机载光电跟踪系统模糊控制的优化设计与仿真

分析了机载光电跟踪系统的构成,并对机载光电跟踪系统的主要组成部分--陀螺稳定平台框架系统设计了基于GA(遗传算法)的模糊控制器,通过遗传算法来优化模糊控制器的规则、参数以及量化因子和比例因子.并对系统进行了详细的仿真研究,仿真结果证明,基于GA的模糊控制器设计获得了良好的控制效果.     

机载光电成像平台的目标自主定位

1概述 机载光电成像平台就是挂装在飞机上,用于对地面目标进行实时侦察、跟踪和测量定位的光电成像设备,具有时效性强、机动灵活等特点. 机载光电成像平台从侦察和测量角度分为2类:侦察平台和侦察测量定位平台.     

基于光电跟踪系统的联合Kalman滤波器算法研究

传统光电跟踪系统中,采用单传感器方式进行目标跟踪存在跟踪不稳定及传感器切换时跟踪精度大幅度下降等问题.利用融合光电跟踪系统多个传感器信息可以提高系统性能的特点,研究了采用联合Kalman滤波器的融合算法.首先对各传感器获取的目标轨迹数据进行局部滤波,然后由全局滤波器对各局部滤波器的目标轨迹估计进行融合处理,得到目标状态估计的更新.实验仿真结果表明,该融合算法实现了目标的稳定跟踪,其跟踪精度高于传统单传感器跟踪模式,并且有效地解决了传感器失效造成的跟踪精度严重下降问题.     

双波段机载光电平台跟踪精度检测装置分析

为保证某型号双波段机载光电平台的可见光电视、红外跟踪测量系统在跟踪精度室内检测过程中能够同时接收目标并可以任意切换,提出了一种可产生双目标的新型检测装置。文中主要分析了机载平台与检测装置之间的空间位置关系和数学模型,描述了检测装置的两个目标在做圆周运动的同时进行同步调整的必要性,并建立了同步调整误差模型。实验表明,当检测装置的两个目标以周期为20 s做匀速圆周运动时,旋转轴均方根误差为1.21″,两轴系同步误差为19.2″,满足机载平台跟踪精度的检测要求。     

机载光电跟踪平台的控制系统设计

传统的PID参数整定方法难以达到光电跟踪系统这种延时小、性能指标高的控制系统要求,为此提出了基于遗传算法的PID控制器参数整定方法.通过系统性能分析,对光电跟踪平台的控制系统进行了设计.最后运用Matlab/Simulink工具箱进行了仿真,仿真结果证明了有关理论的正确性.     

基于鱼群算法的机载光电平台误差分配方法

由于传统误差分配方法效率低,依赖经验反复试凑,难以满足高精度分配的需要。根据机载光电平台目标测量的特点,构建了由大地地理坐标系到光电平台成像系统坐标系的目标测量数学模型,讨论了转换过程中影响精度的主要因素,确定了待分配的目标测量主要误差源,建立了基于蒙特卡罗统计方法的目标测量误差模型。通过将考虑方向性的目标测量误差分配问题转化为无约束的优化问题,运用鱼群算法对满足测量误差总要求的误差源分配方案进行寻优。计算结果表明,本文提出的误差分配方法有效可行,对机载光电平台误差分配具有一定的参考价值。     

模糊控制在机载光电跟踪系统中的应用

简要介绍了模糊控制在机载光电跟踪系统控制器设计中的应用方法、模糊变量的选择及控制规则的设计等,最后用数字仿真验证该方法的有效性。     

先进机载拦截模拟器的目标跟踪

机载跟踪雷达线性评估器的最佳选择是卡尔曼滤波器。此种滤波器可根据所有过去测量结果得出现时目标位置和速度状态矢量的评估,预测未来速度状态,根据现在的所有测量结果,平滑某一先前时间的状态值。最佳线性滤波器最终可提供一个无偏差,变化最小的评估器。通常选择滤波器的限制是处理能力。这些限制使设计者在设计时既要考虑简化结构和降低成本,又要保持滤波器有良好的处理能力。已经研制成功固定参数的线性滤波器,此技术在60年代已成熟,它用在AAIS跟踪系统,克服了输入噪声。     

基于先验模板与更新模板的目标跟踪

目标跟踪是计算机视觉中的一个重要课题.文中提出一种方法,用于解决跟踪过程中由于目标的运动、变形和外貌变化所引起的跟踪困难问题.该方法基于灰度差平方和,通过优化迭代,求解出当前图像中目标的位置,且考虑利用了目标的先验知识,用初始模板和更新模板同时跟踪,再通过选择误差小的结果作为最终的跟踪目标.仿真实验的结果表明,‘该方法对于目标的运动、变形和外貌变化以及遮挡,能更稳定地实现跟踪.     

