自适应粒子群优化的粒子滤波(DPSO-PF)算法.该算法可以动态调整粒子邻域环境,其中每个粒子按照邻域的环境和自身的位置信息自适应地调整相互间的邻域粒子数量,使邻域粒子数量更为合理,达到寻优能力与收敛速度的最佳平衡.最后利用不同模型对该算法进行了仿真实验,实验结果表明所提出的算法能够提高雷达机动目标跟踪的实时性和精确性.     

基于UKF的变采样率多异质传感器异步数据融合

针对异质传感器数据融合能够实现信息互补,改善目标跟踪精度,提出了一种多异质传感器在变采样率下的异步量测融合算法,即首先将多传感器数据组合成类似于单传感器数据的异步数据处理方法,进行点迹合成,再将合成后的虚拟量测对当前时刻的目标状态进行更新.变采样率跟踪是基于网络或栅格多传感器异步融合跟踪的基础,通过引入时戳的概念给出了基于UKF(Unscented Kalman Filter)的具体融合算法,最后通过仿真验证了该算法的有效性。     

基于箱式粒子滤波的群目标跟踪算法

在现有群目标跟踪方法中,粒子滤波(Particle filter, PF)算法常被用来解决点量测的非线性滤波问题.而当量测数据受到测量偏差或未知分布边界误差的影响时,传感器获得的点量测需要转换成区间量测,此时原有PF算法不能直接适用.因此,本文提出基于广义似然(Generalized likelihood, GL)函数加权的PF算法.该算法在原有PF算法的基础上,利用广义似然函数的积分解来计算区间量测下的粒子权重.为了降低算法的运算量问题,又提出基于箱式粒子滤波(Box particle filter, Box-PF)的群跟踪算法.首先,在目标状态空间内抽样矩形区域的箱式粒子.然后采用区间分析和约束传播方法,利用区间量测压缩后的粒子与预测粒子的容积比来计算粒子权重.最后,在群目标状态估计结果和群演化网络模型的基础上估计群结构.仿真实验结果表明,与GL-PF算法相比, Box-PF算法具有更高的运算效率,并能降低估计结果中的峰值误差.     

基于信息分享机制的粒子滤波算法及其在视觉跟踪中的应用

针对基本粒子滤波方法存在的权值退化和计算效率低问题,提出了一种基于信息分享机制的粒子滤波算法.该方法将粒子群优化算法和蚁群优化算法的优化思想共同作用到粒子更新中,实现粒子之间信息共享,从而增强粒子的多样性和最优估计能力.同时分析了该算法的收敛性.视觉跟踪实验表明,该算法能用较少的粒子实现单目标和多目标跟踪,综合跟踪性能优于基本粒子滤波和基于粒子群优化的粒子滤波方法,验证了本算法的有效性.     

基于多传感器不完全量测下的机动目标跟踪算法

针对传感器探测概率小于1的不完全量测情况下的非机动目标跟踪问题,提出一种基于多传感器不完全量测下的扩展Kalman滤波算法。首先,利用残差检测的野值剔除方法,确定目标状态估计过程中传感器是否接收到正确的量测数据;其次,基于每个传感器的量测数据,在不完全量测下采用改进的扩展卡尔曼滤波算法分别对目标运动状态进行估计;进而结合多传感器最优加权融合方法求解基于多传感器观测数据的状态估计;最后,将算法应用到光电跟踪系统中。仿真实验得到不完全量测下传感器探测概率对滤波效果的影响,验证了算法的有效性,其跟踪精度接近完全量测下的状态估计精度。     

基于粒子滤波和检测信息的多传感器融合跟踪

从概率角度审视低检测率、低信噪比下的多传感器融合算法.首先建立传感器检测概率模型，然后计算传感器检测响应、量测信息的融合似然度，在贝叶斯框架下建立一种非线性目标基于粒子滤波器的多传感器多源信息融合算法，该算法融合了传感器的量测信息和检测响应，提高了跟踪精度蒙特卡洛仿真结果表明了算法的有效性.     

融合目标特征和空间信息的粒子滤波跟踪

传统的基于颜色直方图的粒子滤波跟踪算法不能很好地利用跟踪对象的空间结构信息,因此在邻域颜色相似或目标模型微小变化时,不能取得良好的跟踪效果。提出一种融合目标特征和目标空间位置信息的粒子滤波跟踪算法,该算法鉴于目标空间位置包含跟踪对象一定的结构信息,可以和目标特征互为补充,利用定义的融合目标特征和目标空间位置的度量函数来进行跟踪对象相似度度量,以提高跟踪算法的稳健性和精确性。同时针对粒子滤波计算粒子相似度时可并行的特点,运用OpenMP共享存储并行计算进行粒子滤波跟踪的加速。实验表明,基于融合目标特征和空间信息的粒子滤波跟踪算法能得到更鲁棒的跟踪效果,可以有效地提高目标跟踪的速度。