一种自适应的机动目标融合跟踪算法

该文主要研究了分布式传感网络中的机动目标跟踪问题。为了在降低传感器节点的通信负债的同时,提高系统的跟踪精度,该文提出了一种新的自适应多传感器机动目标跟踪算法。该算法与交互式多模型算法相结合,将远端传感器获得的局部状态估计与本地传感器的累计量测信息进行融合,并通过信息去相关算法消除了传感器间的相关性。从而实现了对机动目标的状态估计与量测信息的融合。提出的算法能够充分利用本地传感器量测的有效信息,以提高目标跟踪精度。仿真实验验证了该算法的有效性。     

基于自适应变结构信息滤波的目标跟踪算法

目前目标跟踪算法采用的交互多模型,大多是通过固定模型之间的切换来完成目标跟踪,这容易出现模型集与目标真实运动不匹配问题,降低目标跟踪的精度。同时,现在大部分观测平台都能提供多传感器量测,这要求跟踪算法能对不同量测信息进行高效数据融合。针对上述问题,提出一种基于自适应变结构多模型和信息滤波的跟踪算法,它由少量模型构成模型集,通过在线更新模型集参数以自适应目标真实运动,采用无迹卡尔曼信息滤波融合多传感器量测信息,实现对目标的跟踪。仿真结果表明,该算法可以有效融合多传感器量测信息,自适应匹配目标真实运动,实现对目标稳定的高精度跟踪。     

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。     

具有形状信息的多传感器群目标跟踪算法

针对多传感器环境下具有形状信息的扩展/群目标跟踪问题,提出了两种融合算法,即高斯逆韦氏并行PHD滤波算法和高斯逆韦氏序贯PHD滤波算法。新算法分别结合并行滤波和序贯滤波算法思想,能够对扩展/群目标的质心状态进行跟踪,对形状进行有效估计。高斯逆韦氏并行PHD滤波算法将各个传感器产生的量测集合并到一个量测集中,统一对量测集进行划分。在滤波更新阶段,对划分后的量测集进行扩维,从而在形式上将多传感器环境下的跟踪问题转化为单传感器环境下的跟踪问题。高斯逆韦氏序贯PHD滤波算法则先对各个传感器产生的量测集依次进行划分,再依次对每一个划分后的量测集进行滤波,从而达到融合多个传感器量测的目的。仿真结果表明该算法的可行性和有效性。     

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.     

基于异质多传感器的网络分布数据融合的一种算法

针对多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,提出了一种异质多传感器异步量测融合算法,即首先将量测方程线性化,再在砷合中心通过建立伪量测方程,得到同步的量测数据,然后利用噪声相关的伪序贯思想进行融合处理得到全局估计,与现有算法进行仿真比较,结果表明了该算法的有效性。     

加权融合法处理无序量测问题

针对集中式多传感器目标跟踪系统中存在的无序量测问题,基于协方差加权融合的思想,在融合估计误差协方差矩阵迹最小意义下,建立了基于最优融合的多步延迟无序量测更新算法。该算法先将无序量测配准到最新状态估计的时刻,将其与之进行协方差加权融合。为进行无序量测与各传感器量测噪声相关性的计算,引入了等效量测。通过理论分析和仿真实验说明该算法能有效处理无序量测多延迟问题,其性能接近最优且随延迟步数增加性能下降非常小,而且有与最优的数据缓存法相同的滤波精度,以及较小的额外存储量。     

基于选择融合的任意步滞后无序量测滤波算法

在目标跟踪系统中,由于传感器具有不同的预处理时间与采样速率,以及信道固有的随机通信延迟,传感器量测数据可能出现无序到达融合中心的现象,即无序量测问题。在系统工作过程中,通常有多个无序量测相继或同时出现。为此,将多无序量测情形进行分类,基于选择融合提出任意步滞后无序量测滤波算法。利用基于对数似然比的假设检验筛选出需要处理的无序量测。在前向预测框架内,根据无序量测最优滤波过程,采用融入等价量测的信息滤波方法对目标状态估计与误差协方差矩阵进行更新。仿真结果验证了算法的精确性与有效性。     

基于关系矩阵的主被动传感器统计融合算法

针对传感器对目标跟踪时观测噪声非高斯问题,提出了一种基于关系矩阵的主、被动传感器量测统计融合算法.采用方差加权距离处理传感器量测噪声非高斯问题,运用传感器综合融合度构建关系矩阵,并且在门限附近采用椭圆模糊处理技术,利用Perron-Frobenius定理计算量测融合过程中每个传感器的权重.仿真结果表明当传感器观测噪声具有非高斯特性时,基于关系矩阵的主被动传感器统计融合算法和传统的融合算法相比扰动较小,具有较好的稳定性,可用于改善跟踪系统的抗干扰能力.     

异类传感器融合跟踪系统配准偏差的在线补偿

针对多传感器融合跟踪系统的时变配准偏差补偿问题,提出了一种配准偏差的在线估计和补偿算法.该算法首先依据多传感器提供的测量和跟踪信息,建立配准偏差的动态模型,然后利用极小化似然函数结合卡尔曼滤波方法在线估计系统偏差,利用估计的配准偏差,补偿和修正跟踪器的测量信息,实现多传感器的融合跟踪.最后针对异类传感器(雷达、红外)组成的多传感器跟踪系统,给出了应用该方法的仿真结果.     

