水下多目标方位的联合检测与跟踪

针对水下多目标方位跟踪及航迹关联问题,提出了一种粒子滤波的联合检测与跟踪方法.该方法在状态滤波过程中不需要方位观测值的输入,直接根据波束能量评估粒子的似然函数;利用交叉和变异算子进化小权值样本,通过低差异性序列的重采样提高子代粒子多样性。实现了多目标的跟踪并避免了方位观测量与多目标航迹关联的问题。仿真结果表明,在航迹断续和航迹交叉的情况下,该方法能够连续准确地跟踪目标方位。利用水下无人平台舷侧线阵的试验数据对算法性能进行了验证,正横方向的跟踪误差在3°以内;在目标运动模型失配时仍可以收敛到正确的方位航迹,没有出现错跟与失跟现象,可提高对交叉、汇聚及分离的多目标方位航迹的连续检测与跟踪能力.     

一种基于模态域波束形成的水平阵被动目标深度估计

水面水下目标分辨与识别一直是被动声呐探测领域的难题.利用一种水平阵模态域波束形成算法获得己知方位目标声源的各阶模态强度,将其与不同深度的各阶参考模态强度进行匹配,最终实现了对声源的深度估计.仿真结果表明,该算法可以在信噪比为-10 dB的情况下,用300Hz带宽的信号样本,实现对声源深度的有效估计.系统分析了不同参数和不同波导条件对该方法目标深度估计性能的影响.其中,阵元数越多,模态样本数越多,计算频段越宽,方位估计精度越高,有效阵长越长,深度估计的性能越好.阵元间距和波导深度的变化不会影响该方法的深度估计性能,并且该方法的深度估计性能在声速剖面、海底参数等波导条件存在扰动时具有鲁棒性.     

旋转双阵元水下目标定向方法

提出一种旋转双阵元的水下目标定向方法,通过旋转双阵元,主动产生目标到达信号的多普勒效应,结合目标声波信号到达时间差,联合利用时间差和多普勒信息对目标进行定向.通过目标函数的设定,使得两路信号经过延时和伸缩后达到最佳匹配所对应的方向即为目标方向.仿真结果表明,在设定的场景下,本文提出的方法对于各个方向的目标均有良好的定向效果,对于1000m的目标平均定向角度误差小于1°;相对于双阵元到达时间差方法,具有更好的精度和鲁棒性。实验结果验证了旋转双阵元定向方法在实际应用中的有效性.     

利用频率波数谱能量扩展差异的水面水下目标分辨

提出基于波数能量频域扩展特征的水面水下目标分辨方法,通过模态域波束形成计算频率波数谱,并根据环境信息建立目标深度与波数扩展差异间的映射关系,并以此作为判决模型实现目标深度辨识。仿真结果表明所提方法在目标方位预估不准时依然稳健。通过SWellEx-96数据和大连海域实测数据验证了本文所提方法的有效性,海上试验数据处理结果表明该方法在132 m水平阵纵向有效孔径、100～800 Hz处理频段条件下,初步具备了水面水下目标分辨能力,且水面目标波数扩展特征高出水下目标10°左右,两类目标差异明显。从声传播特性的角度,所提方法为解决目标深度辨识难题提供了新的思路。     

等声速环境中目标前向声散射简正波耦合的垂直阵空域响应特征

水下目标的前向声散射会引起声波传播过程中的简正波耦合效应,使得接收声场结构发生变化,研究目标前向散射引起的垂直阵列上空域响应变化特征,可实现对直达波强干扰背景下的前向散射检测。通过将垂直阵波束形成技术分别用于信道中目标散射场理论模型计算数据和湖上实验验证数据,分析了等声速环境中目标前向声散射简正波耦合的垂直阵空域响应特征。结果表明,目标靠近接收端时前向散射引起的声波垂直达到结构与无目标时相比差异显著,高阶简正波向低阶简正波转化导致信号到达时延宽度展宽,采用指向水平方向的窄波束可显著提取目标前向散射引起的接收声波变化特征。     

基于阵元域数据的联合检测与跟踪算法

为了提高对弱目标的检测与跟踪能力,采用一种基于阵元域数据驱动的联合检测与跟踪算法。在假定多目标信号互不相关,且目标个数已知的条件下,采用最大后验(MAP)方法从阵元域数据中直接估计目标的状态。与传统的检测跟踪算法不同,该算法在目标方位信息的基础上,增加能量信息,用于目标跟踪从而提高跟踪能力,同时又通过跟踪目标轨迹的预测以提高检测能力。仿真结果显示,该算法可提高对弱目标的检测能力和跟踪能力,解决传统的跟踪算法对于交叉目标的错跟与失跟问题,在目标非快速机动的情况下得到很好的检测跟踪结果。海试结果显示该算法具有重要的实际工程应用价值。     

