基于改进边缘化粒子滤波器的机动目标跟踪

为解决边缘化粒子滤波器(MPF)无法估计线性状态的难题,提出了一种改进的MPF目标跟踪算法,采用状态的预测值作为卡尔曼滤波器的量测更新,用卡尔曼滤波器估计目标的速度和加速度;用粒子滤波器(PF)估计目标的位置信息.仿真结果表明改进的MPF在保证目标状态估计精度的同时,降低了PF算法的计算复杂度,克服了PF的退化现象,较好地解决了闪烁噪声下的机动目标跟踪难题.     

基于伪线性卡尔曼滤波的两站红外无源定位及跟踪技术

建立了目标的两站红外搜索与跟踪系统的伪线性观测模型，基于该模型提出了运动目标的伪线性卡尔曼滤波算法．该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定位及跟踪的仿真结果表明：在跟踪初始阶段，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波．在近距离范围，不论目标是匀速还是机动运动，两者的跟踪精度都非常高．在远距离范围，当目标机动时，伪线性卡尔曼滤波的跟踪精度明显优于推广卡尔曼滤波；当目标匀速运动时，推广卡尔曼滤波的跟踪精度略优于伪线性卡尔曼滤波．从整个仿真过程可以看出，目标的运动形式对推广卡尔曼滤波性能的影响是非常明显的，而对伪线性卡尔曼滤波性能的影响则很小．     

动态场景下的基于SIFT和CBWH的目标跟踪

针对动态背景下的目标跟踪,提出了基于SIFT特征和CBWH特征的卡尔曼跟踪算法。算法利用卡尔曼滤波器预测目标的大概位置;在所在位置区域内提取SIFT特征,与第一帧和前一帧进行特征匹配,并投票获得候选目标位置;利用CBWH特征获得目标可能位置;将二者位置加权对卡尔曼滤波器预测值进行修正,得到目标位置。实验表明,所提算法取得了较好的实验结果。     

基于强跟踪卡尔曼滤波的陀螺信号处理

针对陀螺传感器测量精度低,严重影响航空光电稳定平台视轴稳定精度的问题,设计了强跟踪卡尔曼滤波器。根据时间序列分析法的基本原理,对经过预处理的陀螺原始量测数据进行AR模型建模,根据该AR模型采用状态空间法设计卡尔曼滤波器,同时为了增强系统的鲁棒性,引入强跟踪算法对卡尔曼滤波中的状态预测方差进行实时调整,构造了强跟踪卡尔曼滤波器。阐述了该算法的理论、原理,并且在某型航空光电稳定平台上进行试验验证。试验结果表明:强跟踪卡尔曼滤波器输出信号的方差减少了44.1%,分散程度降低,同时,相较于巴特沃斯滤波器,最大超调量减少13%,上升时间缩短了3ms,调整时间缩短了37.5ms,使平台具有良好的动态性能。研究表明,强跟踪卡尔曼滤波器可以提高航空光电稳定平台的精度,有较高的实用价值。     

基于多模型信息滤波器的故障容错目标跟踪

对具有传感器随机故障的多传感器系统,提出一种故障容错的目标跟踪算法。利用多模型方法建立传感器量测故障模型,将Unscented变换(UT)嵌入信息滤波器框架,建立多模型信息滤波器。通过多模型方法在线估计量测模型概率,利用概率加权组合分别得到传感器的信息贡献,通过多传感器融合提高目标跟踪精度和传感器故障识别概率。仿真结果表明,本文算法能有效提高目标跟踪精度。     

几种面向弹道目标跟踪算法的性能评估

提出一种非线性滤波器性能的评估方法.在导弹系数未知的情况下,研究二维弹道目标动力学模型,推导相应的Cramer-Rao下界.分析扩展卡尔曼滤波器、无迹卡尔曼滤波器、积分卡尔曼滤波器和容积卡尔曼滤波器,基于推导出的Cramer-Rao下界,通过仿真实验比较这4种非线性滤波的性能.理论与实验结果表明,扩展卡尔曼滤波的实时性能最好,但跟踪精度较差;容积卡尔曼滤波器在跟踪的速度和精度方面都有较好的表现.     

一种高斯型非线性迭代更新滤波器

针对高斯型非线性滤波器在大初始偏差条件下性能下降、甚至发散的问题,提出了一种新的非线性滤波算法,即迭代更新扩展卡尔曼滤波器（iterated update extended Kalman filter,IU-EKF）。首先,该算法在EKF框架下,将传统的一步量测更新在伪时间上分为多步进行,采用部分增益将当前量测信息逐步地引入量测更新过程实现对状态的后验估计;其次,由于多步量测更新过程引入了每一步的过程噪声,因此将量测噪声与每一步更新后的状态估计误差之间的互协方差代入误差协方差矩阵,再利用此误差协方差矩阵的迹对标准卡尔曼增益矩阵求导并令结果为零,以导出噪声相关条件下的最优卡尔曼增益矩阵表达式;最后,根据后验量测残差自适应地调整迭代更新次数,在保证一定滤波精度的前提下,降低了算法的计算量。以2维目标跟踪问题为例,在大初始偏差条件下,通过仿真实验将本文算法分别与EKF、IEKF、UKF、CKF算法进行对比,并针对不同迭代次数对滤波精度的影响进行对比分析。仿真结果表明：本文算法较EKF大幅提高了滤波估计精度,且在大初始偏差条件下,本文算法性能优于现有经典高斯假设滤波器。同时,当迭代次数按1、2、5、10、20递增时,本文算法的滤波精度也随之提升,但提升幅度逐渐减缓。     

