多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

一种基于雷达和红外的粒子滤波融合跟踪方法

针对Kalman滤波不能处理雷达与红外传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.该算法通过利用量测方程的非线性分析和粒子滤波器计算状态估计值,从而以线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度,同时减小了计算量.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

基于CRPF的MIMO雷达目标检测前跟踪算法

在对机动弱目标进行检测过程中,由于回波信号含有杂波、干扰等噪声,其统计特性未知,难以对回波信号进行数学建模,无法得到后验概率密度函数,传统的粒子滤波算法性能大幅下降.针对此问题,提出了基于代价参考粒子滤波的MIMO雷达目标检测前跟踪算法.该算法无需背景噪声的统计特性,只需利用目标状态的估计值与真实值之间的差值计算各粒子的代价和权值,避免了通过对噪声进行建模来求得后验概率密度的问题.实验仿真证明,当噪声统计特性未知时,所提算法检测跟踪性能明显优于传统粒子滤波算法.     

一种分解式模糊聚类粒子滤波的WSN多目标跟踪方法

针对无线传感器网络环境下的多目标跟踪时近相距和轨迹交叉目标容易出现目标丢失和跟踪混淆的问题,提出一种分解式模糊聚类粒子滤波(DFCM—RPF)的多目标跟踪方法。把多传感器数据融合和多目标跟踪问题分解为单传感器数据融合和单目标跟踪问题,先对传感器节点量测用基于跟踪门限算法去除杂波,在各传感器节点的观测空间分别建立模糊聚类算法进行数据关联并最优融合,然后用正则化粒子滤波预测目标状态。仿真表明,DFCM—RPF算法与原FCM多目标跟踪方法相比,航迹关联正确率由85%提高到100%,目标预测位置的RMSE由4.437 7 m下降到1.307 3 m,DFCM—RPF算法体现了较好的跟踪性能,并集数据关联、数据融合和目标跟踪于一体,大大降低WSN多目标跟踪问题的复杂性和计算量。     

一种考虑站址误差的抗欺骗式假目标方法

针对现有数据融合算法中,组网雷达各节点雷达忽略自身站址误差而导致抗干扰性能降低的问题,提出一种考虑站址误差的抗欺骗式假目标方法。首先,通过增加量测过程中可能产生的各节点雷达的站址误差变量,改进融合算法的误差协方差矩阵;然后,利用改进后的算法计算各节点雷达对应量测目标之间的马氏距离,判断目标的空间相关性;最后,利用空间相关性的差异,对真假目标进行有效鉴别。仿真结果表明:该方法能够将组网雷达对真目标检测概率稳定在99%以上;在站址误差为60m的条件下,组网雷达对假目标的虚警概率可降低10%以上。     

雷达多目标交叉轨迹跟踪算法

针对雷达跟踪系统中的多目标运动情况,以及目标轨迹交叉重叠导致的目标丢失或跟踪错误等问题,将多目标联合状态下的加权重采样思想引入到标准粒子滤波算法中.对基本粒子滤波算法进行优化,使用离散随机变量模拟目标后验概率,存在多个目标时引入联合状态概念,用关联函数把多个目标的状态变量和观测变量表示出来,把联合状态下的采样数据加入跟踪粒子的权值更新过程,使得粒子能够根据目标间的状态变化准确预测各个目标的后验分布,从而更新目标运动估计值,避免下一时刻粒子采样分布错误.联合加权重采样优化后的粒子能够准确跟踪目标运动,粒子预测和更新也不受目标交叉运动影响,克服跟踪不稳定或跟踪误差较大的问题.仿真结果表明,改进的粒子滤波算法能够达到正确跟踪多个目标的效果,并且目标轨迹交叉时仍然能够保持较高的跟踪精确度.     

融合视觉与雷达数据的改进粒子滤波车辆目标跟踪

针对视觉跟踪中由于尺寸变化累积误差导致目标丢失的问题,提出一种融合视觉与毫米波雷达数据的改进粒子滤波车辆跟踪算法。首先,引入遗传算法改善标准粒子滤波中的粒子退化与粒子衰退问题,根据退化程度计算动态自适应的遗传交叉概率,并利用高斯分布替代平均分布计算种群适应度。然后,将图像HSV直方图特征与改进粒子滤波算法结合,实现车辆多目标跟踪。最后,通过雷达目标投影点与视觉跟踪框的位置关系实现关联匹配,利用深度信息修正跟踪框的位置与尺寸。实验结果表明,相对于标准粒子滤波,改进的粒子滤波算法可以使平均跟踪准确率与精度分别提高22.1%与21.1%。相对于仅采用视觉跟踪,融合雷达数据的跟踪算法能够使车辆目标跟踪精度再次提高9.2%。     

鲁棒容错滤波算法及在MEMS_SINS/GPS中的应用

针对MEMS_SINS/GPS组合导航系统中,GPS量测输出信息中常含有故障信号的问题,提出一种鲁棒容错滤波算法.将GPS量测输出中可能含有的故障信号扩充为系统的状态,通过鲁棒滤波算法在线实时估计出来,并对系统进行补偿,达到容错的目的.用MEMS_SINS/GPS组合导航系统中得到的实验数据对该算法进行离线仿真验证.结果表明,该算法能有效降低GPS中故障信号的不利影响,使系统在此期间仍能工作在正常范围内.     

