鲁棒的基于均值漂移的自适应卡尔曼滤波目标跟踪

提出了一种鲁棒的基于均值漂移的自适应卡尔曼滤波目标跟踪算法。首先建立卡尔曼滤波的系统模型,用卡尔曼滤波预测目标在当前帧的位置,并将该预测值作为初始值,用均值漂移算法搜索目标位置。然后将搜索结果作为观测值来修正预测值,并根据目标模型与由均值漂移算法搜索得到的候选目标模型及相应背景模型的Bhattacharyya系数自适应调整卡尔曼滤波的参数,从而提出了一种鲁棒的自适应卡尔曼滤波目标跟踪算法。仿真实验表明,该算法具有较好的跟踪精度,对遮挡具有较强的鲁棒性。     

基于M估计的自适应鲁棒平方根连续 离散CKF算法

针对测量中出现的异常情况,提出了一种基于M估计的自适应鲁棒平方根连续 离散容积卡尔曼滤波算法。该算法将目标跟踪问题建模为连续 离散时间模型,将改进的M估计的思想融入连续 离散容积卡尔曼滤波算法当中,通过Mahalanobis距离对异常测量进行门限判别,引入校正因子,根据观测残差自适应地调整观测噪声协方差矩阵的大小,进一步提高滤波算法的鲁棒性;通过将连续 离散模型与校正因子结合,实现了滤波精度和抗异常测量值的统一。仿真结果表明,与传统鲁棒算法相比,该算法在单点测量异常和多点测量异常的条件下都能够更加准确地对目标进行跟踪,且鲁棒性更强。     

基于反馈判决的鲁棒自适应机动目标跟踪算法

针对平方根容积卡尔曼滤波(SRCKF)在机动目标跟踪中面临测量异常和模型失准时估计精度下降的问题,提出了一种基于反馈判决的鲁棒自适应算法.利用Huber函数对观测残差序列处理获得权重向量以修正测量协方差,增强算法的抗差能力以克服测量异常问题;同时,引入多重渐消因子调整预测误差协方差,从而改变滤波增益,增强算法的自适应性...     

一种新的快速鲁棒多摄像头目标跟踪方法

多摄像头(视角)目标跟踪系统中,由于视角间存在大量信息冗余可有效提高跟踪鲁棒性.但在传统基于模板匹配方法中,由于视角不同导致匹配不准,会带来较大跟踪误差.针对这个问题提出了一种基于卡尔曼滤波的在线目标信息时空交互算法,利用多摄像头几何限制,实现多个摄像头的信息交互,减少了模板匹配的搜索范围,进而降低了多摄像头目标跟踪算法的计算复杂度.同时通过在线估计卡尔曼滤波模型中噪声功率,并且自适应调整卡尔曼增益将信息交互过程中误差传递降至最小.仿真结果表明,该方法可以实现更鲁棒的目标跟踪.     

一种基于多传感器协同探测的雷达跟踪系统

战场上雷达是对目标进行跟踪的常用手段,当敌方施放有源压制干扰时常导致目标航迹丢失,雷达无法对目标进行持续跟踪。为了改善对目标的跟踪性能,建立了干扰背景下基于机载多传感器协同探测的雷达跟踪系统,首先采用Kalman滤波预测雷达量测缺失数据,当跟踪精度不满足期望值时应用支持向量机回归(SVMR,Support Vector Machine Regression )算法估计缺失数据作为雷达的量测值继续进行卡尔曼滤波估计,实现了对目标的持续跟踪,精度较高。仿真验证了该系统能够解决有源压制干扰条件下的目标航迹丢失问题,增强了雷达对目标的跟踪性能。     

基于卡尔曼滤波改进压缩感知算法的车辆目标跟踪

针对传统的基于压缩感知技术的目标跟踪算法存在的跟踪漂移问题，提出了一种采用改进压缩感知算法和卡尔曼滤波方法相结合的车辆目标跟踪算法. 首先，通过传统压缩感知目标跟踪算法识别出本帧目标存在概率最大的区域得到观测值； 其次，利用卡尔曼滤波预测本帧的跟踪轨迹得到预测值，通过卡尔曼滤波增益系数对预测值与观测值进行修正，获得最终目标跟踪结果； 最后，在修正后的目标区域周围进行正负样本采样以实现朴素贝叶斯分类器更新，进而实现目标跟踪轨迹的实时更新. 通过实验室试验以及野外实测验证了所提方法的可行性，相较于基于压缩感知技术的目标跟踪算法，本文所提方法的跟踪结果平均误差分别降低了48%和89%，跟踪轨迹更加趋近车辆真实运动轨迹.     

一种多传感器协同探测的雷达跟踪系统

战场上雷达是对目标进行跟踪的常用手段,当敌方施放有源压制干扰时常导致目标航迹丢失,雷达无法对目标进行持续跟踪。为了改善对目标的跟踪性能,建立了干扰背景下基于机载多传感器协同探测的雷达跟踪系统,首先采用Kalman滤波预测雷达量测缺失数据,当跟踪精度不满足期望值时应用支持向量机回归算法估计缺失数据作为雷达的量测值继续进行卡尔曼滤波估计,实现了对目标的持续跟踪,精度较高。仿真验证了该系统能够解决有源压制干扰条件下的目标航迹丢失问题,增强了雷达对目标的跟踪性能。     

联合时空特征的车辆跟踪

提出一种联合空间特征和时间特征的匹配准则,以实现对道路车辆的跟踪.计算目标区域与候选区域的加权累积灰度分布差异,结合运动的路径连续性特征来构造运动模式相关函数,以此作为目标匹配的判据.引入虚轨迹点补偿由于目标遮挡和检测失败等导致丢失的运动轨迹点,以实现对目标连续的、完整的跟踪.实验结果表明,算法能够实现多车辆的鲁棒跟踪,并且能够较好地解决目标相互遮挡下的跟踪问题.     

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法

在大多数目标跟踪方法中,通常假设量测噪声服从参数已知的高斯分布或对称重尾分布,但其非常受限并且在实际过程中常常无法得到满足。因此,针对存在不确定重尾量测噪声干扰下的目标跟踪问题,提出基于变分推理的鲁棒容积卡尔曼滤波算法。该算法利用Skew-T分布对不确定重尾量测噪声进行建模,在基于容积规则的数值积分过程中,结合变分推理将Skew-T分布量测噪声参数与系统状态变量进行联合递归计算,通过对近似后验概率密度函数进行变分迭代,获得系统模型和不对称重尾量测噪声参数。仿真结果表明,该算法相比变分贝叶斯扩展卡尔曼滤波算法具有较高的滤波精度。     

一种基于特征互补的新型长期跟踪算法

针对特征互补学习跟踪算法(Staple)在长期目标跟踪时出现目标丢失的问题,设计了一种基于特征匹配的重检测算法.该算法通过相关滤波模型和颜色特征模型的互补学习所得到的最大响应值来判断目标是否丢失,并融合基于网格运动统计的特征匹配算法(GMS)构建重检测机制,对目标进行重定位,从而保持稳定地长期跟踪.实验结果显示:该算法...