一种基于OpenCV实现的运动目标检测算法的研究

序列图像中的运动目标检测是数字图像处理与识别以及计算机视觉领域研究的主要内容之一,在视觉监控系统、医学图像分析、工业检测以及军事等领域中都有应用。文章重点对运动目标检测的算法进行了讨论,通过分析和比较三种常用运动目标检测的算法,提出了一种使用改进的背景更新算法检测运动目标的方法,并利用Intel公司开发的OpenCV提供的函数库进行测试。结果表明利用该方法可以稳定地提取背景图像,抑制运动目标对背景的干扰,有效地提高了运动目标的检测概率。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法。该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态。Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定。     

基于openCV的视频路径船舶检测与跟踪

通过对船舶运动状态的监测和跟踪,船舶在航行时能够最大程度避免碰撞,同时也能够方便航运管理,极大地提高航行效率。本文从船舶监测和跟踪的具体需求出发,设计基于openCV的船舶路径视频监控系统,能够借助智能识别算法,快速提取出船舶的航行轨迹,并利用运动跟踪算法,提取船舶运动轨迹的特征量,大大提升了检测效果。文中充分利用OpenCV中的有关图像变换函数库,并在Matlab软件中进行船舶运动的仿真对视频路径的目标检测和跟踪性能进行分析。     

基于水声传感器网络的目标纯方位运动分析

研究了基于水声传感器网络的目标纯方位运动分析原理及方法,建立了基于水声传感器网络的目标运动分析模型。在此基础上,讨论了模型中多维非线性估计问题,提出了一种基于传感器网络新的水下目标运动分析方法。该方法采用改进的粒子滤波EKF-PF(扩展卡尔曼-粒子滤波)算法实现,并与传统的扩展卡尔曼滤波(EKF)和粒子滤波(PF)算法进行了比较。通过Monte Carlo仿真分析,表明基于水声传感器网络的目标运动分析方法充分利用了网络的优势和当前测量信息。这种方法对水下目标运动状态估计时,不仅降低了计算量而且表现出较高的估计精度。所得结论为水下传感器网络进行目标被动定位提供了参考。     

基于粒子群优化粒子滤波的声呐目标检测前跟踪

针对传统固定粒子数粒子滤波算法计算量大、复杂环境下声呐微弱目标检测与跟踪鲁棒性不强的问题，提出基于粒子群优化（PSO）算法的粒子滤波检测前跟踪方法（IPSO-PF-TBD）。该算法在滤波预测与步骤更新之间加入PSO算法，结合预测信息和更新完成的粒子分布状态进行优化，将粒子集合转移到后验概率密度较大的区域，并充分利用声呐回波信号中目标粒子的权重信息设置粒子自适应采样策略，通过检测前跟踪（TBD）技术的数据帧间能量累积和目标检测，提高目标检测前跟踪的性能。仿真试验结果表明，提出的检测前跟踪处理方法对低信噪比及快速机动等复杂环境下的目标进行跟踪时，在位置估计精度和误差值方面明显优于粒子滤波（PF）和PSO-PF算法，具有一定研究和应用价值。     

基于UKF和线性优化的改进粒子滤波算法

针对标准粒子滤波算法存在的粒子退化问题,提出了一种改进的粒子滤波算法,该算法将不敏卡尔曼滤波算法（UKF）、线性优化的思想和基本粒子滤波算法相结合,运用不敏卡尔曼滤波算法获得重要性概率密度函数,提高了粒子的使用效率;运用线性优化的思想,保证了所有粒子都以一定的概率对状态估计作出贡献,提高了粒子的多样性。仿真结果表明,改进的算法很好的解决了基本粒子滤波存在的粒子退化问题,具有更高的状态估计精度。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法.该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态.Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定.     