认知雷达波形和检测门限自适应跟踪算法

为有效改善杂波背景下雷达目标跟踪中的不确定性问题,提出一种基于认知雷达的波形和检测门限联合自适应跟踪算法。首先,给出雷达目标跟踪的信息熵不确定模型,提出用滤波误差协方差的行列式来描述目标状态跟踪的不确定性;然后,基于时延-多普勒分辨单元理论,给出单个高斯线性调频脉冲包含波形和虚警概率参数的量测误差协方差的近似表达式;最后,受人类"感知-行动"循环机制启发,设计出基于信息熵最小为代价函数的自适应波形和检测门限跟踪算法。仿真结果表明,所提出的联合自适应算法的信息熵比目标跟踪的不确定性传统算法可减少30%以上,总体跟踪性能得到明显改善。     

基于修正扩展卡尔曼序贯滤波的信息融合算法

针对基于扩展卡尔曼滤波的融合算法存在滤波精度不高的问题,将修正扩展卡尔曼滤波算法与集中式序贯融合算法相结合,用于毫米波雷达和红外传感器目标融合跟踪。即先对毫米波雷达进行修正扩展卡尔曼滤波,再将滤波结果与红外传感器进行融合滤波。仿真结果表明该算法能够提高对机动目标的跟踪精度,增强跟踪系统对环境变化的适应能力。     

主被动雷达分层融合机动目标跟踪仿真研究

以目标跟踪为主要目的,对主被动雷达基于改进算法的分布式分层融合进行了仿真研究。仿真研究验证了基于固定指数加权模糊自适应EKF滤波算法的主被动雷达分层融合系统,能够显著提高目标跟踪精度且稳定性好。同时验证了分布式分层融合跟踪性能,明显优越于分布式平均加权融合方法。     

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。     

基于球面单径容积准则的多雷达分布式再入目标实时跟踪算法

针对多雷达对再入目标的实时跟踪问题,提出一种基于球面单径容积准则的分布式容积卡尔曼滤波算法。首先,利用球面单径容积准则近似计算非线性高斯权重积分,然后由统计线性误差传播方法等价表示滤波过程中的互协方差矩阵;最后通过一致性算法将单雷达容积卡尔曼滤波器所得时间更新结果与邻居雷达间进行信息交互与一致化处理,得到分布式球面单径容积卡尔曼滤波算法。该算法提高了再入弹道目标跟踪精度;无信息融合中心的通信拓扑结构降低了雷达间的通信量与计算量,提高了整个系统的生存能力。数值仿真结果验证了算法的有效性。     

基于自适应DBSCAN的雷达目标跟踪算法

直接对三坐标航管一次雷达点迹录取器中录取到的点迹进行航迹起始、跟踪等处理后,会形成大量虚警,运算量大。进行目标跟踪时,候选点迹集合数量庞大是造成目标跟踪过程运算量大的主要原因。文中基于动态自适应DBSCAN聚类算法,结合经典卡尔曼滤波跟踪算法,提出了动态自适应DBSCAN聚类跟踪混合算法,来减少候选点迹集合数量。实验结果证明,本文提出的算法实现了无效点迹数的减少、航迹质量的提高以及运算时间的下降。通过动态自适应DBSCAN聚类跟踪混合算法,能迅速跟踪到三坐标航管一次雷达探测到的目标并形成目标航迹,可以及时发现黑飞目标,将对正常民航飞机飞行的干扰降到最低。     

采用互补特征的核相关滤波目标跟踪算法

为了改善跟踪算法的性能,提出一种自适应加权的融合颜色特征和方向梯度直方图(HOG)特征的多核多通道的相关滤波跟踪算法.针对核相关滤波算法特征单一的问题,采用互补特征核空间描述目标,并根据互补特征响应值的大小,自适应为互补特征核空间分配权重、更新模型,提高算法的鲁棒性.实验结果表明:所提出的算法不仅能在一定程度上处理目标外观变化问题,而且完全满足跟踪场景的实时需求.