WGS-84坐标系下多空基无源传感器最大似然配准

相比多运动平台有源传感器配准或异质传感器配准问题,多平台无源传感器的配准由于无距离信息将更为复杂,鲜有相关研究。为此,首先构建了WGS-84坐标系下有偏无源观测模型,然后将最大似然配准(maximum likelihood registration, MLR)算法扩展到空基多运动平台无源传感器的配准。运用复合函数求导链式法则,推导出应用MLR算法时至为关键的传感器观测量对目标状态的雅克比矩阵。为计算该矩阵,研究了WGS-84坐标系下两平台利用仅角度观测对目标的无源定位问题。理论和仿真结果表明该方法可实现无源传感器配准,配准误差逼近其Cramer-Rao界,验证了该方法的有效性。     

多星载光学传感器系统误差极大似然配准算法

针对低轨星座协同探测弹道目标过程中存在系统误差的问题,提出多星载光学传感器系统误差极大似然配准（maximum likehood registration,MLR）算法。通过一阶Taylor近似对非线性量测转换线性化,推导出目标状态的误差协方差与卫星轨道定向、姿态角测量和传感器测量等随机误差的关系,并基于视线交叉获得观测在状态空间中的近似投影,从而将MLR算法扩展到低轨星座多光学传感器的误差配准。通过引入各类测量误差的先验信息对目标状态的误差协方差进行修正,利用期望极大化迭代,实现了对系统误差的无偏有效估计及目标轨迹的融合估计。仿真验证了所提算法的有效性,且配准性能优越。     

一种新的地心地固坐标系传感器配准算法

针对多传感器系统进行数据融合的需要,提出了一种新的地心地固坐标系下传感器的配准算法,充分考虑了地球曲率对配准算法本身的影响,当传感器之间相距很远时仍然适用。新算法将传感器配准问题表述成一个关于传感器测量的最小二乘判决函数,然后首次引入Levenberg-Marquarat算法来对其进行优化。最后通过仿真试验对新算法的性能进行了评估,结果说明新的算法对于不同数目的测量值具有良好的一致性。     

基于传感器网络的气体源定位方法研究

提出一种分层结构的自组织无线传感器网络(WSN)用于气体污染源的定位研究,可以广泛应用于反恐、环境监控等场景。在修正的气体污染源浓度衰减模型基础上,提出一种改进的非线性最小二乘算法(I-NLS)以及极大似然算法(MLE)用于气体污染源定位。仿真试验对比研究了两种算法在不同的传感器节点以及背景噪声情况下对预估定位误差的影响。试验结果表明了这种分层结构的WSN用于气体污染源定位是可行的,同时验证了I-NLS、MLE两种算法定位的有效性。     

一种基于非降采样Contourlet变换和MLESAC的星空图像配准算法

针对不同时刻拍摄的星空图像进行叠加,提出一种基于非降采样Contourlet 变换（nonsubsampled Contourlet transform, NSCT）和随机抽样最大似然算法(maximum likelihood estimation sample consensus, MLESAC)的图像配准算法。该方法首先对星空图像进行NSCT变换,以提取特征星体的边缘,接着以特征星体的质心为顶点,构造特征三角形,根据三角形全等准则对其进行匹配;然后利用MLESAC算法对已匹配三角形的重心进行验证,将满足要求的特征点带入仿射变换模型,求取变换参数,实现图像的配准。该方法在保证配准精度的条件下,降低了经典配准算法的复杂度,能够有效处理光照变化以及噪声的影响。采用50组空间图像进行验证,结果表明,该算法能够在有效抑制星空图像光照和噪声的情况下,实现星空图像的精确配准,均方根误差达到0.374 1。     

数论网格法在极大似然估计中的应用

复杂似然函数的多峰性使得极大似然估计的求解存在很大困难。针对这一问题,提出了求解极大似然估计问题的数论网格法。讨论了数论网格法的特点,理论分析了其算法精度,给出了基于数论网格的序贯优化算法的计算步骤,研究了初始搜索区域和算法初始参数的确定方法。最后,以两参数威布尔分布参数极大似然估计为例,给出了极大似然估计的计算过程,比较了序贯优化算法和对分法的估计结果,说明了序贯优化算法的有效性和计算效率。     

三维异步传感器的配准偏差补偿

传感器配准是多传感器数据融合的重要环节,现有文献仅考虑了二维异步传感器配准偏差的估计与补偿问题,并且忽略了偏差估计方差对目标跟踪性能的影响。首先建立了三维传感器偏差配准模型,基于此模型推导了异步传感器偏差估计算法。考虑到偏差估计方差对跟踪系统跟踪性能的影响,基于集中式融合结构提出了一种新的偏差补偿算法,进一步提高了系统的跟踪精度。最后,利用蒙特卡罗仿真方法比较了不忽略偏差估计方差、忽略偏差估计方差、利用偏差真值进行精确补偿及不进行偏差补偿四种情形下的偏差补偿算法,结果表明了所提偏差补偿算法的有效性。     

基于Metropolis-Hastings抽样的系统误差配准方法

针对目标运动模型不完全的跟踪系统,为解决系统误差配准问题,提出一种基于Metropolis-Hastings抽样的系统误差配准方法。该方法通过系统误差的最大似然估计导出的等效概率平稳函数作为Metropolis-Hastings算法要求构造的概率密度函数,同时给出不同的提议函数来提高系统误差空间分布的全局性。对时变和时不变系统误差情况分别进行了仿真,仿真结果表明,所提方法在考虑系统误差统计特性的同时对解决系统误差配准问题具有有效性和可行性。     

水声传感器网络目标协同定位方法研究

水下传感器网络为水下目标的被动定位提供了新的思路,结合水下声信道的传输特性,研究了基于水下分布式传感器网络目标DOA值估计的最大似然被动定位算法.比较了最大似然定位算法在矩形和菱形网络拓扑结构中不同的定位精度,分析了目标不同声源级及网络规模对定位精度的影响,并与线性和非线性最小二乘定位算法的结果进行了对比,其定位精度优于两者.仿真结果验证了定位算法的有效性,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.     