粒子滤波的技术及应用

粒子滤波是一种基于蒙特卡罗模拟和递推贝叶斯估计的滤波方法,在近几年取得很大进展,出现了一些新的算法和应用,在许多领域得到了成功的应用。本文首先介绍了粒子滤波的特征及算法分类,然后对粒子滤波技术进行归纳分析,并给出了粒子滤波的一些典型应用成果,最后指出了粒子滤波的发展方向。     

改进张友正标定法在船舶曲面分段测量装备中的应用

在船舶曲面分段测量装备开发中,以视觉检测中的摄像机标定过程作为研究的对象,分析了开源计算机视觉函数库OpenCV中的摄像机模型,使用张正友基于平面模板的方法进行标定,过程中充分考虑了透镜径向畸变和切向畸变因素的影响。文章在标定之前讨论了摄像机结构参数的设置问题,以期更合理地布置摄像机摆放位置。文中给出了详细的标定步骤,并提出基于多项式拟合的摄像机标定方法。该算法充分发挥了OpenCV函数库的功能,提高了标定精度和计算效率,具有良好的跨平台移植性,可以满足船舶曲面分段测量装备视觉测量的需要。     

基于采样的非线性滤波算法比较

在处理目标跟踪等动态系统实时估计问题中,通常采用EKF作为状态估计方法提高估计精度。由于EKF进行非线性估计存在一些缺陷,将系统进行线性化近似存在估计误差,从而影响目标跟踪的精度。为了获得更高的估计精度,介绍了几种非线性滤波算法,包括unscented卡尔曼滤波算法、简单粒子滤波算法以及无味粒子滤波算法（UPF）。分析了这几种算法的原理和实现,对各种算法的适应性进行了比较。通过目标跟踪仿真实验,表明UKF、PF较EKF估计精度和收敛速度有所提高。     

舰载雷达目标跟踪的非线性滤波仿真

雷达观测模型常常是非线性的,目标跟踪问题是一个非线性状态混合估计.考虑目标稳定跟踪与实时性要求,采用"当前"统计目标运动模型与粒子滤波(PF)非线性方法对雷达机动目标跟踪进行算法分析.仿真验证了"当前"统计模型下的非线性粒子滤波及扩展卡尔曼滤波(EKF)目标跟踪性能,表明非线性粒子滤波,尤其是U变换粒子滤波(UPF)目标跟踪精度和稳定性较好,值得工程应用与推广.     

基于一种改进粒子滤波算法的目标跟踪研究

为了解决非线性、非高斯系统目标跟踪问题,研究了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。并讨论了此算法在机动目标非线性转弯运动中的跟踪应用,与粒子滤波算法相比,其优点是不需要重采样步骤。在闪烁噪声下比较了高斯粒子滤波器、粒子滤波器和扩展卡尔曼滤波器在滤波精度、运算时间等方面的差异,仿真结果表明该算法性能优于其他算法。     

粒子滤波和无轨迹粒子滤波算法比较

解决水下水声目标的定位跟踪问题,需要建立动态的非线性非高斯模型,粒子滤波直接采用未含有最新量测信息的状态转移先验分布函数作为重要性密度函数来逼近后验概率密度函数,无轨迹粒子滤波是在粒子滤波的过程中引入重采样技术,通过无轨迹变换设计重要性密度函数,使其更加接近系统状态后验概率密度。仿真结果表明粒子滤波和无轨迹粒子滤波算法都可以提高定位跟踪精度,但无轨迹粒子滤波算法的估计精度更高,更适用于工程实践。     

基于改进高斯粒子滤波的船舶非线性状态估计

针对标准粒子滤波的粒子贫化问题,提出一种基于改进高斯粒子滤波(Improved Gaussian Particle Filter,IGPF)的船舶非线性状态估计器。首先基于序贯重要性采样(Sequential Important Sampling,SIS)的理论框架,给出标准粒子滤波(Particle Filter,PF)算法,然后在此基础上用高斯分布来作为重要性分布给出高斯粒子滤波(Gaussian Particle Filter,GPF),并将Unscented卡尔曼滤波用于重要性密度函数形成IGPF,应用于动力定位船的状态估计。仿真结果表明,基于IGPF的非线性状态估计器能有效避免粒子贫化、估计船舶状态,并对观测野值有一定的鲁棒性。     