非线性系统的一种改进的Unscented卡尔曼滤波器

作为最近提出的一种非线性滤波方法,Unscented卡尔曼滤波器(UKF)具有易实现、较高的估计精度和中等的计算量等优点。然而,像扩展卡尔曼滤波器(EKF)一样,UKF关于模型不确定性的鲁棒性很差、对初始条件很敏感,容易出现状态估计不准,甚至发散等现象。为了克服UKF的缺陷,基于强跟踪滤波器(STF)理论,通过引入一种多重次优渐消因子在线调整滤波器增益矩阵,提出一种改进的UKF,并通过目标跟踪的仿真实验验证了该滤波器的有效性。仿真实验结果表明改进的Unscented卡尔曼滤波器具有好的鲁棒性,而且能够快速收敛。     

非线性量测下的机动多目标跟踪

为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过去相关无偏量测转换实现位置量测从极坐标系到笛卡尔坐标系的无偏转换,并通过预测值去除量测误差和其协方差的相关性造成的滤波估计偏差,实现了非线性场景下的机动多目标跟踪;然后,通过航迹和量测的关联新息以及目标的机动约束构建联合波门,降低了杂波量测的数量;最后引入改进的模糊算法,以目标的模型后验概率为输入,根据模型的分离程度自适应调节运动模型的过程噪声,增加滤波精度。研究结果表明：在杂波环境下,通过与CKF-JMS-δ-GLMB、CKF-IMM-δ-GLMB等非线性多模型滤波器对比,所提算法计算时间较小,且跟踪精度更高,鲁棒性强。所提算法避免了传统的非线性处理方式计算量较大的问题,并且具有较好的杂波抑制特性,提升了非线性量测下机动多目标跟踪的性能。     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。     

一种带径向速度量测的Jerk-EKF机动目标跟踪算法

为了提高机动目标跟踪精度,在基于Jerk模型的扩展卡尔曼滤波算法(Jerk-EKF)基础上,提出了一种带径向速度量测的扩展卡尔曼滤波算法(Jerk-EKFrv).该算法通过引入径向速度量测扩充了量测矩阵的维数,然后利用展开泰勒级数的一次项,解决量测方程中状态向量和量测向量的非线性问题,最后采用卡尔曼滤波算法对目标状态进行估计.对Jerk-EKF和Jerk-EKFrv算法的仿真结果表明,Jerk-EKFrv算法能够有效提高机动目标的跟踪精度.     

基于改进的交互式多模型粒子滤波算法

针对交互式多模型粒子滤波算法中因采样粒子缺乏最新量测信息而造成的滤波精度受限问题,在混合卡尔曼粒子滤波算法的基础上,对交互式多模型粒子滤波算法进行了改进,提出了交互式多模型混合卡尔曼粒子滤波算法,并研究了不同组合方式对跟踪精度的影响。首先用无迹卡尔曼滤波产生系统的状态估计,然后用扩展卡尔曼滤波得到粒子的重要性建议分布,充分利用量测信息,对粒子状态进行更新。仿真结果表明,所提出的改进交互式多模型粒子滤波算法目标跟踪精度优于交互多模型无迹卡尔曼粒子滤波算法以及交互多模型扩展卡尔曼粒子滤波算法,从而证明了该算法的有效性。该方法对于进一步提高非线性、非高斯环境下机动目标的跟踪精度具有重要意义。     

目标跟踪中的观测时间控制算法

为解决目标跟踪精度与观测时间间隔的矛盾，提出了一种基于目标状态估计协方差控制的观测时间确定算法．该算法以卡尔曼滤波器作为状态估计工具，根据跟踪精度要求设定目标估计状态协方差上限，通过目标估计状态协方差来控制观测时间间隔，从而实现对目标的优化观测．仿真结果验证了算法的有效性．     

基于Unscented信息滤波器的分布式目标融合跟踪

针对无线传感器网络下的非线性运动目标跟踪问题,提出一种基于Unscented信息滤波器的分布式融合跟踪算法。该算法在信息滤波器框架下将Unscented变换与扩展信息滤波器相结合,有效地解决了运动目标和量测的非线性。在网络拓扑结构和通讯带宽的约束下,利用卡尔曼一致性滤波算法对所有传感器节点估计值进行分布式信息融合。仿真结果表明了该算法的有效性和优越性。     