目标实时跟踪与预测算法研究

实时成像跟踪系统要求对运动目标能够有较快的响应速度,跟踪的响应时间越短,系统的实时性就越好,从而可靠的跟踪系统显得尤为重要。文中在研究了目前常用几种跟踪算法的基础上,提出一种基于目标特征匹配和Kalman预测相结合的跟踪方法,选取目标的灰度直方图信息做为特征匹配模板,使用Kalman滤波器对目标在下一帧图像中可能出现的位置进行预测,在预测范围内进行搜索及模板匹配,实验结果表明,该跟踪算法能够对目标实现稳定可靠的跟踪。     

混合模型的运动目标检测与跟踪算法

针对运动目标检测与跟踪算法计算准确率低、效果差的问题,结合Kalman滤波算法,提出一种基于高斯混合模型的运动目标检测与跟踪算法。对传统的权重更新机制进行改进,以保证背景的持续更新状态。建立高斯混合模型,对运动目标图像进行处理,对图像中的参数信息进行实时更新,在Kalman滤波器的性质影响下进行目标跟踪,将获取的运动目标位置作为信息输入,完成运行并跟踪。在更新的过程中,根据运动目标的状态确定矩阵,目标遮挡也不会影响追踪的效果。结果表明,利用Kalman滤波器对运动目标进行跟踪,可以取得良好的运动目标跟踪效果。     

新的基于Kalman滤波的跟踪方法

模板更新策略是匹配跟踪算法成败的关键,为了提高基于模板匹配跟踪算法的性能,在分析多种模板更新算法的基础上,给出使用Kalman滤波器更新模板的方法。该方法不再将模板图像视为一个整体,而是使用Kalman滤波器对模板图像逐像素点进行更新,以得到自适应和最佳的目标模板图像,使匹配跟踪算法的性能得到很大提高,特别对于目标被遮挡、目标姿态变化以及环境照度变化有很强的适应性。对匹配算法的改进和遮挡的处理使该算法的性能得到进一步提高。实验结果表明该方法行之有效。     

基于光电经纬仪的高精度目标跟踪研究

光电经纬仪作为一种实时监测与自动跟踪的光电测量设备,主要作用是对飞行目标进行跟踪与捕获。随着飞行目标机动性与速度的提高,对光电经纬仪跟踪系统提出更高要求。因此对基于光电经纬仪的高精度目标跟踪进行研究,分析影响光电经纬仪跟踪精度的因素,针对上述原因提出基于光电经纬仪的高精度目标跟踪系统设计,帮助光电经纬仪的目标跟踪精度有效提高。     

光电成像目标检测识别跟踪系统平台建设探索

光电成像目标检测识别与跟踪系统平台是配合学生学习光电图像及光信息处理相关理论知识的一套完整实验系统,是形成“实验教学与科研成果相融合,软件开发与硬件设计相融合,虚拟仿真与工程实践相融合”的三融合教学体系的基础。该平台的建设丰富了本科教学实验的内容,为高素质光电技术人才培养提供实验、实践平台及高质量教学资源,也为构建高水平虚拟仿真实验平台打下夯实的基础。     

基于改进PSO算法的机载光电平台分数阶控制

机载光电平台存在来自于摩擦、质量不平衡、运动耦合和机载环境等干扰,传统的PID控制器控制性能差,抗干扰能力弱。针对这一问题,设计了一种动态性能好、鲁棒性强的分数阶控制器;同时提出一种基于改进速度和惯性权重的粒子群算法整定分数阶控制器的5个参数。仿真实验表明：改进后的粒子群算法拥有更快的收敛速度,求解更加精确;光电平台速度环控制系统超调量降低至0.13%,正弦扰动隔离度较标准算法提高64.06%,响应速度和鲁棒性大大提高。     

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

无人飞行器光电平台及跟踪系统的研究现状

介绍了无人飞行器光电平台的发展历史及应用背景,简要说明了其工作原理和系统组成,分析了该系统的国内外发展现状;对其关键载荷跟踪系统及几个比较典型的、具有先进水平的跟踪系统的项目进行了简要阐述;概括了无人飞行器光电平台及跟踪系统的任务需求及不足之处,并对无人飞行器光电平台及跟踪系统的发展趋势进行了分析.     

机载光电跟踪系统的模糊PID控制

为了提高机载光电跟踪系统的控制性能,提出了一种模糊自适应PID控制算法。首先,针对机载光电跟踪控制系统的特点,建立了被控对象的模型。接着,对机载光电跟踪系统模糊PID控制器的设计进行了详细介绍。最后,利用经典PID控制、模糊控制、模糊PID控制3种算法对机载光电稳定跟踪系统进行仿真比较。仿真结果表明模糊PID控制算法较之前两种算法具有响应快、超调量小、抗干扰能力强、稳态性能好等优点,对机载光电跟踪系统具有较好的控制能力。     

机载光电跟瞄平台的模糊自适应PID跟踪控制

为提高机载光电跟瞄平台的跟踪性能, 将模糊控制与PID控制相结合, 通过改变模糊控制器输入与输出变量的论域, 来提高模糊PID控制器的适应性, 以改善光电跟瞄平台的控制性能。仿真结果表明, 该方法能够减小超调量, 缩短响应时间, 提高控制精度, 具有较好的鲁棒性。     

基于KCF框架的长时间视频目标跟踪算法

针对视频目标跟踪中因遮挡产生的目标丢失后无法重新自动锁定目标的问题,提出了一种能够对视频目标进行长时间跟踪的算法。基于KCF(Kernelized Correlation Filters)算法的框架,增加筛选模块,通过三重分类器的筛选,对目标重新自动锁定。实验结果表明,提出的算法能够实现对目标的稳定跟踪,并且在目标跟丢后自动重新锁定并继续跟踪,实现对目标长时间跟踪的目的。