基于双重采样粒子滤波的目标轨迹跟踪研究

为保证对目标轨迹跟踪的实时性,提高其精度,提出双重采样粒子滤波模型。首先,利用粒子聚合技术对状态空间的粒子权值进行加权平均处理,形成聚合粒子,使得粒子在状态空间内分布更为合理。然后,利用线性优化方法重新产生新的粒子,优化粒子在状态空间的分布特性,增加粒子的多样性,提高算法的精确性。经仿真验证,本文提出的算法较准确,鲁棒性也较高。     

基于粒子滤波的约束目标被动跟踪研究

为提高约束条件下的二维机动目标被动跟踪性能,提出了一种约束下的粒子滤波方法(CPF).使用转弯率概念建立了被动跟踪模型,阐述了非线性粒子滤波的基本过程;通过设定地域和机动性能约束条件,抛弃约束外粒子,并对粒子分布和权重进行调整;利用CPF进行了目标跟踪仿真实验,与无约束的粒子滤波跟踪进行了对比,分析了轨迹跟踪性能,比较了跟踪误差.仿真结果表明,CPF能够稳定跟踪,并且具有更高的跟踪精度.     

一种基于粒子滤波的自适应相关跟踪算法

相关跟踪是最常见的一种目标跟踪方法,但传统相关跟踪采取的“峰值”跟踪方法抛弃了所有小于峰值点相关值的位置点的信息,不够稳健,受遮挡影响大,并且很难求解相关模板的仿射变形参数。提出了一种改进的非线性相关跟踪算法,以改进的灰度模板作为目标表示方式,粒子的权值与相关值成比例,目标状态的后验概率由粒子加权表示。模板更新时根据粒子权值进行自适应调节,对所有粒子所在位置的区域进行加权更新,权值大的粒子具有更高的更新系数,避免了仅利用单一峰值点处的模板进行更新可能造成的误差累计。该算法大大提高了跟踪与模板更新的鲁棒性,同时也是一种在仿射空间进行运动参数搜索的实用方法。     

基于多模型和辅助粒子滤波的机动目标跟踪算法研究

机动目标跟踪的本质是随机动态混合系统中的状态估计问题,其难点在于每一时刻运动模式的高度不确定性.在实际问题中,系统状态往往还呈现非线性、非高斯、不完全观测的特点.文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的机动目标跟踪算法——MM APF.仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在计算量相当的情况下,具有更高的滤波精度和较好的稳定性.     

一种基于粒子滤波的分布式跟踪算法

在多平台协同作战中,由于通信时间的延迟,常常出现各传感器量测不能按照正常时序发送到数据融合中心处理的情形.为解决协同作战系统无序量测的滤波问题,同时提高其目标跟踪的性能和降低系统的算法存储量,提出了一种Unscented粒子滤波算法.该算法估计精度高、计算量和存储量较小、输出无延迟.仿真结果表明,该算法同其他滤波算法相比,提高了跟踪精度,较好地解决了时间延迟的问题.     

基于粒子滤波联合算法的地磁室内定位

室内地磁场受钢结构与其它铁磁材料的影响,造成磁场区域局部异常,使室内地磁场具有特异性. 受益于此种现象,室内地磁定位技术得以实现. 然而在大型建筑中地磁场的特异性会减弱,这导致定位结果出现模糊现象. 针对这一现象,文中提出了基于路径匹配的室内地磁定位技术,通过增加匹配特征数量来解决此问题. 使用基于动态时间规整（dynamic time warp,DTW）算法与粒子滤波（particle filter,PF）算法的新型联合算法,并以路径匹配的模式对目标进行追踪. 在匹配过程中又通过计算斯皮尔曼等级（Spearman）相关系数确定路径之间的相似度,使之作为辅助定位. 最后用装载了磁传感器的测量机器人进行实验验证,结果表明:路径匹配具有足够的地磁特征数量,能够解决特异性减弱情况下定位结果模糊现象,且定位精度优于1 m.      

