一种航迹恒虚警的目标检测跟踪一体化算法

对于传统雷达系统,目标检测和目标跟踪通常被看作是两个独立的过程。然而,在跟踪阶段,可以获得目标位置信息(跟踪信息),将该信息反馈至目标检测器将有助于提升检测性能。为此,该文提出一种航迹恒虚警的目标检测跟踪一体化算法。首先根据目标跟踪信息和目标运动模型,建立预测波门;然后按照给定的航迹虚警概率,计算帧虚警概率,即预测波门内至少出现一个虚警的概率;最终根据帧虚警概率调整预测波门内的检测门限,完成目标检测过程。仿真实验表明,该算法可以大大提高目标检测概率,推远目标跟踪距离,同时也可以保证目标突然消失时航迹能够以较高的概率结束。     

一种实用的多目标航迹跟踪算法

讨论在某试验雷达系统中多目标航迹跟踪问题,即对送入计算机的点迹进行处理,判断出这些点是否是目标点,若是目标点则要与相关的航迹进行关联,从而实现对航迹的更新.在该系统中采用多普勒-距离坐标系.在多目标的情况下,结合多普勒信息,雷达可以较方便地对目标进行区分和距离跟踪.为了快速正确地起始航迹,采用逻辑航迹起始算法来起始航迹,并用利用波门法进行航迹跟踪.最后给出了相关的实验结果.     

无人机跟踪地面目标制导控制方法

提出了基于自动驾驶仪的无人机跟踪地面目标的制导、控制架构,将"无人机+自动驾驶仪"的组合看作是以滚转角、飞行高度和速度为控制输入的动态系统。在横侧向,相比下一时刻,根据无人机的航迹方位角误差以及无人机与目标点在水平面内相对距离与期望盘旋半径的误差,给出滚转角指令的制导规律,并对制导指令的生成周期进行了研究;对于纵向,为降低目标状态估计对于姿态误差的敏感度,结合传感器分辨率的要求,给出了解算飞行高度指令的方法。无人机六自由度模型的仿真对比表明,所提跟踪制导律相比李亚普诺夫向量场法(LVFG)和切向量场法(TVFG)具有更优的稳定性和准确性。     

无人机目标跟踪综述

目标跟踪是计算机视觉领域中最热门的研究方向之一。近些年来,随着无人机控制和定位技术的成熟,无人机目标跟踪成为了研究的热点。文章首先介绍了传统的目标跟踪算法在无人机平台上的应用研究成果。在此基础上介绍了基于多特征融合的目标跟踪算法对无人机跟踪的准确率的影响。最后还介绍了基于深度学习的目标跟踪算法在无人机上的应用。其中,基于深度学习的目标跟踪算法的在无人机目标跟踪上的准确率是最高的,然而其实时性还有待提高。随着AI芯片的发展,这一问题也将迎刃而解。     

基于物理规划的无人机多目标航迹规划

无人机航迹规划是典型的多目标优化问题, 传统的线性加权和法需反复迭代以确定一组满足工程特性需求的目标权重系数。物理规划方法通过构造偏好函数直接反映规划人员对航迹规划各目标的特性需求, 避免了因为反复迭代确定各目标权重系数所导致计算量大的缺陷, 因此,将物理规划方法与粒子群优化算法相结合用于无人机多目标航迹规划。仿真实验验证了该航迹规划方法能够获得各目标偏好结构下的折中解。     

迭代学习的四旋翼无人机重复航迹跟踪控制实验研究

新工科建设以强化学生的工程实践与创新能力的思想为指导,为应对新的要求并推进实验实践教学改革,设计一种适应于本科生工程实践训练的四旋翼无人机飞行实验平台。该实验平台结合机械、信号处理、自动控制等学科知识,以四旋翼无人机为研究对象,分析四旋翼无人机动力模型,研究和设计迭代控制算法。采用Simulink进行仿真,以北京航空航天大学可靠飞行控制组研发的RflySim无人机模拟器平台搭建所设计的实验平台。最后,进行现场实际测试和航迹跟踪飞行测试,测试结果符合实验的预期,且航迹跟踪准确。所设计系统易于激发学生的参与兴趣,能够有效提高学生的动手能力及工程实践技能。     