改进联合多站多伯努利滤波器的水下多目标跟踪

针对水下多站多目标跟踪问题,基于多站多伯努利滤波器思想,提出改进联合多站多伯努利滤波器的水下多目标跟踪方法。该方法有两处改进:首先在目标数变化场景,为了获得新生目标状态,提出基于节点分对组合随机观测新目标生成方法,该方法将观测节点两两分对,并进行观测对间组合,以相同概率随机选择观测对组合来生成新目标信息;其次为了输出连续、稳定航迹,提出基于统计双门限的航迹生成方法,该方法对超过第一门限的检测次数进行累加,并将结果与第二门限比较来控制目标航迹输出。仿真结果表明:(1)基于节点分对组合随机观测新目标生成方法能够正确生成新目标信息,与全局交叉定位目标生成方法相比,算法复杂度降低,并与节点数成线性关系;(2)基于统计双门限航迹生成方法能够实时输出稳定航迹,并且其最优子模式指派(OSPA)距离对比不使用该航迹生成方法时减少20%左右。     

水下目标跟踪的改进非线性滤波快速算法*

为了提升水下目标的跟踪精度,该文研究了测距误差有偏条件下的水下目标跟踪算法,基于水下目标跟踪中常用的无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)算法,改进提出了将偏差系数作为状态变量之一进行联合估计的跟踪算法。结合水下目标跟踪场景的实际特点,进一步推导了这两种算法在线性状态方程条件下的简化形式,分别称为IS-UKF和IS-CKF算法。仿真实验和湖试实验结果表明,与常规无迹卡尔曼滤波和容积卡尔曼滤波算法相比,提出的两种改进算法(IS-UKF和IS-CKF算法)不仅具有同等运算量,而且提高了目标轨迹跟踪精度。     

基于混合粒子滤波的水下小目标跟踪

针对水下小目标粒子滤波估计过程中“粒子贫化”引起的估计性能下降,提出了混合粒子滤波算法。该算法在常规粒子滤波算法基础上,在每一步迭代估计过程中进行量测的再次随机采样,以丰富随机粒子多样性,缓解水下小目标状态估计过程中的“粒子贫化”的影响。对算法进行了仿真分析,并将该方法用于水下小目标探测实验的数据处理,结果表明,相比于常规的粒子滤波算法,所提出的混合粒子滤波得到了误差更小且稳定的状态估计结果,有效地改善水下小目标跟踪的精度和稳健性。     

基于音视频信息融合的目标检测与跟踪算法

针对单一视觉跟踪算法易受遮挡影响的缺陷,提出一种基于音视频信息融合的目标检测与跟踪算法。整个算法框架包括视频检测与跟踪、声源定位、音视频信息融合跟踪3个模块。视频检测与跟踪模块采用YOLOv5m算法作为视觉检测的框架,使用无迹卡尔曼滤波和匈牙利算法实现多目标的跟踪与匹配;声源定位模块采用十字型麦克风阵列获取音频信息,结合各麦克风接收信号的时延计算声源方位;音视频信息融合跟踪模块构建音视频似然函数和音视频重要性采样函数,采用重要性粒子滤波作为音视频融合跟踪的算法,实现对目标的跟踪。在室内复杂环境下对算法性能进行测试,结果表明该算法跟踪准确率达到90.68%,相较于单一模态算法具有更好的性能。     

基于组合线阵的近程运动小目标被动定位跟踪

针对水下运动小目标被动探测与定位问题,提出了分段组合子阵联合处理探测方法,各探测子阵采用相互垂直结构布局,克服了单阵方位模糊及无法定位等问题。研究了分段组合子阵的宽带最小方差无畸变失真响应近场聚焦目标定位方法,实现了近程蛙人等水下小目标被动高精度定位。在此基础上,采用卡尔曼滤波算法对目标运动轨迹进行预测估计,将目标定位信息与跟踪轨迹信息进行匹配,实现高背景噪音下的运动小目标的跟踪处理。理论分析及仿真结果表明,分段子阵联合处理能有效对水下运动小目标进行定位和跟踪,海试试验进一步验证了该方法的有效性。     

基于FPGA的运动目标实时检测跟踪算法及其实现技术

运动目标检测跟踪有关的算法及其基于PC平台的实现已经比较成熟,但实时性较差。将采集的彩色视频流分成灰度和彩色两个数据流,灰度视频用于目标检测,彩色视频流用于跟踪显示。以经典的帧间差分法和背景差分法为基础,根据现场可编程门阵列(FPGA)的特点及片外同步动态存储器的存取控制要求,对这两个算法用FPGA逻辑单元进行了设计和实现。对原始彩色视频流和转换后的灰度视频流的存取使用乒乓操作,在滤波和形态学处理时使用了并行的流水线操作,极大地提高了算法的实时处理能力。在FPGA开发板上构建了一个彩色视频图像中运动目标检测跟踪系统,对系统性能进行了测试。实验结果表明,系统可在多种分辨率和帧率下进行运动目标进行实时检测跟踪;固定背景差分法对目标运动速度无限制,但当使用帧差法对快速运动目标进行有效的检测时,应使目标的帧差间距大于3.2像素。     

