基于机动频率自适应的目标跟踪算法

利用观测新息在目标机动时发生变化的信息，设计了一种自适应的机动目标跟踪算法，通过对目标状态误差的估计，从而自适应的改变机动频率，使跟踪算法与目标的真实状态更接近，该算法具有运算量小、跟踪精度高、易于工程化实现的特点。     

机动目标跟踪中机动频率的自适应调整

研究机动目标跟踪过程中机动频率的自适应调整方法,使其值更加符合目标的实际机动状况.根据卡尔曼滤波残差是否符合零均值正态分布,判断目标机动频率是否发生改变,并采用简化的最小均方误差(LMS)算法对机动频率加以自适应调整.仿真实验表明,通过对频率自适应调整,使机动目标的位置、速度估计误差明显减小.     

估计同步电机不可测状态量的自适应观察器

提出了一种新的适用于工程的自适应观察器的设计方法。该观察器以可测状态量作为输入，能输出不可测状态量。设计中采用互相关分析确定观察器的阶次，然后以多输入多输出最小二乘法递推出观察器参数。输入基矢量的正确选择，保证了观察器对任意输入的适用；互相关函数分析保证了观察器模型阶次的正确选定；所推导的算法足以保证观察器参数的一致收敛性。以同步电机为例，在微型计算机上进行仿真计算，仿真结果证明了本观察器设计方法的有效性。本观察器可用于同步电机参数自适应辨识中。     

基于输入估计的机动目标跟踪方法

机动目标跟踪方法有变维滤波、输入估计和交互式多模等方法。由于输入估计法采用常速模型作为状态方程对目标进行滤波跟踪,避免了模型集设计而成为研究的热点,但传统输入估计方法跟踪机动目标时存在机动检测时延较长和估计精度不高的缺点。针对这些问题,对输入估计算法进行了改进。采用变检测窗长度提高机动检测的响应速度,通过对检测窗内信息序列的修正显著提高了估计精度。仿真结果表明所提出的算法比原有算法的跟踪性能有显著提高,且对加速度随时间变化的机动也有一定的跟踪性能。     

考虑目标航向机动信息的机动目标跟踪算法

传统的机动目标跟踪算法大多过于依赖所采用的目标运动模型,没有充分利用目标量测序列中携带的其它有用信息,当目标机动时跟踪性能下降较大。针对该问题,提出了利用目标航向机动序列修正传统跟踪算法滤波值的新算法。仿真结果表明,该算法比传统跟踪算法的跟踪精度高,是一种简单有效的自适应机动目标跟踪算法。     

用于状态估计的自适应粒子滤波

分析了粒子滤波的性能关键,提出了一种新的自适应粒子滤波算法．该算法采用一种新提议分布,即将UKF（Unscented Kalman Filter）与自适应强跟踪滤波器（STF）相结合．新提议分布通过UKF构造粒子群,而粒子群中的每个粒子中的每个sigma点用STF来更新,它可以在线调节因子而使得算法自适应．非线性状态估计仿真试验证实了改进的粒子滤波算法的有效性．     

基于模糊神经网络融合的目标自适应跟踪算法

为解决基于“当前”统计模型的自适应滤波器对弱机动,特别是非机动目标跟踪精度下降问题,提出基于模糊神经网络的目标自适应跟踪算法,对并行工作的两滤波器进行数据融合.仿真结果表明:与一般自适应算法相比,该算法对各种机动程度的目标跟踪精度均有不同程度的提高,能更好地适应目标的各种运动形式,尤其适用于对目标的速度和加速度估计精度要求较高的场合,在指控、火控系统中具有实用价值.     

一种基于改进的“当前”统计模型自适应跟踪算法

针对工程应用中"当前"统计模型对机动频率和最大加速度经验值依赖过大,难以根据目标的加速度变化进行实时动态调整优化的问题;以及标准"当前"统计模型在跟踪非机动或弱机动目标时,精度不高的问题,在分析机动频率物理含义及其与加速度变化关系、卡尔曼滤波的新息与加速度方差关系的基础上,提出了一种高效的机动频率和加速度方差双变量自适应算法。仿真结果表明该算法能够很好地自适应目标的加速度变化;并能有效提高跟踪精度,大大提高了对非机动或弱机动目标的跟踪精度。     

机动目标跟踪的自适应混合多模算法

本文介绍了用于机动目标跟踪的自适应混合多模算法。这个算法不需要预先定义模型,它利用一个二级卡尔曼滤波器来估计目标的加速度,这个加速度被用于混合多模算法中具有不同确定性加速度的子滤波器中。文中给出了自适应混合多模糊算法的一个计算机模拟结果并和无自适应混合多模算法的结果进行了比较。     

双光斑交叉目标跟踪方法研究

为了解决交叉目标跟踪中相关系数矩阵的多峰性引起的目标模糊对应问题，提高状态估计的精度，提出了一种通过估计双光斑交叉目标形状参数来辨别目标，进而完成目标状态估计的方法─ＯＤＡＭＣＦ（ＯｐｔｉｍａｌＤａｔａＡｓｓｏｃｉａｔｉｏｎＭｅｒｇｅｄ－ｍｅａｓｕｒｅｒｎｅｎｔＣｏｕｐｌｅｄＦｉｌｔｅｒ）算法。实验表明，对于像喷气式发动机或导弹尾焰产生的红外高斯图像，形状参数估计的结果是精确的，能较有效地解决目标的模糊对应问题，提高了目标状态估计的精度；     

