自适应转移概率交互式多模型跟踪算法

针对标准的交互式多模型算法（Interacting Multiple Model,IMM）存在模型集设计困难和采用固定转移概率矩阵导致模型切换缓慢、跟踪精度下降的不足,提出一种自适应转移概率IMM算法.首先,提出了一种新的模型集设计方法,将强跟踪修正输入估计（Strong Tracking Modified Input Estimation,STMIE）模型和匀速运动（Constant Velocity,CV）模型作为IMM算法的模型集,利用STMIE算法对高机动目标的跟踪能力以及CV模型对非机动目标跟踪的高精度,实现对目标的全面自适应跟踪.其次,提出一种依据模型似然函数值对Markov转移概率进行实时修正的方法,增强匹配模型的作用,削弱不匹配模型的影响.仿真结果表明,依据模型似然函数修正转移概率的方法使IMM算法的模型切换速度和跟踪精度都得到提高,提出的IMM-STMIECV算法的跟踪精度高于IMM-CVCA、IMM-CVCACT以及IMM-CVCS算法.     

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。     

基于改进交互式多模型算法的ADS-B航迹滤波方法研究

针对广播式自动相关监视(ADS-B)航迹跟踪精度低以及目标跟踪模型与目标运动模型匹配效率低的问题,结合自适应算法对经典交互多模型(IMM)算法的运动模型集进行改进。将经典交互模型(IMM)运动模型集中的匀加速运动(CA)模型,改进为"当前"统计模型(CS)和修正转弯(MCT)模型。利用改进的模型集对目标当前位置、速度和加速度进行滤波估计。并对模型转移概率进行修正,提高IMM算法的自适应能力,实现快速目标跟踪。利用模拟航迹数据及实际设备接收的实测数据对算法进行验证。结果表明:运动模型集改进后的IMM算法滤波结果优于经典IMM算法,跟踪结果稳定,改进的算法可适应复杂的目标航迹实时跟踪。     

基于容积卡尔曼滤波的自适应IMM算法

在目标跟踪中,针对无迹卡尔曼滤波在高维状态下容易出现滤波精度下降甚至发散的问题,提出了一种自适应交互式多模型容积卡尔曼滤波算法。首先,将容积卡尔曼滤波引入到交互式多模型算法中,提高了算法在高维非线性情况下的滤波精度。然后,结合马尔科夫参数自适应思想,在模型概率更新阶段,利用后验信息修正马尔科夫概率转移矩阵,增大匹配模型的转移概率,进一步提高模型之间的切换速度。最后,在目标跟踪仿真中利用"当前"统计模型对算法进行验证,实验结果证明了算法的有效性。     

马尔可夫参数自适应IFIMM算法研究

针对新息滤波交互式多模型(IFIMM)算法中切换过程模型概率滞后的问题,提出了模型概率转移矩阵马尔可夫参数自适应的新息滤波多模型算法(AMP-IFIMM),该方法采用后验信息修正不准确的先验信息,自适应的调整马尔可夫转移矩阵的参数.切换时刻较多地遗忘非匹配模型的信息,放大匹配模型的信息,在保证滤波精度的同时,大大提高了模型间切换速度.将该算法应用到CA,CV两模型组合导航系统取得了良好的效果.     

基于角速度修正的变结构多模型目标跟踪算法

为提高强机动目标的跟踪精度,提出一种基于角速度估计值自适应修正的变结构多模型算法。将角速度估计应用于基于有向图切换的变结构多模型目标跟踪算法。通过引入改进的角速度估计方法,提高了角速度的估计精度。在有向图切换的基础上,实时估计角速度,并根据角速度估计值修正有向图,增强了变结构多模型目标跟踪算法的机动适应性。仿真结果表明,该方法在对强机动目标的跟踪性能上有明显提高。     

模型参数自适应的低复杂度ATPM-VSIMM算法

在机动目标跟踪中,针对交互式多模型算法使用固定模型集和固定转移概率矩阵导致跟踪精度下降的问题,提出模型参数自适应更新的低复杂度ATPM-VSIMM算法。所提算法根据系统新息变化情况来判断目标是否出现机动,从而调整模型集的状态噪声,实现模型集的自适应更新;然后,根据模型后验概率变化情况和模型间的相互切换关系,准确地计算出转移概率矩阵,从而提高系统运动模型和目标运动轨迹的匹配程度,保证跟踪系统具有滤波精度高和响应速度快的优点。从模型后验概率初值、转移概率矩阵初值和状态噪声三方面验证了所提算法的有效性。仿真结果表明,ATPM-VSIMM算法的空间位置跟踪精度比现有算法提高了8%左右。     

隐马尔科夫模型修正的交互多模跟踪算法

针对交互式多模型目标跟踪算法中模型转移概率固定对跟踪精度造成的影响,提出了一种隐马尔科夫模型修正的模型转移概率自适应交互多模跟踪算法。该算法通过对跟踪过程建立隐马尔科夫模型,采用Viterbi 算法求解修正系数,在检测到目标运动发生机动性变化时,将修正系数用于交互式多模型算法以达到实时调整模型转移概率的目的。仿真结果表明,该算法的跟踪结果优于传统的交互式多模型算法,具有很好的稳健性、实时性,有效降低了主观因素对跟踪精度造成的影响。     

引入输入估计的交互式多模跟踪算法

 本文融合交互多模算法和修正输入估计算法,提出一种新的全面自适应跟踪算法.利用修正新息序列的方法对输入估计(IE:Input Estimation)算法进行了改进,提高了输入估计的性能.综合不同检测窗长度的修正输入估计(MIE:Modified IE)算法的特点,在交互式多模型中采用不同检测窗长度的MIE作为子滤波器,保持对机动的全面自适应跟踪.仿真实验证明,改进算法与CV-CA模型组成的交互多模算法相比,无论对机动的响应速度还是滤波精度都优于交互多模算法.     