基于变权新息协方差的自适应卡尔曼滤波器

针对传统卡尔曼滤波器鲁棒性差,无法实时精确跟踪系统突变状态的现实,设计了一款基于变权新息协方差的自适应卡尔曼滤波器。在传统卡尔曼滤波器的基础上,分析了突变状态无法跟踪的缘由;基于滤波发散判据,分析储备系数与均权新息协方差之间的关系,对状态突变程度进行分层;基于Sage-Husa估计原理与加权最小二乘准则,对于不同程度的突变状态,采用实时调整各历元新息协方差权重的策略,优化渐消因子,激活滤波增益,增权量测新息。实例研究表明,自适应卡尔曼滤波器鲁棒性强,能够精确跟踪系统突变状态,其状态收敛速度优于抗差卡尔曼滤波器,稳态精度提升了42.05%。     

采用欺骗参数扩维估计的弹道目标跟踪方法

针对弹道导弹突防过程中施放的有源距离假目标干扰给反导雷达跟踪系统带来的挑战,提出了一种改进的基于欺骗参数扩维估计的弹道目标跟踪方法．首先,推导了球坐标系下真假弹道目标的普适动力学方程,建立了基于欺骗参数扩维估计的弹道目标跟踪状态方程和量测方程．然后,利用求容积卡尔曼滤波器(CKF)实现免微分计算,并采用联合概率数据互联(JPDA)算法实现航迹与点迹之间的数据关联．最后,通过对距离欺骗参数的估计结果设计干扰鉴别算法,实现跟踪和干扰鉴别的一体化和实时性．仿真结果表明,该方法不仅拥有良好干扰鉴别能力,且有较高的跟踪精度．     

响应和滤波器偏差感知约束的无人机目标跟踪算法

针对无人机视觉跟踪任务中目标外观变化大、视野角度多变问题,提出基于响应和滤波器偏差感知约束的无人机实时目标跟踪算法.该算法根据视频帧间响应差和滤波器变化的一致性,通过建模前后帧响应差和滤波器的变化,建立基于响应偏差感知和帧间滤波器偏差约束机制的目标函数,学习目标的外观变化和滤波器的帧间变化.引入辅助变量构建优化函数,采用交替方向乘子法（ADMM）将计算目标问题转化为求相关滤波器和辅助变量的最优解.采用跟踪准确度和成功率指标,将所提算法与其他9种算法在DTB70、UAV123@10 fps和UAVDT等3个无人机视频数据库上进行对比实验.实验结果表明,所提算法对遮挡、形变、角度变化等干扰属性均具有良好的鲁棒性,跟踪平均速度达到39.0帧/s,能够有效跟踪无人机目标.     

去偏转换方向余弦位置和多普勒量测跟踪

为解决相控阵雷达方向余弦坐标系下状态空间模型量测方程强非线性的问题,提出了一种带多普勒量测的去偏转换量测跟踪方法.在考虑距离量测误差与多普勒量测误差相关性的基础上,用距离量测与多普勒量测的乘积构造伪量测来减轻多普勒量测的非线性.并通过对方向余弦进行二阶泰勒展开,得到了转换量测误差均值和协方差的一致性估计.最后通过对位置量测和伪量测进行序贯处理解决了伪量测非线性的问题.仿真结果证明:通过引入多普勒量测确实提高了滤波性能;同时相比于常用的扩展卡尔曼滤波器和不敏卡尔曼滤波器,提出的去偏转换量测滤波器在方向余弦坐标系下具有更好的跟踪性能.     

B样条曲面三维扩展目标跟踪算法

在目标跟踪中，三维扩展目标跟踪的实现通常需要多角度的大量量测数据，单传感器所获得的量测无论是从数量还是完整性上来说，都不能良好地满足三维形状估计的要求。针对低量测率下现有的三维扩展目标跟踪算法形状跟踪效果差的问题，提出了一种基于B样条曲面的泊松多伯努利混合滤波算法。首先，利用小波聚类对多传感器获得的三维空间量测数据进行处理，得到量测簇，在提取有效信息的同时保证算法的效率；然后，对量测簇进行划分，获得控制矩阵，控制矩阵基于B样条的控制点原理实现，因此能够表征复杂三维形状的参数，利用控制矩阵与B样条曲面拟合获得三维扩展目标的形状；最后，将B样条融入泊松多伯努利混合滤波器，扩展到三维目标跟踪，预测和更新扩展目标运动状态和形状参数。经仿真实验和真实点云数据集的验证，所提算法能够对三维扩展目标的运动状态和扩展形状实现良好的跟踪效果，且能够实现不规则三维形状的估计。     

无人机编队视频序列中的多目标精确跟踪

针对无人机编队视频序列中的多目标精确跟踪的要求,使用STK（satellitetoolkit）三雏建模软件模拟无人机UAV（unmanned aerial vehicle）编队飞行视频,通过双差分图像操作和多分辨率连通分支标记算法确定图像中的运动区域．提出了一种改进的贪婪算法,利用已确定的矩形运动区域作为初始轮廓,实现对无人机目标的精确轮廓提取．以运动区域的中心位置为输入,建立在线卡尔曼滤波器组对多目标进行跟踪,并由此提出了如何对多目标中的遮挡问题进行判定、分割的方法．仿真实验验证了文中所提的方法.