基于跟踪状态监视的稳健航迹关联与融合算法

空间邻近目标跟踪过程中存在航迹交错现象,传统的航迹关联与融合算法可靠性大大降低。提出基于跟踪状态监视的稳健航迹关联与融合跟踪算法:首先,采用滑窗式全局最优关联方法利用多帧航迹数据确认航迹关联对,并建立系统航迹;然后,根据确认关联航迹的实时关联状态检测航迹交错;最后,根据航迹衰减残差识别运动状态,自适应选择融合量测或者融合状态估计完成系统航迹的状态更新。仿真结果表明,算法能够提高融合航迹精度,实现稳健航迹关联与融合。     

基于混合蚁群算法的无人机航迹规划

由于传统方法在无人机航迹规划实际应用中规划的航迹长度较长,文章提出基于混合蚁群算法的无人机航迹规划。由山峰模型和天气模型组建无人机航迹环境数学模型,描述无人机飞行航迹环境情况,以无人机航迹代价最小建立目标函数,并对无人机航迹长度、高度、速度、转弯角度进行约束,采用混合蚁群算法对目标函数求解,求出最优航迹规划策略。实验证明,文章设计方法规划的航迹长度最短为1 032.58 m,规划航迹长度较短,在无人机航迹规划方面具有良好的应用前景。     

自适应时空正则的无人机目标跟踪算法

针对无人机跟踪场景中目标分辨率较低且易受无人机(unmanned aerial vehicle,UAV)飞行姿态、速度变化等因素的影 响而难以对目标进行鲁棒跟踪的问题,提出了一种自适应时空正则的无人机目标跟踪算法以 有效解决上述问题。在时空正则相关滤波器(spatial temporal regularized correlation filter,STRCF)算法基础上引入AutoTrack中的空间正则性代价并利用峰值 旁瓣比和局部响应变化量,在线动态更新时空正则化参数以提升跟踪器的准确性,通过在跟踪 器中嵌入遮挡处理模块解决目标遭遮挡后跟踪漂移的问题。在多个无人机基准数据集上进行 了测试,实验结果表明,与基准算法AutoTrack相比,本文算法具有更高的精确度和更快的 处理速度。其中在DTB70数据集上跟踪精度和速度分别提升了1.5% 和74.4%;在UAVDT 数据集上9个属性的分类对比中,本文算法在尺度变化(scale variation,SV)、目标模糊(object blur,OB)等7个属 性上取得较高的性能,均排在第一位。由此可见本文算法可以更好地满足无人机应用需求。     

基于AVPF的UAV目标跟踪和预测算法研究

无人机采集视频图像时,需要与地面站进行双向的数据通信。针对通信过程中传输转换延迟等因素造成的目标脱靶量问题,首先采用辅助粒子滤波算法对目标进行跟踪,对每个辅助采样粒子进行Meanshift转移。再采用线性预测和平方预测器组成的最小二乘算法根据目标历史状态预测目标轨迹,并较正跟踪结果。仿真结果表明,该算法具有较好地鲁棒性和实时性,可以更好地跟踪运动目标,满足实际工程需要。     

基于特征融合与通道感知的无人机红外目标跟踪算法

针对手工提取特征对红外目标不敏感,导致无法准确跟踪红外目标的问题,在全卷积孪生网络框架下,融合多层深度特征并结合通道感知提出了一种无人机红外目标跟踪算法。首先使用预训练网络提取目标深度特征,分别提取待跟踪目标的Conv4-1、Conv4-3、Conv5-2层特征,进而通过梯度计算选择对于目标活动和尺度变化较为敏感的特征通道参与后序的互相关操作,并通过计算模板图像和候选区域搜索图像之间的相似度获取目标响应图。最后利用平均峰值相关能量对跟踪结果进行评估并使用卡尔曼滤波对跟踪结果进行修正。在LSOTB-TIR红外目标跟踪数据集上进行了性能测试并与当前九种优秀的算法进行了对比,实验结果表明,本文算法跟踪成功率最高,能够有效应对红外目标跟踪中热交叉、干扰源等挑战,且具有较好的实时性。     