异步被动传感器系统模糊Hough变换航迹起始算法

异步被动传感器系统由于不能通过视线交叉确定目标位置,因此使测量关联和航迹起始变得困难。为解决杂波、漏检和目标数未知情况下航迹起始问题,提出了一种用于异步被动传感器系统的航迹起始算法。该算法首先建立候选目标集,用极大似然法求出每一候选目标的初始状态估计、模糊Hough变换和模糊聚类实现航迹和目标的检测,最后用极大似然法估计出每一批目标的初始状态。仿真实验结果表明,提出的算法能有效实现航迹起始。     

利用轮廓特征的多视点几何数据配准

以三维激光扫描仪为获取数据平台,针对扫描过程中存在的数据配准问题,提出了利用轮廓特征的大规模三维场景多视点几何数据自动配准算法。首先采用自适应曲线拟合技术提取三维轮廓特征,在此基础上建立八叉树数据检索结构。引入马氏距离,以八叉树叶结点为匹配单元计算初始转换矩阵,并经ICRP算法逐步优化直至获得两视点的最佳配准。最后,采用就近原则,给出大规模三维场景多视点全局配准策略。并通过对室内、室外和古建等场景的三维配准实验,证明算法的鲁棒性。     

机载雷达与红外搜索跟踪装置的航迹融合研究

在单机空对空多目标攻击武器系统中 ,发射出的导弹必须可靠地分辨并截获所指定的目标 ,这对目标探测装置的数据精度提出了相应的要求。为此 ,设计了机载火控雷达与红外搜索跟踪装置的航迹融合技术结构模型 ,其中航迹关联算法基于模式相似性测度分析 ,目标状态信息融合算法基于极大似然估计。为验证模型的有效性 ,以具体装备为背景进行了仿真研究与分析 ,并给出了其结果     

基于最大似然估计的机载双基地雷达杂波抑制方法

首先建立了机载双基地雷达的杂波模型,然后分析了机载双基地雷达杂波谱的空时分布特性,比较了最大似然估计方法与其他几种常规估计方法的性能,最后在此基础上提出了一种新的基于配准的最大似然非均匀采样距离相关性补偿方法。该方法通过最大似然估计方法完成对双基地机载雷达杂波幅度的估计,并利用非均匀采样选取各训练样本的杂波谱中心实现对杂波谱的配准。仿真结果表明,在各种不同的双基地机载雷达配置情况下,该方法均可有效解决双基地机载雷达面临的杂波非均匀问题。     

基于区域Bhattacharyya相似度的SAR图像地物分类方法

传统的基于像素的合成孔径雷达(synthetic aperture radar, SAR)图像地物分类方法难以有效区分起伏变化大的地物。针对该问题,提出了一种基于区域Bhattacharyya相似度的SAR图像地物分类方法。方法首先利用适当的图像分割技术获取均匀的SAR图像区域。接着定义Bhattacharyya相似度来描述区域之间的统计相似程度,并推导了其对应Gamma分布的解析表达式。最后,以图像区域为分类单元,基于最大区域Bhattacharyya相似度准则实现SAR图像地物分类。利用实测SAR图像的地物分类结果表明,该方法性能优于经典的基于像素的最大似然分类方法和支持矢量机方法,且优于基于区域的最小距离法。     

基于目标高斯分布的定位系统节点最优部署方法

针对三维空间定位系统中目标位置服从高斯先验分布假设条件下节点最优部署问题,分析了纯方位目标定位算法中估计误差的费希尔信息矩阵,推导出基于目标先验分布的克拉美罗界(Cramer-Rao bound,CRB).为了解决目标位置在任意高斯分布时,协方差矩阵为非对角阵的问题,提出了基于三维坐标旋转的最大后验概率估计方法,将协方...     

High speed robust image registration and localization using optimized algorithm and its performances evaluation

Local invariant algorithm applied in downward-looking image registration, usually computes the camera’s pose relative to visual landmarks. Generally, there are three requirements in the process of image registration when using these approaches. First, the algorithm is apt to be influenced by illumination. Second, algorithm should have less computational complexity. Third, the depth information of images needs to be estimated without other sensors. This paper investigates a famous local invariant feature named speeded up robust feature (SURF), and proposes a highspeed and robust image registration and localization algorithm based on it. With supports from feature tracking and pose estimation methods, the proposed algorithm can compute camera poses under different conditions of scale, viewpoint and rotation so as to precisely localize object’s position. At last, the study makes registration experiment by scale invariant feature transform (SIFT), SURF and the proposed algorithm, and designs a method to evaluate their performances. Furthermore, this study makes object retrieval test on remote sensing video. For there is big deformation on remote sensing frames, the registration algorithm absorbs the Kanade-Lucas-Tomasi (KLT) 3-D coplanar calibration feature tracker methods, which can localize interesting targets precisely and efficiently. The experimental results prove that the proposed method has a higher localization speed and lower localization error rate than traditional visual simultaneous localization and mapping (vSLAM) in a period of time.