基于粒子滤波算法信息融合的磁悬浮列车定位研究

为提高磁悬浮列车的行车安全和效率,采用多传感器信息融合技术对中低速磁悬浮列车进行测速定位,以交叉感应回线测速定位和雷达传感器对进行相对定位,以查询应答器来实现绝对定位。利用粒子滤波算法对中低速磁悬浮列车测速定位的精度和可靠性进行分析,并用MATLAB仿真进行验证,证明该融合结构和融合算法能够提高列车的定位精度。     

基于双目视觉系统的运动目标跟踪算法研究

双目视觉系统能有效获取运动目标的三维信息，实现对运动目标的准确实时定位追踪，一直以来，都是学术界和工业界长期关注的焦点．本文对双目视觉系统组成部分的相关研究进展进行了系统分析，论述了现有的相关算法和基本机制．同时，结合当前稀疏表示的快速发展，阐述了稀疏表示在运动目标跟踪方面发展的可能性，对该领域有待进一步的研究方向和可能的解决方案给出一些建议．     

基于SPN-PF模型的行人跟踪算法改进

结合粒子滤波和神经网络方法提出了一种新的自适应的行人跟踪改进算法.根据行人跟踪经常出现的遮挡,失跟,误跟等问题,提出了一个SPN-PF模型,通过Sigma-Pi网络将行人的多个特征联系在一起,经过学习和计算,进一步讲结果运用到粒子滤波方法中,从而达到可靠准确的跟踪行人目标的目的.实验结果表示该文提出的方法能够更准确的对行人进行跟踪.     

基于均值平移和自适应预测的运动目标跟踪

针对运动目标跟踪算法不足之处,提出结合改进的均值平移与自适应预测的目标跟踪算法,基于Bhattacharyya系数值进行Kalman滤波器与粒子滤波器之间的切换.引入Kalman滤波器为Mean Shift算法估计初始点,在跟踪稳定的情况下进行模板更新,根据Kalman残差大小判定是否发生遮挡：部分遮挡情况下即结合Kalman滤波器实现对快速运动目标的实时跟踪;完全遮挡情况下结合均值平移和粒子滤波进行鲁棒跟踪.实验证明,改进的算法可以有效地提高跟踪算法的效率,并且能很好地解决遮挡问题.     

基于联合粒子滤波的系统误差修正方法

在非线性滤波系统中,线性化误差和系统误差是影响滤波精度的两个主要因素.提出联合粒子滤波方法,在减少线性化误差的同时,能够实时估计系统误差的大小并自适应地消除其影响.说话人跟踪仿真实验结果验证了此方法的有效性.     

基于UKF滤波的水下目标被动跟踪研究

传统算法在解决目标被动跟踪时存在有偏、收敛速度慢或发散等不足,文中将无迹卡尔曼滤波(UKF)算法应用到目标的被动跟踪.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.根据UT变换的基本原理给出了滤波过程的具体计算步骤并进行了仿真计算.理论分析和仿真结果表明,UKF算法的性能相当于二阶高斯滤波器,UKF算法在目标被动跟踪中的滤波精度、稳定性和收敛时间都优于EKF算法.     

基于联合粒子滤波的系统误差修正方法

在非线性滤波系统中,线性化误差和系统误差是影响滤波精度的两个主要因素.提出联合粒子滤波方法,在减少线性化误差的同时,能够实时估计系统误差的大小并自适应地消除其影响.说话人跟踪仿真实验结果验证了此方法的有效性.     

纯方位被动目标运动分析的衰减记忆卡尔曼滤波算法

针对纯方位被动目标跟踪中扩展卡尔曼滤波器容易发散，从而导致滤波精度差而且收敛速度慢的问题，文中将水下纯方位被动目标运动分析中的扩展卡尔曼滤波算法改进为衰减记忆卡尔曼滤波算法．通过对当前测量数据的利用，减小了历史数据对滤波的影响程度．对比仿真分析表明，滤波效果有所改善，提高了精度和收敛速度．