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联（DIMM-MSGPDA-IDS）算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维（3-D）证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联（DIMM-MSJPDA-DS）算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。     

基于多模型航迹质量的融合算法

如何确定最优加权因子是加权航迹融合算法中一个值得深入研究的问题。通过提出多模型航迹质量(Track Quality with Multiple Model, TQMM)的概念,并给出一种带信息反馈的加权航迹融合算法,来解决多传感器跟踪同一目标时的权值最优分配问题。系统引入反馈机制,利用多模型航迹质量确定权值,能够精确地更新权值,从而实时有效地进行目标跟踪。仿真结果表明,与已有的加权融合算法相比,该算法具有更好的跟踪性能,特别是在融合系统传感器观测精度相差较大的情况下,算法的跟踪效果更为突出;并且,随着传感器数目的增加,系统的跟踪精度逐步提高,但当传感器增加到一定数目时,系统的融合精度并没有得到明显的改善。     

主被动传感器自适应量测融合算法

针对观测平台和运动对象间的距离参数会对传感器随机测量误差带来影响的问题,提出了一种基于模糊距离阈值的主被动传感器量测融合算法。讨论了根据距离参数选择主被动融合跟踪模式的方法,采用指数函数和模糊处理技术,利用已有信息实时改变主、被动传感器在量测融合过程中所占的权重。仿真结果表明,当传感器和运动对象间的距离对随机测量误差的影响不能忽略时,基于模糊距离阈值的主被动传感器变权重融合算法和传统的固定权重融合算法相比更加稳定,能够充分发挥主、被动传感器间的互补特性。     

基于DSmT与粒子滤波的多传感器融合

为实现多传感器对机动目标状态的跟踪,提出一种基于DSmT与粒子滤波的多传感器融合算法。在各传感器利用粒子滤波方法处理观测数据的基础上,运用DSmT作为融合工具,将观测数据转化为辨识框架内的元素及其mass值,得到最终融合结果。实验结果表明,该方法可减小距离误差,提高跟踪精度,且运算复杂度能满足在线实时融合的要求。     

一种面向互联概率加权的JPDA多传感器数据融合方法

针对单传感器联合概率数据互联(Joint Probabilistic Data Association, JPDA)在复杂环境下难以跟踪多个目标的问题,提出一种基于JPDA量测目标互联概率统计加权并行式和序贯式多传感器数据融合方法。首先,给出单传感器JPDA算法。然后,介绍多传感器JPDA数学模型,基于这一模型,使用互联概率加权,推导并行式和序贯式多传感器数据融合公式,这对多传感器数据融合有一定指导意义。最后,对单传感器JPDA方法在不同杂波密度、不同过程和不同观测噪声下目标跟踪的距离RMSE进行仿真,结果表明,随着这3项指标皆增大,目标距离RMSE增大;同时,对本文的2类多传感器JPDA方法与其他几类跟踪方法在数据集PETS2009下有关行人跟踪性能进行仿真,结果表明,本文并行式和序贯式多传感器JPDA方法相较于其他方法在跟踪准确性、跟踪位置准确性、航迹维持以及航迹遗失上皆为最优,而且序贯式融合略优于并行式多传感器JPDA。     

传感器自适应跟踪算法研究及仿真系统实现

雷达和红外作为目标跟踪常用的两种探测手段,各有其优缺点,利用雷达高精度的距离测量和红外高精度的角度测量,通过信息融合技术充分实现二者的优势互补,并结合交互式多模型(IMM)跟踪思想,给出对目标位置的精确估计;设计基于雷达/红外多传感器跟踪平台的自适应融合跟踪算法,实现根据目标不同运动特性进行跟踪模型灵活、合理切换的自适应目标跟踪,改善对目标的综合识别,达到更好的跟踪效果;选取当前工程实践中广泛应用的目标运动模型,设计基于VC++环境的目标跟踪仿真系统软件,并利用MFC界面制作技术创建可视化目标跟踪仿真软件平台,对跟踪算法性能进行验证。     

一种多传感器反直升机智能雷伺服跟踪系统

讨论一种基于多传感器的反直升机智能雷AHM(Anti-Helicopter Mine)系统.为了提高智能雷的全自动智能跟踪能力和打击精度,在传统的被动声探测技术的基础上,结合图像传感器的视觉信息和激光测距仪的深度信息,提出一种基于声-光-电多传感器联合的自动目标探测、识别、跟踪算法.首先将五元十字声源定位技术用于低空目...     

低空运动目标的多传感器自动识别和实时跟踪

讨论了一种用于低空运动目标检测和跟踪的电视跟踪系统。为了提高系统自动跟踪和抗干扰能力,基于声—光—电多种传感器和测量装置如声波传感器、图像传感器和激光测距仪等,提出一种多传感器综合的自动目标识别和实时跟踪算法。该方法将被动声定位技术用于目标初定位,结合目标图像动静态特征和目标声源特征用于目标的特征提取和自动识别,根据视频跟踪和轨迹预测算法,得出期望的目标误差信号控制伺服机构进行精确跟踪。实验结果表明该算法简捷有效、精度和可靠性达到要求,验证了多传感器应用于全自动智能跟踪系统的可行性。     

要地防护反无人机系统设计与实现

提出了一种要地防护反无人机系统设计与实现方法,重点解决了雷达、光电红外、无线电侦测等异类传感器的数据融合以及协同探测等问题.针对小型无人机目标特性,提出了基于多源异类传感器的航迹融合规则;针对雷达与光电红外协同精度不匹配的问题,提出一种光电扇扫搜索的方法,实现了对小型无人机的多传感器接力探测与连续稳定跟踪及有效反制.该系统已在某国家公祭日安保、某核电站低空保障等实践中得到应用实践,有效提高了对小型无人机的探测、跟踪、识别、处置能力.