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.     

机动目标跟踪的一种新的方差自适应滤波算法

针对"当前"统计模型自适应滤波算法跟踪非机动或弱机动目标时存在跟踪精度不高以及受目标机动加速度极限值先验设置的制约等问题,提出了一种方差自适应滤波算法,该方法利用新息与加速度变化量之间的关系,实现了加速度方差的实时估计和自适应调整,能更好地适应目标非机动和强机动的各种情况,避免了"当前"统计模型在目标非机动或弱机动时加速度方差过大而带来的跟踪精度不高的问题;同时也避免了对目标加速度的极限值设定.理论分析和仿真结果表明,相对于"当前"统计模型,无论是跟踪常速运动目标还是跟踪强机动目标,本算法都具有较高的跟踪精度.仿真结果验证了算法的有效性.     

基于粒子滤波的跟踪算法研究

在非线性条件下,扩展Kalman 滤波（ EKF）的应用最为广泛。但是,由于它采用了Taylor展开的线性变换来近似非线性模型,因而存在计算量大、实时性差、估计精度低等缺点。粒子滤波（ PF）用一些带有权值的随机样本（粒子）来表示所需要的后验概率密度,并通过这些粒子的加权来估计目标运动的状态,从而得到基于物理模型的近似最优数值解,具有精度高、收敛速度快等特点。通过仿真实验将PF与EKF的性能进行了对比,并且研究了噪声协方差与粒子数对PF的影响。 PF与EKF的对比实验结果表明,在强非线性条件下,PF比EKF跟踪精度更高,误差更低。     

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。     

一种机动目标的自适应跟踪算法

通过分析"当前"统计模型采取固定机动加速度最大值在目标跟踪中的不足,引入模糊逻辑技术,提出了一种基于"当前"统计模型的自适应跟踪算法.该算法实现了目标机动加速度最大值随机动特性的自适应调整,从而实现了系统状态噪声方差的自适应调整,提高了系统的跟踪性能.对两种典型的目标机动形式进行了Monte Carlo仿真研究,结果表明了新算法对于解决机动目标跟踪问题的有效性.     

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。     

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.     

一种基于物影匹配算法的道路小目标跟踪方法

针对复杂道路环境下小目标抛洒物难以被检测与跟踪,且落地静止像素易被纳入背景而导致目标丢失等问题,本文提出一种基于物影匹配算法(OSMA)的道路小目标跟踪方法来解决上述问题。首先,采用混合高斯模型对背景进行建模以此获取前景图像,对前景图像采用膨胀、腐蚀等形态学处理;其次,根据道路抛洒物移动时在前景产生独立的物与影双轮廓特征,进行连续帧前景轮廓的物影匹配,并将连续的匹配结果定为疑似抛洒物;最后,采用多帧质心偏移法判断疑似抛洒物是否处于静止状态,并对运动状态中的疑似抛洒物进行位置判定与帧间轮廓匹配,从而实现抛洒物的逐帧跟踪。基于大量实验表明：本文所提出的OSMA与核化相关滤波器(KCF)、辨别尺度空间跟踪器(DSST)、背景感知相关滤波器(BACF)、深度注意力跟踪器(DAT)、视觉跟踪时空变换器(SATRK)等跟踪器相比,准确性更优越,可较好解决道路复杂场景下各类抛洒物的跟踪问题;复杂背景、快速旋转的小目标场景中跟踪表现优异,具有良好的跟踪尺度,实时性满足预期要求。     

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.     

基于等间隔线列阵的水下三维目标跟踪算法

简要介绍了三点垂直线阵被动定位的原理.结合矢量水听器测得的方位角和高低角及到达阵元间的时延差,建立了三维坐标下的状态方程和观测方程.运用扩展卡尔曼滤波算法,研究了该系统的目标运动分析问题.通过蒙特卡洛模拟仿真试验,结果表明上述方法具有较高的定位性能,有较强的使用价值.