基于模板相关匹配的红外目标跟踪FPGA算法实现

为了红外复杂背景下能够较好地跟踪目标,文章选用了基于模板相关匹配的红外目标跟踪算法,并且采用大规模可编程逻辑器件FPGA实现了算法,解决了系统应用中所面临的实时性问题.实验结果表明:用FPGA实现模板相关匹配跟踪算法具有运算速度快、可靠性高、功耗低等特点,满足制导系统的实时性要求.     

跟踪窗口尺寸自适应调整的粒子滤波跟踪算法

当目标尺度发生变化时,传统的粒子滤波跟踪算法的跟踪窗口尺寸不变,在目标尺寸变化较大时容易丢失跟踪目标.针对这一问题,提出了一种跟踪窗口自适应调整的粒子滤波跟踪方法.该方法依据运动目标区域内粒子到目标中心点的平均距离与目标尺寸的关系,建立跟踪窗口尺寸的数学模型.在两种目标模型上对所建立的数学模型进行了仿真验证.实验结果表明,当目标尺度发生变化时,跟踪窗口能够很好的随目标的尺寸变化而自适应地连续调整,改进后的算法在目标尺寸变化率很大时仍能够稳定跟踪目标.     

基于粒子滤波的机载单站无源跟踪算法

针对空中观测平台对远距离海面慢速运动目标定位跟踪这一非线性估计问题,介绍了专门处理非线性估计问题的粒子滤波算法,将粒子滤波算法(Particle Filter,PF)应用于机载单站无源定位跟踪问题,有效提高了对慢速运动目标的单站无源定位跟踪性能,解决了传统的扩展卡尔曼滤波算法在非线性估计时存在收敛速度慢的问题。通过与扩展卡尔曼滤波算法的仿真比较表明,粒子滤波算法可实现对慢速运动目标的高精度定位跟踪,且性能优于扩展卡尔曼滤波算法。     

基于射频隐身的采样间隔和功率设计

研究了雷达跟踪时的采样间隔和功率自适应设计问题。依据交互多模型跟踪算法和协方差控制的方法,提出了目标跟踪时自适应采样间隔的设计方法。该方法对所跟踪的目标设定期望跟踪精度,从采样间隔序列中选择符合期望精度的采样间隔,使得采样间隔最大化;在恒定检测概率的前提下,根据目标远近、雷达散射截面积大小,给出了辐射功率的自适应控制方法。仿真结果证明了文中方法的有效性。     

改进高斯混合粒子滤波被动目标跟踪算法

针对被动传感器跟踪系统非线性较强问题,提出了一种基于改进高斯混合粒子滤波的被动传感器目标跟踪算法。该算法基于Sigma点卡曼滤波和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。然后结合遗传算法和EM算法来实现模型的降阶,克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在被动传感器跟踪领域,与传统粒子滤波、基于EM的高斯混合粒子滤波和基于贪心EM的高斯混合粒子滤波相比,该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。     

基于阵列单通道的机动目标DOA跟踪方法

针对现有利用阵列单通道系统对机动目标跟踪精度不高,实时性差等不足,提出了一种新的基于改进粒子滤波算法的阵列单通道机动目标波达方向(direction of arrival, DOA)跟踪方法。该方法首先在利用接收机轮流采样建立数学模型的基础上,建立跟踪模型。然后,利用粒子群优化算法对马尔科夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)粒子滤波算法的重采样环节进行优化处理,给出了一种交互MCMC粒子滤波算法,该算法克服了传统粒子滤波算法粒子退化及样本贫化的固有缺陷。最后利用该算法求解跟踪方程,实现了实时DOA估计。理论分析与仿真结果表明,本文方法可实现基于阵列单通道的DOA跟踪与波束形成一体化,且能够处理相干信号,与标准粒子滤波和子空间类算法相比,收敛速度快,跟踪精度高。      

一种可变遗忘因子的卡尔曼滤波信道跟踪

在快衰落信道下,时变特性会使导频时段与数据时段的信道冲激响应存在误差,所以需要引入信道跟踪。实践证明,系统建模与实际模型存在一定偏差时,标准卡尔曼滤波的鲁棒性较差。因此,文中提出了一种可变遗忘因子的卡尔曼滤波算法。仿真表明,与标准卡尔曼滤波相比,可变遗忘因子的卡尔曼滤波信道跟踪具有更好的鲁棒性。     

聚光型光伏发电的太阳能定位和跟踪系统

在资源紧缺的今天,太阳能以它恒定的来源和高强的辐射能量,日渐成为资源利用的首要选择。聚光型光伏发电的基本原理是采用带有菲尼尔透镜的太阳能电池板,利用图像采集传感器,拍摄参照物的太阳影子长度,并以与垂直投影做出的比较测出太阳的偏转角度,通过高速控制芯片,根据对采集信息的分析,控制传动机构调节太阳能电池板的偏转角度,实现对太阳的定位和跟踪,从而实现太阳能的高效采集。     

基于改进协作目标外观模型的在线视觉跟踪

在不受限制的复杂环境中在线跟踪任意类型的感兴趣目标仍是一项极具挑战的难题.本文在无模型跟踪框架基础上提出一种基于改进协作目标外观模型的在线视觉跟踪方法,解决了大多数协作模型类跟踪算法在学习阶段无法有效选择正、负样本的问题.该方法根据人类视觉感知准则将目标边缘信息视为最具区分度的目标特征,提出边缘判别模型并结合动态模型和检测模块建立二级似然匹配空间,为生成模型的似然匹配去除了背景干扰;采用分块策略建立目标生成模型,为模型引入空间结构信息;利用Mean-Shift计算各子块的最终位置和匹配系数,并根据子块匹配系数为遮挡处理和模型更新提供依据.在公开视频序列上同几种流行视觉跟踪算法的对比实验结果证明了本文算法的有效性和优越性.     

基于局部结构变换域稀疏外观模型的目标跟踪

[目的]为了降低稀疏表示目标跟踪算法的计算复杂度,[方法]在粒子滤波框架下提出了基于局部结构变换域稀疏外观模型的视觉目标跟踪算法.[结果]该算法在目标区域附近提取重叠的局部图像块,并计算出所有局部图像块的二维离散余弦变换,获得图像块的变换域系数.变换域的能量集中特性被采用来降低字典的维度与候选样本的数量,并且对系数压缩一定的自由度可以抑制噪声与遮挡影响.采用被裁剪的样本与字典获得局部图像块的稀疏编码,然后将当前目标区域中所有小图像块的稀疏向量加权融合得到目标区域的稀疏表示值,并通过决策模型获取最优跟踪结果.与现有三种最新的跟踪算法比较的实验结果表明,[结论]所提算法的跟踪性能接近或超过对比算法,同时大大减小了f1范数最小化的计算复杂度.