基于均值漂移粒子滤波的目标跟踪算法研究

针对粒子滤波计算量大的问题,将视觉跟踪领域的均值漂移算法（Mean Shift）与粒子滤波（PF）算法相结合,该算法利用均值漂移算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,改善了传统粒子滤波器的退化现象,减少了算法的运行时间,通过被动跟踪仿真实例,同时使用均值漂移粒子滤波与传统粒子滤波进行跟踪仿真,分析了轨迹跟踪性能,利用均方根误差比较了误差性能。仿真结果表明,Mean Shift PF具有更高的跟踪精度,并且运行时间显著减少。     

船舶动力定位系统多模型自适应融合滤波

为了减小波浪高频和环境噪声对船舶运动的影响,解决动力定位系统中的滤波问题,采用一种改进的多模型自适应融合(MMAF)估计算法。MMAF算法运用DGPS和平台罗经建立对地速度基准的研究方法,采用多模型描述系统结构,且每个模型对应不同滤波算法,利用不同滤波器所提供信息的融合,得到有效的船舶位置和首向估计信息。仿真实验表明,与其他方法相比,MMAF的应用使得滤波效果得到提升,性能得到改进。     

一种基于自适应进化策略采样的粒子滤波算法

提出了一种自适应进化策略算法(AES),该算法利用适应度值控制变异步长的自适应调整,从而提高了进化策略的搜索效率和精度。将AES算法和粒子滤波(PF)相结合,提出了基于自适应进化策略采样的粒子滤波算法(AESPF)。该算法将AES应用于粒子重采样,以保证粒子的有效性和多样性。通过仿真计算表明,提出的算法可以有效提高滤波性能。     

基于反馈粒子滤波的船舶模型参数辨识

[目的]近年来,随着船舶朝着大型化、高速化、智能化的方向发展,船舶动力定位技术显得尤为重要。为了在动力定位系统中建立运动数学模型,需要确定模型中各参数的值。[方法]首先,以一艘挖泥船为研究对象,建立船舶运动数学模型,并分离出纵荡运动模型以及横荡与艏摇运动模型;然后,基于系统辨识理论和反馈粒子滤波算法辨识模型中的未知参数,包括2个主推进器和1个侧推进器的推力系数;最后,进行仿真实验,求得待辨识的参数值。[结果]通过与扩展卡尔曼算法的比较,显示反馈粒子滤波算法对参数辨识的效果更好,验证了反馈粒子滤波算法的可靠性。[结论]该方法在船舶动力定位系统中具有良好的应用前景。     

基于m-最优的交互粒子PHD多目标跟踪算法研究

针对传统多模型交互粒子PHD滤波算法,聚类估计方法中提取峰值误差较大、求解运算时间较长,估计精度不高等缺点,提出了基于m-最优的交互粒子PHD算法,通过删减各时刻低似然值,保留m个最优值用于量测的更新,形成最优粒子,最终所形成的用于目标状态估计的聚类.     

云平台和神经网络的舰船目标检测

为了解决当前舰船目标检测过程中存在的检测误差、检测实时性差的缺点,设计了一种云平台和神经网络的舰船目标检测方法。首先采用混合高斯模型对舰船目标所在区域进行获取,然后采用粒子滤波算法对舰船目标进行跟踪和检测,并采用神经网络对舰船目标粒子滤波算法的权值进行优化和更新操作,解决粒子滤波算法的缺陷,最后基于云平台对舰船目标检测方法进行了设计,并进行了舰船目标检测仿真模拟实验。结果表明,本文方法可以对各种环境中的舰船目标进行准确的检测,提高了舰船目标检测的鲁棒性,而且舰船目标检测实时性也得到了明显的改善,克服了当前舰船目标检测方法存在的缺陷,是一种有效的舰船目标检测方法。