基于子空间的目标跟踪算法研究

末制导跟踪阶段,导弹的飞行姿态,弹体与目标的距离以及目标自身的运动姿态和形态均会发生较大的变化,采用单一固定模板无法实现稳定跟踪。本文提出一种新的基于子空间的运动目标跟踪算法,首先采用一组正交的稀疏子空间特征向量表示目标模型,然后采用增量方法不断更新子空间模型,以适应由于目标内在和外在因素所造成的在外观上的变化,从而提高跟踪精度;采用重要性采样算法以及最大似然估计,解决复杂的优化问题。实验结果表明,当摄像机与背景发生较大相对运动以及目标姿态发生剧烈变化时,仍然能够实现对目标的持续稳定跟踪,平均跟踪误差小于10个像素。基本满足末制导跟踪系统的稳定性和鲁棒性等要求。     

基于元学习的红外弱小点状目标跟踪算法

为了在研究红外弱小点状目标的特征基础上有效解决训练数据不足的问题,采用了基于改进的元学习红外点状目标跟踪算法.首先将元学习通过预训练跟踪模型运用到卷积神经网络中,采用离线训练的方式在静态红外图像数据集上训练得到目标的通用表示,再通过在线训练的方式利用初始帧的目标位置学习得到目标的特定表示;通过卡尔曼滤波算法预测目标运动...     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。     

基于KCF算法的空中目标跟踪模拟

机器学习可以从图像数据中学习到强大的特征表征。如果将目标检测跟踪技术与机器学习技术结合,能够在目标快速检测、准确识别和精准跟踪的性能上有显著提升,符合现实需求。本文将基于深度学习的YOLOv4目标检测算法应用于该场景的目标检测中;然后基于相关滤波的KCF目标跟踪算法,利用相关滤波方法将计算转化到频域,减少计算量,提高目标跟踪的实时性,通过深度学习得到的深度特征和深度学习训练的分类器,对比人工特征,目标跟踪的准确性会有大幅提升。相关滤波器通过多层网络进行训练,将相关滤波和深度学习相结合,以平衡目标跟踪的实时性和准确性,并应用到该场景的目标跟踪中。模拟实验结果表明,本文提出的空中目标检测跟踪技术的目标检测准确率达到95,跟踪精度达到99,能够实现对空中目标的实时跟踪。     

一种基于机器学习的雷达目标跟踪算法

针对卡尔曼滤波算法中新息残差的理论值与实际值不一致所导致的跟踪器滤波精度下降的问题,文中在卡尔曼滤波算法的基础上,提出了一种新型的雷达目标跟踪算法。首先由发射机发射信号,雷达接收机接收到目标反射信号,对信号进行处理,用卡尔曼滤波算法对目标下一个方位进行跟踪,在跟踪的过程中,利用机器学习中的支持向量机回归算法来估算理论新息和实际新息残差的最小均方误差(自适应调节因子)进行训练,预测出目标下一个方位并不断减少与实际测量值间的误差,从而显示出预测轨迹,这样可以减少噪声误差的影响,实现目标的跟踪。     

基于改进的粒子滤波算法的目标跟踪

为了解决粒子滤波算法在重采样过程中会造成粒子有效性和多样性的丧失,导致粒子贫化现象,提出了一种基于萤火虫算法的改进的粒子滤波算法。该算法在粒子滤波重要性采样过程中使用萤火虫算法,对粒子进行迭代寻优,使得采样出来的粒子更接近真实的后验概率;在粒子滤波重采样过程中,使用萤火虫算法使得粒子向高似然区域移动,提高粒子的多样性。实验结果表明,基于改进的粒子滤波算法目标跟踪效果优于传统的粒子滤波算法,可以在各种具有挑战性的条件下更好地进行目标跟踪。     

一种基于局部特征分块的目标跟踪算法

为了解决传统目标跟踪算法在天空背景下面临高能激光反射时图像像素灰度分布发生剧烈变化, 从而导致目标遮挡或丢失的问题, 采用一种基于局部特征分块思想的相关跟踪算法, 根据局部特征对跟踪模板进行了分块处理, 计算并选取其中特征稳定度高的块模板, 在跟踪区域内对每个块做模板匹配, 并进行了理论分析和试验验证。结果表明, 该算法在强光干扰下能够有效地对目标实时稳定跟踪, 且图像处理延迟时间在2ms以内。该研究对基于高能激光发射下的超高精度跟踪系统工作性能的保证是有帮助的。