基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法

针对复杂环境下雷达目标跟踪系统易受外界干扰引入噪声污染分布问题,为了保证系统实时可靠,提出了一种基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法(innovation-based adaptive extended Kalman filter, IAEKF)。通过建立系统新息统计特性,构造系统与量测噪声函数,将新息协方差直接引入滤波器增益矩阵计算,在不增加计算代价的同时,改善算法的自适应性。仿真实验表明,在雷达测量系统受时变噪声污染分布影响下,IAEKF算法相比EKF算法跟踪精度高,算法可行且有效,具有一定的工程研究价值。     

用自适应扩展卡尔曼滤波跟踪水下目标的算法研究

针对短基线声纳系统跟踪水下目标的问题,建立了状态方程和观测方程,提出了一种自适应扩展卡尔曼滤波的跟踪算法,该算法包含八个基本步骤。将声波传输时延转换为水下目标的距离,用卡尔曼滤波的方法对数据中的噪声进行滤波。对目标的匀速航行和机动航行进行了仿真实验,实验结果表明了该算法的正确性和有效性。最后将该算法用于水下目标的实测数据,收到了良好的效果。     

State Bounding 跟踪机动目标研究

提出一种用 State Bounding估计跟踪机动目标的算法。用预测集、观测集中心距检测目标机动 ,修正系统噪声集尺寸适应目标机动 ,很好地解决了用 state Bounding估计跟踪机动目标问题。模拟结果表明本算法与相应的 kalman滤波器的性能相比 ,有较好地机动目标跟踪能力     

宽带模糊函数的一种最优的目标参数估算算法

首先讨论了在开阔海洋环境中对目标的和参数估计问题。再提交了一种搜索宽带模糊函数峰值的高效算法。在噪声环境中,利用最大似然性对宽带模糊函数进行峰值能使算法的性能被进一步改进。由于最大似然时延估计器明最好的误差性能,从这种意义上来说,在同类的时延估计器中,它是一种最优的估计器。这已经被我们用仿真模拟所证实。基于以上两种方法,最后提出了一种高效和最优的目标参数估算算法。     

模板匹配方法在高速目标跟踪中的应用

提出了一种用于高速目标跟踪的快速识别算法.根据图像目标与背景的特点,摒弃传统的逐点扫描方法,设计了一种"十字"匹配模板,根据待识别区域与"十字"模板的灰度差进行目标识别;为了提高识别速度,对目标图像进行二值化处理,采用逻辑运算获得模板与目标的相似性测度,通过相似性测度与阈值的比较,进行遍历点的跳跃.仿真结果表明,该算法大大提高了识别速度,实现了对高速摄像机拍摄角度的控制,进而对目标进行实时跟踪.     

一种长宽比自适应变化的目标尺度估计算法

针对视觉跟踪中由于尺度变化、遮挡等复杂场景造成的跟踪失败问题,提出一种尺度长宽比自适应变化的目标尺度估计算法.该算法采用35×35个尺度因子来实现对目标的长宽比估计,为了降低运算量,通过分层尺度估计对二维尺度采样因子进行选择,既确定了目标的最佳尺度,又提高了算法的运行速度;为了进一步提高跟踪算法的鲁棒性,使用相邻两帧之间响应向量的欧式距离作为评判模板是否更新的标准.将尺度估计和模板更新模块引入到目前3种性能出色的相关滤波算法DSST、HCF和OSA中,进行仿真验证.实验结果表明,与原始算法相比,引入模块的新算法在跟踪成功率和精度上均有显著提高,在OTB100数据集上,成功率与3种原始算法相比,分别提高了1.3％、1.4％ 和1.4％,精度分别提高了1.2％、1.3％ 和1.0％,尤其在尺度变化、目标遮挡等复杂场景下具有明显的优势.     

一种强机动目标自适应跟踪算法

针对强机动目标跟踪精度不高的问题,提出了一种强机动目标自适应跟踪算法(HMIMM-CV/CAT)。首先通过机动检测区别目标的机动性能,分别应用Kalman滤波和交互多模算法对目标进行跟踪。其次对机动段交互多模算法,给出一组转弯模型离散模型集,在目标机动时通过角速度估计在离散模型集中遴选出一个最匹配的模型参加交互计算,使模型更加逼近目标真实运动模式,且不增加参与交互运算模型数量。蒙特卡罗仿真结果表明,该算法与几种类似算法相比,更加适用于强机动目标。     

一种改进的颜色粒子滤波目标跟踪算法

为实现运动目标精确跟踪,克服跟踪过程中目标的非线性运动以及由目标形变、遮挡和光照等因素带来的影响,本文提出了一种改进的颜色粒子滤波方法. 算法从提高目标模型描述能力入手,首先对直方图加权函数进行了改进,使模型对区域特征描述更加合理;然后针对颜色直方图特征对光照明敏感、易受环境干扰等缺点,将目标由颜色特征空间映射到对光照稳定、抗几何失真能力强的局部熵特征空间,构建了颜色局部熵观测模型;同时设计了目标模板的自适应更新策略,当目标受到严重干扰的时候动态调节粒子数目. 实验结果表明相比传统的颜色粒子滤波算法,本文算法具有更好的鲁棒性,能够在存在遮挡、光照变化、非线性运动等情况下实现稳定跟踪.