嵌入式容积粒子PHD多目标跟踪算法

针对基于概率假设密度算法（Probability Hypothesis Density,PHD）的非线性多目标跟踪估计精度不高、滤波发散、实时性差等问题,提出一种嵌入式容积粒子PHD算法（Imbedded Cubature Particle PHD,ICP PHD）。新的算法在采样阶段引入Halton点集,并基于三阶嵌入式容积准则产生有限的积分点,对每个采样粒子进行滤波,来拟合重要密度函数。由于Halton点集得到的粒子分布更加均匀,故而ICP PHD算法能够避免 “粒子聚集”的现象。另外,由于三阶嵌入式容积准则的积分点少、精度高,因此ICP PHD算法能更好的协调时间与精度之间的矛盾。仿真结果表明ICP PHD能对多目标进行有效跟踪,相比高斯厄米特粒子PHD算法（Gauss Hermite Particle PHD,GHP PHD）具有实时性强的优势,在目标数目和状态估计上比容积粒子PHD算法（Cubature Particle PHD,CP PHD）精度更高。      

多传感器交叉提示技术在目标检测中的应用

针对多传感器交叉提示技术在目标检测中的应用问题展开研究,将交叉提示分为"信息提示"和"任务提示"2种类型,建立以"信息提示"为基础的传感器效能模型以及目标检测概率计算模型、传感器资源能耗计算模型,为求解"任务提示"中的传感器——目标分配方案问题,设计基于博弈论的多传感器交叉提示分布式算法,该算法中,传感器博弈策略的更新以最优反应动态为原则,随后从理论上分析了算法的收敛性和有效性.仿真实验表明,与合同网算法、拍卖算法等分布式算法相比,该算法具有较快的计算速度,与粒子群算法等集中式算法相比,该算法具有较好的求解质量,充分说明了该算法的有效性、先进性.     

基于自适应SUSAN各向异性扩散的红外弱小目标检测

针对复杂背景下红外弱小目标提取困难的问题,提出了一种自适应SUSAN各向异性扩散的红外弱小目标检测算法。该算法结合SUSAN边缘检测算子与各向异性扩散,形成新的扩散方程对红外图像进行背景预测,与原图像差分后实现弱小目标检测。为使算法具备自适应能力,提出SUSAN边缘检测器灰度差阈值的自适应设定方法,采用绝对偏差中值算子作为其扩散系数。实验结果表明,该算法能够有效滤除复杂图像背景,大幅提升信噪比,同时保留目标大小。     

三维空间纯方位多目标跟踪PHD算法

针对基于概率假设密度算法（Probability Hypothesis Density,PHD）的高维纯方位多目标跟踪,提出了新型的PHD算法-新型采样准则的基于无迹变换的粒子PHD算法（Unscented Particle PHD based on New Sampling Rule,NSRUP-PHD）.新算法对每个目标设计了基于无迹变换（Unscented Transform,UT）的粒子滤波器,不仅解决了非线性滤波估计的问题,而且还通过高斯混合的方式实现了非高斯噪声估计.此外粒子滤波器提出了一种新型的采样手段,通过基于三阶容积准则（Cubature Rule,CR）的粒子方位选择和概率累加的距离延伸,使得采样粒子遍布整个空间的同时保障了粒子概率分布的问题,提高了粒子使用的效率.仿真结果表明NSRUP-PHD能够实现多目标有效跟踪,相比于传统的算法和伪随机采样,新型滤波器和采样手段可改善跟踪效果.     

均方根嵌入式容积粒子PHD多目标跟踪方法

针对基于概率假设密度算法（Probability hypothesis density,PHD）的非线性多目标跟踪精度低、滤波发散等问题,提出了一种新的PHD算法——改进的均方根嵌入式容积粒子PHD算法（Advanced square-root imbedded cubature particle PHD,ASRICP-PHD）.新的算法在初始化采样时将整个采样区域等概率划分为若干个区域,然后利用既定的准则从每个区域抽取粒子,并利用均方根嵌入式容积滤波方法对每个粒子进行滤波,来拟合重要密度函数,预测和更新多目标状态的PHD.仿真结果表明该算法能对多目标进行有效跟踪,相比拟随机采样法和伪随机采样,等概率采样的方法在多目标位置估计和数目估计上有更高的精度.     

基于SVM后验概率的红外弱小目标检测

针对复杂云层背景中背景边缘干扰严重的问题,提出基于支持向量机(SVM)后验概率的红外弱小目标检测算法。该算法将红外弱小目标检测视作目标与背景的二分类问题,根据红外图像特性,以各像素点8个方向的梯度作为目标和背景的分类依据,选取能够表现目标和背景特征的梯度作为SVM训练样本的主要参考量,设定训练集,并通过训练获得SVM分类模型。基于SVM后验概率的检测算法将待测样本各像素点的8方向梯度作用于分类模型,获得的SVM后验概率作为检测输出。实验结果证明了该算法的有效性。     

联合 NSCT 和 SVD 方法的红外弱小目标复杂背景抑制

复杂背景抑制是天基红外预警系统中红外弱小目标探测技术的一个关键环节。为降低复杂背景下杂波干扰,提高目标检测精度,利用非下采样轮廓波变换（NSCT,non-subsampled contourlet transform）的多尺度分解及多方向分解特性以及图像矩阵奇异值分解（SVD,singular value decomposition）不同奇异值代表图像不同能量信息的特点,提出了联合 NSCT 和 SVD 的红外图像背景的抑制方法。首先依据非下采样轮廓波变换思想对红外原始图像进行多尺度多方向分解,得到与原始图像同样大小的不同尺度和不同方向上的子带图像,然后,利用奇异值分解的中序部分奇异值调整各子带图像矩阵系数以区分目标和背景杂波,最后对调整后各子带系数组成的矩阵施加 NSCT 逆变换,最终获得抑制背景处理后的图像。对比实验表明,该方法能够在低信噪比环境下有效抑制复杂背景及边缘,突显目标,降低虚警率。