非高斯噪声背景下计算机视觉目标跟踪方法

针对杂波背景下计算机视觉目标跟踪问题,提出一种非高斯噪声背景下计算机视觉目标跟踪方法.在视频目标运动模型和观测模型的基础上引入了柯西混合噪声模型,对非高斯噪声运动目标的状态进行建模;然后,在传统高斯噪声粒子滤波的框架内给出文中方法的具体实现步骤.针对大面积遮挡和夜晚光照改变的极端情况下对路上行驶的车辆进行实时跟踪实验,结果表明:文中方法明显提升极端杂波环境下的目标运动过程的建模精度,有效提升目标跟踪精度.     

非高斯噪声环境迭代自适应DOA估计的算法

提出一种应用于非高斯噪声环境的迭代自适应(Iterative Adaptive Approach,IAA)波达方向(Direction of Arrival,DOA)估计方法.该方法针对描述非高斯噪声的高斯混合(Gaussian Mixture,GM)模型,给出了通过逐步迭代来估计噪声模型参数,并通过它们来修正信号协方差矩阵的估计,进而将其逆阵作为加权矩阵来进行空间谱估计的方法.仿真结果表明,在非高斯环境下,本文方法有效地提高了迭代自适应DOA估计方法的性能.     

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.     

基于类高斯隶属函数的自适应模糊推理建模研究

由于传统模糊建模方法中模型参数都是根据经验选取的,它对于不同系统的动态跟踪能力不同,泛化能力差。针对常规模糊推理的局限性,提出一种类高斯隶属函数,证明了基于类高斯隶属函数的自适应模糊推理系统以精度逼近任意非线性系统。设计了自适应模糊推理系统的结构和参数调整方案,利用梯度下降算法学习模型中的参数,仿真验证了自适应模糊推理模型的逼近性能。     

一种基于混合高斯模型运动目标检测新算法

针对传统的混合高斯模型算法检测时存在较多噪声的不足,提出了一种基于混合高斯模型与三帧差法相结合的运动目标检测算法。该算法首先分别通过混合高斯模型算法和三帧差法各获得一幅前景图像,然后将两幅图像进行逻辑或运算;再对获得的图像进行自适应中值滤波处理,并利用连通域阈值面积去噪法除去剩余的噪声,最终提取出运动目标。实验仿真结果表明,利用该方法可以有效地提高运动目标的检测率。     

面向连续离散系统的自适应最大相关熵滤波算法

针对目标跟踪中运动模型不精确和测量异常导致的传统滤波算法精度下降问题,提出了一种鲁棒平方根连续-离散自适应最大相关熵容积卡尔曼滤波(RSRCD-AMCCKF)算法。在目标跟踪问题中采用了精度更高的连续-离散时间模型,提高了目标跟踪的解算精度;将加权最小二乘方法与传统最大相关熵准则相结合,得到改进的相关熵代价权函数,之后引入连续-离散时间滤波框架,提高了滤波算法在测量异常情况下的鲁棒性;以高斯核函数作为相关熵的调整因子,依据不同测量环境选择自适应因子,进而对观测噪声的协方差矩阵进行调整。仿真结果表明：与传统算法相比,当测量噪声为高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了38.4%和27.3%;当测量噪声为非高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了23.5%和23.9%;当测量值发生突变时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了12.6%和7.1%。RSRCD-AMCCKF算法在各类测量条件下都具有更高的精度和鲁棒性,更接近目标跟踪的克拉美罗下界,能够较好地实现滤波精度和抗异常测量的统一。     

非高斯条件下基于粒子滤波的目标跟踪

介绍了粒子滤波的基本思想和具体算法实现步骤，在给出的闪烁噪声统计模型基础上，将粒子滤波算法应用在雷达目标跟踪中，解决了闪烁噪声情况下的雷达目标跟踪问题．仿真结果表明，在满足高斯噪声条件下，扩展卡尔曼算法和粒子滤波算法跟踪性能相近，但若考虑雷达的闪烁噪声，则随着闪烁影响增强，扩展卡尔曼算法跟踪性能严重下降，而粒子滤波算法能继续保持较好的跟踪精度．     

高斯与非高斯混合有色噪声中的谐波恢复

提出了一种用于在高斯与非高斯混合有色噪声中进行谐波恢复的新方法。首先利用Hilbert变换将实数观测值变换成复数形式,然后应用一种特殊的高阶累计量识别非高斯噪声的AR参数并对含噪观测值进行预滤波后,再应用基于统计量的方法进行谐波恢复。文中提出的方法能够用来恢复高斯与非高斯混合有色噪声中的一维实数谐波信号,而不用考虑谐波信号是否存在相位耦合和非高斯噪声是否对称分布,仿真实验可以证明。     

基于复高斯混合模型的鲁棒VAD算法

针对语音激活检测的鲁棒性问题,提出在非平稳噪声环境下使用基于复高斯混合模型的鲁棒语音激活检测算法.算法中假设纯净语音谱满足复高斯混合模型,先验信噪比利用预先训练好的复高斯混合模型计算得到.复高斯混合模型的引入一方面提高了语音激活检测的性能,另一方面避免了使用基于最小均方误差语音增强的先验信噪比估计过程.实验中使用NOISEX-92噪声库来验证系统在噪声环境下的性能.结果表明,该种算法在非平稳噪声环境下具有良好的检测性能.     

