基于方向可调滤波器的含噪图像融合算法

提出了一种基于方向可调滤波器的图像消噪及融合算法,即使用方向可调滤波器及其Hilbert变换组成的正交滤波器组,分析两幅已配准源图的主要方向及局部方向能量,根据噪声点所具有的奇异性、无方向性,从而检测出图像噪声点,并运用局部中值滤波方法消噪;对于源图中的特征,采用局部方向能量作为权重进行加权融合。该方法提高信噪比约50％－80％,并能很好地保留和显著增强源图中的有用特征。     

基于多重预设广义频率响应函数模型的故障诊断方法

为了避免在基于非线性谱分析的故障诊断中估计被分析系统当前的广义频率响应函数（GFRF），提出了一种基于多重预设GFRF模型的故障诊断方法。该方法使用不同的预设GFRF模型来表征系统的各种工作模态，并根据各预设模型与系统当前状态的匹配程度来判定系统故障，应用这一方法对实际的车辆减震弹簧的故障进行了诊断，测试结果表明，该方法对于工程应用是可行的，且该方法能避免在线估计GFRF，具有在线计量小、便于用微处理器实现的优点。     

杂波环境下机动输入序列和量测序列的联合最优估计

为了提高在杂波环境下跟踪机动目标的精度,提出了一种新的基于期望极大化（EM）算法的机动目标状态估计方法,首先建立了基于EM算法的最大后验概率意义下的状态估计数学模型,然后采用离散优化技术解决EM算法中的极大化问题,最终确定出作用于系统的实际机动输入序列,同时分离出源于目标的量测序,进而获得对目标状态更精确的估计,它有效地解决了最大后验概率状态估计中的不完全数据问题,Monte-Carlo仿真结果表明,新算法比传统的交互式多模型概率数据关联算法具有更优越的跟踪性能。     

基于局部多结构元素数学形态学的灰度图像边缘检测算法

提出了一种边缘检测算法。该算法在数学形态学的基础上，针对图像中噪声和边缘形态的不同建立了多个结构元件，利用基于视觉模型的边缘阈值选择策略确定灰度图像中梯度变化中的像素点，并对其采用二值形态学的腐蚀操作，选择出图像的边缘，滤除噪声，与传统的形态学方法相比，该算法只对梯度发生变化的像素点进行操作，减少了运算量，得到了与人的主观视觉更为一致的边缘。实验表明，与经典的边缘检测算子相比，该算法不仅具有很好的边缘提取能力，而且具有很强的抗噪能力。     

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

基于模糊聚类的异类多传感器数据关联算法

针对异类传感器观测空间不一致的问题，提出了基于模糊聚类的异类多传感器数据关联算法．该算法首先通过在不同传感器的观测空间上建立多目标运动状态的投影，将多传感器多目标关联问题分解为多个单传感器多目标的关联问题，再对单传感器采用模糊聚类的方法求解关联概率，实现了在密集杂波环境中多目标的数据关联和精确跟踪．该算法降低了多传感器多目标跟踪的复杂性和计算量，有效地解决了异类多传感器可用公共信息少的问题．仿真结果表明，该算法的跟踪误差要小于传统的联合概率数据关联算法，且具有更优越的跟踪性能．     

一种基于分布式融合的多模型图像跟踪系统

设计了一种基于分布式融合的多模型图像跟踪系统。由于图像中噪声的存在、遮挡现象的发生以及被跟踪对象的变形会对某些跟踪算法产生影响 ,因此 ,一个比较理想的跟踪系统应该能够融合这些跟踪算法的优点 ,从而稳定地跟踪目标。本系统采用了 3种跟踪模式 :基于区域的跟踪模式 ;基于B样条主动轮廓的跟踪模式和基于特征点的跟踪模式。利用这 3种模式分别进行跟踪 ,并由基于区域的跟踪模式判定遮挡 ,从而决定将哪些模式的跟踪结果送到融合中心。仿真实验表明 ,这种算法能有效解决遮挡问题 ,并具有较强的鲁棒性。     

异步航迹关联算法与仿真

在分布式多传感多目标信息融合系统中,由于每个局部传感器的采样频率不同以及具有不同的通信延迟,导致送入融合中心的局部航迹往往不是同步的。本文提出一种异步航迹的关联方法,该方法首先基于最小二乘法实现单传感器的时域融合,从而将多传感异步航迹同步化;然后利用网络优化算法,获得相应于每个目标的各个传感器的局部航迹组合。仿真试验表明本文算法在解决异步航迹关联问题的有效性。     

基于多特征融合的运动目标识别

本文基于多特征融合,提出了一种运动目标识别方法。首先通过对运动目标的分割,分析得到各个目标的面积大小、形状复杂度;然后运用模板匹配方法,求得目标的运动速度。对上述特征进行模糊建模,提出相应的模糊规则,并采用模糊神经网络对推理系统的各个参数进行优化,进而识别目标。把这种识别系统用于对道路的监控,从而有效地识别道路中的机动车辆、行人以及摩托车/自行车。仿真试验表明,这种系统具有较强的学习能力以及识别精度。     

闪烁噪声机动目标跟踪的模型集交互跟踪算法

给出了一种量测噪声为闪烁噪声情况下的模型集交互机动目标跟踪算法。在雷达目标跟踪系统中由于目标位置的随机摆动,使得对其位置的量测伴随着闪烁噪声的出现,这种闪烁噪声会对目标跟踪的性能产生很大的影响。本文通过对闪烁噪声的QQplots-分析,利用高斯分布和拉普拉斯分布的合成对其进行建模,在机动目标跟踪中采用两个模型集来处理闪烁噪声的情况,并详细推导了模型集交互时机动目标跟踪算法。最后,通过Monte Carlo的仿真结果表明了该算法的有效性。