累积量测序列的区间云变换及识别

目标多属性序列类数据不能直接与数据库中的区间类数据融合识别, 对此, 提出一种基于云变换的序列-区间异类数据识别算法. 对目标多属性序列数据进行频数计算形成频率分布函数, 并进行虚警检测, 实施云变换形成云簇, 提取云簇特征, 再根据3 En 准则形成云滴区间, 实现了序列型数据的区间化表示. 进一步, 利用一种区间多属性识别判定准则进行识别判定, 得到识别结果, 解决了序列-区间异类数据的识别问题. 仿真实验结果验证了该算法对序列-区间异类数据识别的有效性.

     

机动目标的跟踪与反跟踪

以WGS－84标准的地心坐标系作为统一坐标系,通过建立机动目标的跟踪模型,实时预测机动目标的轨迹,并提出了机动目标的跟踪与反跟踪策略。首先考虑了单目标跟踪问题,提出了基于改进的MeanShift算法的目标跟踪模型,使用此模型提取聚类点,并对这些聚类点进行B样条曲线拟合,得到光滑的航迹。其次考虑了两目标跟踪问题,建立了基于最近邻及改进MeanShift算法的目标跟踪模型,利用最小二乘法对航迹数据进行二次曲线拟合,分析机动目标加速度变化规律,并通过判断拟合曲线上的点与球面位置关系,提出了两种着落点预测方法。最后分析了机动目标如何反雷达跟踪的问题,提出了反跟踪策略。     

一种基于目标圆的有向强栅栏构建算法

K-栅栏覆盖是有向传感器网络覆盖控制的研究热点之一。提出一种基于目标圆的分布式有向强栅栏构建方法（DBCTC）。首次构建了节点目标圆和能耗比2个模型。以节点感知区域内横坐标最大的点为圆心,以感知半径为半径的圆就是目标圆。节点的运动能耗和栅栏增益的比值就是能耗比。前一个节点根据目标圆模型选择后一个节点的最佳目标位置。从附近移动节点中选择能耗比最少的移动节点构建有向强栅栏。仿真结果证明,该栅栏构建方法比其他算法降低60%左右的能耗。     

基于分布式聚类的有向传感器网络移动目标跟踪算法研究

针对有向传感器网络DSN（Directional Sensor Networks）中,传感器节点部署数量对目标跟踪精度、网络寿命和能效问题的影响方面,提出了一个分布式聚类算法,该算法在优化活跃传感器和节点的直接通信过程中,由分布式集群来负责协调成员间的节点,通过传输给Sink的定位信息及从多个节点聚集的传感数据来准确定位目标的位置。基于该理论的目标跟踪机制,提高了目标跟踪精度、增加了网络寿命和网络剩余能量。并进行了仿真验证,结果表明该方法能实现更高的跟踪性能。     

结合阴影抑制的混合高斯模型改进算法

混合高斯模型背景法作为运动目标检测的一种经典方法,已经广泛应用于智能视频监控系统中。但是,传统的混合高斯模型背景法容易将阴影误检测为运动目标的一部分。因此,针对该方法在区分阴影和运动目标方面的不足,提出了一种将混合高斯模型背景法和HSV空间阴影抑制相结合的运动目标检测算法。这种改进算法首先将颜色空间转换到HSV空间,初步提取运动目标,然后再利用阴影的灰度值比背景中的灰度值小,而前景的灰度值比背景中灰度值大的特性,检测出运动目标中的阴影。实验结果表明,这种改进的算法明显提高了检测效果,有效抑制了阴影对运动目标检测的干扰,算法实时性也较好。     

机载跟踪器的逃逸目标图像快速识别模型仿真

机载跟踪器进行逃逸目标识别跟踪的过程中,目标往往是高速移动的,为了逃逸跟踪,运动的速度和方向具有较大的突变性,与跟踪器之间会形成较大的跟踪距离差.传统的视觉方法为了弥补这种距离差,通过减少采集图像的样本,以提高跟踪的准确性,但是一旦样本数量过少,将会导致识别跟踪的准确性降低.提出基于高斯分布的动态逃逸目标识别跟踪方法.对跟踪目标图像进行归一化处理,获取与数据库中的样本图像具有同样的尺寸和分辨率的图像.计算动态目标图像的形心,根据高斯分布原理建立动态目标的识别跟踪模型,并对模型中的相关参数进行及时更新,保证了动态目标识别跟踪的及时性和准确性.实验结果表明,利用改进算法能够有效提高动态目标识别跟踪的准确性,缩短了识别跟踪的时间.     

基于分层光流的煤矿井下运动目标跟踪算法

针对煤矿井下视频序列高噪声、运动目标繁多、目标交错等特点,提出了一种基于分层光流法的矿井运动目标跟踪算法。首先对相邻两帧视频序列采用帧差法确定多个初始目标跟踪模版;然后采用SUSAN角点检测提取模版内的特征点;最后运用改进的分层光流法进行目标检测和跟踪,并在跟踪过程中对模版进行更新。该算法实现了煤矿井下多目标运动物体的稳定跟踪,并能解决目标部分遮挡问题。实验和仿真结果证实了该算法的有效性。     

复杂背景下弱小目标的检测*

复杂背景下低信噪比弱小目标的检测是当今目标捡测的一个热点课题。为了检测到弱小目标,首先对图像进行复杂背景抑制,以达到抑制背景、提高信噪比的目的,然后比较三种方法的背景抑制能力,最后对抑制效果好的图像进行图像分割来进行弱小目标检测。     

Adaptive detection of range-spread targets without secondary data in multichannel autoregressive process

Adaptive detection of range-spread targets without secondary data is addressed in a multichannel autoregressive Gaussian disturbance with unknown space–time covariance matrix, by utilizing the Rao test. The proposed Rao test without secondary data is theoretically proved to be asymptotically (large-sample in the number of temporal observations) constant false alarm rate with respect to unknown space–time covariance matrix, thanks to an asymptotic equivalence between the Rao test and the generalized likelihood ratio test. Moreover, the performance loss due to no secondary data can be remedied by appropriately increasing the temporal dimension. The performance assessment conducted by Monte Carlo simulation, also in comparison with the existing detector without secondary data, confirms the effectiveness of the proposed detectors.