一种用于跟踪精度检测的动态目标模拟器设计北大核心CSCD

光电搜索跟踪系统是战场态势感知、信息获取、目标捕获、跟踪定位等武器装备的核心光电设备,其跟踪精度是表示光电搜索跟踪系统作战能力的关键参数。针对该参数的需求,提出了一种基于OLED发光的平行光管阵列式目标模拟器设计方案,其动态目标模拟角速度范围为1°/s~100°/s,角度定位精度为0.8″。对动态目标模拟器的角速度模拟进行了分析,得出角速度模拟的相对扩展不确定度可达0.6%~0.8%。     

基于自适应尺度的TLD目标跟踪算法

为提升TLD目标跟踪算法的每帧处理速度,以达到在更高分辨率视频中跟踪目标的实时性要求,在TLD算法框架的基础上,提出了一种基于自适应尺度检测学习的目标跟踪算法(AS-TLD)。当跟踪目标成功时,选取当前帧跟踪到的目标尺度及几个相邻的尺度作为下帧检测目标时滑动窗口尺度的选取范围;而当跟踪失败时,则选取在TLD算法初始化阶段,根据跟踪目标及视频图像大小选定的尺度来保障长时间跟踪目标,从而有效减少了平均每帧扫描的窗口数量。实验结果表明,该方法不仅有效地降低了检测模块的检测时间,显著提高了整体算法速度,而且通过动态选取尺度,在一定程度使得TLD各个模块更加协调,跟踪精确度得到提升。     

强背景下模糊闪烁成像目标探测与跟踪

强背景下空中运动目标主要表现为边缘残缺、模糊,甚至出现闪烁、间断等复杂成像特性,这成为制约目标探测和成像跟踪的瓶颈问题。结合跟踪过程反馈信息来确定目标点扩展函数,利用一种新的Ben-Ezra图像复原模型,解决了目标运动模糊的图像复原问题;采用基于特征伴随值的相似性判断方法,构造联结机制的联想网络模型,来解决目标闪烁和残缺特征的联想问题。对提出的方法进行了图像序列的仿真,取得了较好的实验结果。     

基于高斯混合概率假设滤波的水下目标跟踪算法

为了解决传统水下目标跟踪中目标数目估计不准确、状态估计误差增长过快的问题,提出了一种基于高斯混合概率假设滤波的水下目标跟踪算法。该算法基于双基地观测模型,采用高斯混合概率假设滤波算法处理方位和时延信息,利用粒子群算法处理多普勒频率获得矢量速度,进一步提升算法的跟踪精度。结果表明,该算法能完成在杂波环境下对目标的跟踪,相比传统的关联算法,能够有效地实现目标个数估计和抑制状态误差增长的目的。     

A novel infrared small moving target detection method based on tracking interest points under complicated background

Infrared moving target detection is an important part of infrared technology. We introduce a novel infrared small moving target detection method based on tracking interest points under complicated background. Firstly, Difference of Gaussians (DOG) filters are used to detect a group of interest points (including the moving targets). Secondly, a sort of small targets tracking method inspired by Human Visual System (HVS) is used to track these interest points for several frames, and then the correlations between interest points in the first frame and the last frame are obtained. Last, a new clustering method named as R-means is proposed to divide these interest points into two groups according to the correlations, one is target points and another is background points. In experimental results, the target-to-clutter ratio (TCR) and the receiver operating characteristics (ROC) curves are computed experimentally to compare the performances of the proposed method and other five sophisticated methods. From the results, the proposed method shows a better discrimination of targets and clutters and has a lower false alarm rate than the existing moving target detection methods.     

基于阈值判断的CamShift目标跟踪算法

针对CamShift算法只利用目标的颜色信息,在跟踪过程中,易受目标相似物、遮挡以及光照等复杂背景影响导致目标搜索窗口发散,跟踪稳定性能降低,提出了一种基于阈值判断的目标跟踪方法。该方法将OTSU法和Snake模型结合,利用OTSU法以最佳阈值对图像进行分割,分离前景区域和背景区域,初步提取目标轮廓作为Snake模型的初始轮廓,经收敛得到目标的精准轮廓,利用轮廓外接最小矩形框内的像素计算目标质心,判断与CamShift算法中目标搜索窗口质心之间的欧式距离,如果未超出阈值,则直接使用CamShift算法跟踪目标,反之,则将计算出的目标质心作为CamShift算法中当前帧目标搜索窗口的质心跟踪目标。实验结果表明,该算法跟踪目标具有较好的实时性,跟踪性能稳定、可靠。