任意指定地面复杂场景图像目标的去均值相关跟踪算法

本文通过对相关系数作为相似性度量准则的匹配跟踪算法的改进,提出了去均值相关跟踪算法,采用网格搜索法进行粗匹配,以邻域法进行精匹配,减少了算法的计算量,满足机载成像光电吊舱系统目标跟踪的实时性要求。提出了自适应模板更新方法和修正的自适应模板更新方法,并对这两种方法进行仿真比较,实验表明,修正的自适应模板更新方法具有更高的跟踪精度和更好的跟踪稳定性。     

变结构多模型临近空间高超声速飞行器跟踪算法

针对传统跟踪算法跟踪临近空间高超声速目标时计算量大、跟踪精度低的问题,提出了一种变结构多模型跟踪算法。在分析传统跟踪算法的基础上,建立了一种变转移概率、变模型数量的目标模型,通过目标运动状态辨识方法,确定目标飞行阶段,并选择相应滤波模型和模型转移概率,实现变结构多模型跟踪。Monte Carlo 仿真结果表明:新算法能够实现对临近空间高超声速飞行器的有效跟踪,跟踪性能比传统变结构多模型跟踪算法更加优越,具有一定实用性和可推广性。     

自适应位置切换相关滤波目标跟踪

为解决卷积特征目标跟踪算法精确度和速度相互制约的问题,文中提出了一种基于峰值旁瓣比的自适应位置切换的相关滤波目标跟踪算法。将Pool4和Conv5-3层作为特征提取层,通过特征能量均值比获取有效的卷积特征,提高算法的速度;然后利用不同样本分布训练多个相关滤波器,并根据峰值旁瓣比筛选出最适分类器进行位置预测,提高了跟踪器的泛化能力;最后利用稀疏模型更新策略更新滤波器模板,减小过拟合现象的同时进一步提高算法的速度。在OTB100标准数据集上测试该算法,实验结果表明,文中所提算法的精确度为88.8%,较原分层卷积跟踪算法提高了6.1%;跟踪速度为47.5帧/s,是原算法的5倍,显示了良好的实时性能。     

Direct tracking of noncircular sources for multiple arrays via improved unscented particle filter method

Direct tracking problem of moving noncircular sources for multiple arrays is investigated in this study. Here, we propose an improved unscented particle filter (I-UPF) direct tracking method, which combines system proportional symmetry unscented particle filter and Markov Chain Monte Carlo (MCMC) algorithm. Noncircular sources can extend the dimension of sources matrix, and the direct tracking accuracy is improved. This method uses multiple arrays to receive sources. Firstly, set up a direct tracking model through consecutive time and Doppler information. Subsequently, based on the improved unscented particle filter algorithm, the proposed tracking model is to improve the direct tracking accuracy and reduce computational complexity. Simulation results show that the proposed improved unscented particle filter algorithm for noncircular sources has enhanced tracking accuracy than Markov Chain Monte Carlo unscented particle filter algorithm, Markov Chain Monte Carlo extended Kalman particle filter, and two-step tracking method.     

基于IMM-PF的再入目标数据融合算法与仿真

为了提高弹道再入目标的跟踪精确度,提出了一种基于交互式多模型粒子滤波（IMM-PF）的再入目标数据融合算法。该算法将交互式多模型和粒子滤波相结合,用有限个运动模型来逼近再入目标的运动状态,在对再入目标的运动方程和观测方程离散处理的基础上,采用粒子滤波算法计算各模型的状态估计值和协方差,并采用残差重采样方法克服了粒子权重的退化问题;在粒子滤波过程中,系统不断改善粒子的概率密度函数,不断更新各个模型的概率,从而实现对再入目标跟踪中未知参数的精确估计。通过实例仿真表明：与其他算法相比,该算法的跟踪精确度较高,运行时间较短,算法收敛性较好,适合对再入目标的快速、精确跟踪。     

改进的“当前”统计模型变采样率目标跟踪算法

为满足实际雷达系统对高精度和高实时性的要求,提出了一种改进的"当前"统计模型变采样率机动目标跟踪算法。该算法针对"当前"统计模型必须预设加速度极值和机动频率的问题,提出一种加速度方差和机动频率在线同步自适应方法,建立改进的"当前"统计模型机动目标跟踪算法;针对在线自适应方法计算量大的问题,结合采样周期的大小与目标机动特性的关系,引入变采样率方法。仿真结果表明,与传统"当前"统计模型相比,改进的"当前"统计模型机动目标跟踪算法能显著提高对不同机动强度目标的跟踪精度;变采样率方法通过减少采样点数,节省了系统资源,提高了跟踪实时性;所提算法将两者结合,用传统的"当前"统计模型1.5~2倍的平均采样周期得到了更小的位置均方根误差,实现了用单模型方法同时改善跟踪精度和实时性的目的。