采用平方根高斯核积分滤波的目标跟踪算法

为进一步提高目标跟踪精度，提出了一种新的平方根高斯核积分滤波算法(SGKQF)。选取比例因子重构高斯-厄米特积分点，利用高斯核构造的线性方程组计算相应权重，从而建立单变量高斯核积分规则；采用张量积方法将其扩展到多变量积分规则，以实现对多维积分的数值近似；将其引入非线性高斯递推滤波框架中，为增强算法的稳定性，在滤波过程中使用协方差的平方根形式，得到SGKQF算法。将所提算法应用于纯方位目标跟踪系统中，仿真结果表明，在选取合适高斯核带宽的条件下，相对于传统GHQF算法，SGKQF对目标位置和速度估计的精度分别提高了8.7%和11.8%,可获得更高的滤波估计精度。     

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法     

非线性非高斯结构系统识别的粒子滤波方法

采用粒子滤波方法（PF方法）在非高斯噪声条件下对非线性系统进行参数识别。传统扩展卡尔曼滤波（EKF）方法具有高斯噪声假设与非线性系统线性化的缺陷,PF方法可以克服EKF方法的缺点;因此在系统识别中具有很强的鲁棒性,更适合进行非线性结构系统参数识别。数值仿真结果发现PF方法的系统识别精度高于EKF方法,证明PF方法在非线性非高斯结构系统识别中的有效性。     

当前统计模型自适应滤波算法改进

由于"当前"统计模型自适应滤波算法对于最大加速度的过分依赖,使其对于弱机动目标并不具有较高的跟踪精度,基于"当前"统计模型自适应滤波算法的研究及目标跟踪性能的分析,提出了将目标的机动状态划分为强机动和弱机动,当目标在作弱机动运动时,可通过修正最大加速度来提高跟踪精度,分别针对常速、常加速、弱变加速三种弱机动情况进行了数学仿真,仿真结果表明,通过修正最大加速度的方法,可使该算法对于弱机动目标的跟踪精度大大提高。     

基于GMM和MRF的自适应阴影检测

运动目标阴影在很大程度上会影响运动目标跟踪、行为识别的正确性和有效性.为此,文中提出了一种基于混合高斯模型和马尔科夫随机场的自适应阴影检测方法.该方法首先对混合高斯模型进行改进,使其可以自适应调整参数学习率以消除浅阴影;然后采用马尔科夫随机场综合邻域的空间依赖性信息进行精确的阴影检测.为了提高基于马尔科夫随机场的阴影检...     

自适应高斯混合模型语音增强方法

语音增强是解决噪声污染的有效方法,它的首要目标是在接收端尽可能从带噪语音中恢复纯净的语音信号．针对噪声环境下的语音增强问题,提出了一种语音增强新方法．该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数．利用这种萎缩函数可以实现对小波系数的修正．仿真实验表明,该算法对于噪声有较好的抑制作用,该算法在主观和客观测试中都具有良好的语音增强效果,可以在语音识别、语音编码中获得应用．     

未知噪声协方差的自适应容积卡尔曼滤波

针对噪声协方差不确定情况下容积卡尔曼滤波解决非线性目标跟踪中存在的问题,提出了一种优化的自适应容积卡尔曼滤波.首先根据新息序列和残差序列导出的线性矩阵方程得到噪声的协方差,基于新息序列与残差序列的相关性,推导出一种新的过程噪声协方差Q估计方法;然后采用残差序列对测量噪声协方差进行估计,利用加权因子将当前的噪声协方差矩阵与估计值组合成为新的测量噪声协方差阵R,有效避免了不准确状态估计的局限性.仿真结果表明:在时变噪声协方差的条件下,所提出的自适应容积卡尔曼算法的跟踪精度明显提高.     

一种去除图像混合噪声的新方法

某一种去噪方法通常只对某一类噪声的滤除较为有效,为了抑制混合噪声,提出一种结合中值滤波与小波去噪的图像去噪算法。该算法首先检测出脉冲噪声点,并采用自适应窗口对脉冲噪声点进行中值滤波处理,然后用基于高斯混合模型的小波去噪法滤除图像中的高斯白噪声。仿真实验表明,对于被高斯、脉冲混合噪声污染的图像,该算法的去噪效果显然比单一的中值滤波和小波去噪法好得多。     

基于扩展观测器的电液负载模拟器自适应鲁棒控制

针对电液负载模拟器中传感器测量噪声干扰和未知的外部扰动引起的跟踪精度不高的问题,提出了一种基于扩展观测器的自适应鲁棒控制器。利用扩展观测器估计系统中未知的模型不确定性并进行补偿,同时,在观测器和控制器的自适应模型补偿器设计中,将实际状态值替换为相应的期望信号值,以减少测量噪声的干扰,控制器和扩展观测器中的系统参数均通过参数自适应得到。利用Lyapunov理论进行了闭环系统的稳定性分析。仿真结果表明,在不存在外部扰动的情况下,所提出的控制器能够达到更高的跟踪精度,而在存在外部扰动的情况下,所提出的控制器不仅保持了良好的跟踪性能,同时具有较强的鲁棒性。     

基于BCRLS-AEKF的锂离子电池荷电状态估计及硬件在环验证

研究有色噪声下的锂离子电池参数辨识与荷电状态（SOC）估计,并进行硬件在环实验验证.在动力电池模型的参数辨识过程中,利用带遗忘因子的偏差补偿递推最小二乘法进行偏差补偿,提高了有色噪声数据的参数辨识精度.在此基础上,利用自适应扩展卡尔曼算法进行SOC估计,使得滤波算法中的估计结果可以随着噪声统计特性的变化而自适应更新,实现了模型参数和电池状态的联合估计.最后,借助BMS测试系统模拟电池电压电流信息输出,完成了硬件在环实验以验证所提出的方法.实验结果表明,利用所提出算法估计得到的电池端电压和SOC误差分别小于10 mV和0.5%.