机动目标跟踪中的序贯滤波

多个测量站（多雷达或多传感器）工作时，在时间上是不同步的．在融合之前必须将这些观测数据进行同步．在某雷达单独观测时，采用通常的卡尔曼滤波方法；在多雷达重叠观测区，采用序贯滤波方法，不管是哪个传感器观测，按时间顺序，先到的量测点先进行滤波，这样就省去了时间同步这一步处理，又增强了航迹的连续性．计算机仿真证明了该方法的有效性．     

卡尔曼滤波器对匀速直线运动目标的跟踪

本文主要是用卡尔曼滤波器实现雷达对向我方作匀速直线运动目标的位置和速度的跟踪，并分别得到其对应的预测、更新的位置和速度协方差。最后通过一个举例，用MATLAB仿真，结果说明了卡尔曼滤波器在跟踪机动目标中的优越性能。     

一种基于改进型KALMAN滤波器的目标定位算法

在以常规卡尔曼滤波器为基础的各种跟踪算法中，要求精确的模型和噪声统计，但在实际系统中，大多数情况不能满足上述要求。给出了考虑初始条件下不精确性的改进型Kalman滤波器表达式，并在引入速度量测信息的基础上，运用该滤波方法进行空间目标二维定位。Mnte Carlo仿真表明该方法降低了对模型精度的要求，在工程上是可行的。     

目标密集情况下的跟踪滤波器

本文讨论了在目标密集情况下卡尔曼滤波器作为跟踪滤波器存在的问题。指出在目标密集时,辨识的不准确性将会使卡尔曼滤波器失去其无偏性。然后本文给出了一种改进的滤波器。这种改进的滤波器在目标密集时仍能保证无偏性。     

State Bounding 跟踪机动目标研究

提出一种用 State Bounding估计跟踪机动目标的算法。用预测集、观测集中心距检测目标机动 ,修正系统噪声集尺寸适应目标机动 ,很好地解决了用 state Bounding估计跟踪机动目标问题。模拟结果表明本算法与相应的 kalman滤波器的性能相比 ,有较好地机动目标跟踪能力     

机动输入子波估计的卡尔曼滤波器

提出一种新的机动输入估计的卡尔曼滤波器,该滤波器利用子波滤波从新息中估计机动造成的附加位移,由此修正卡尔曼滤波器的状态估计,模拟实验表明这一方法比通常的机动输入估计卡尔曼滤波器（ＩＥ）具有更好的目标跟踪性能,而计算也更为简便。     

基于卡尔曼滤波器的背景抑制及小目标检测

提出了一种采用卡尔曼滤波器作为杂波背景预测器的小目标检测方法,相比较于传统的梯度下降算法,该方法充分利用了假设的杂波图像模型,并且算法中也没有影响检测性能的步长参数,因而具有更好的检测性能,实验表明,该方法能有效地抑制杂波,并同时增强小目标的信号。     

基于模糊卡尔曼滤波器的机动目标跟踪算法

本文在基于"当前"统计模型的基础上,结合模糊推理技术,设计了一种改进的模糊自适应算法。该算法使用了模糊推理技术,使得系统状态噪声方差随着机动特性能够自适应调整,提高了系统在目标作非机动或弱机动时的跟踪精度以及在强机动时的快速响应能力。仿真结果显示,该算法在跟踪精度和收敛速度方面都优于传统的基于"当前"统计模型的跟踪算法。     

卡尔曼滤波器发散自检

模型设置的不合理、可能导致卡尔曼滤波器的发散、完成不了预期的最佳滤波功能,这在系统动态噪声较小时尤为明显。本文提出了一种卡尔曼滤波器自我检测发散的方案,并在假设成立时给出修正的方法。使卡尔曼滤波器能尽可能地保持其最佳性、使为了克服发散而牺性的滤波最佳性降至最小。在这个意义上,这种自检的卡尔曼滤波器具有自适应的功能。     

一种跟踪机动目标的双带宽自适应滤波器

本文研究了一个跟踪机动目标的双带宽自适应滤波器,两个不同带宽的滤泼器由不同参数的Singer模型构成。目标运动状态的估计始终是这两个滤波器输出的线性组合假设检验理论用来确定组合系数的计算。Monte-Carlo仿真结果表明,这一双带宽滤波器调整时间和对目标机动变化的反应时间都较快。     

用自适应扩展卡尔曼滤波跟踪水下目标的算法研究

针对短基线声纳系统跟踪水下目标的问题,建立了状态方程和观测方程,提出了一种自适应扩展卡尔曼滤波的跟踪算法,该算法包含八个基本步骤。将声波传输时延转换为水下目标的距离,用卡尔曼滤波的方法对数据中的噪声进行滤波。对目标的匀速航行和机动航行进行了仿真实验,实验结果表明了该算法的正确性和有效性。最后将该算法用于水下目标的实测数据,收到了良好的效果。     

基于Kalman滤波和改进的MeanShift算法的目标跟踪

MeanShift算法因为简单性和稳定性在目标跟踪中得到广泛应用,但是当目标和背景的颜色模型比较接近时,传统的MeanShift算法由于缺少空间信息,且经典的相似性度量函数不易区别,导致跟踪失败。为了克服上述缺点,采用基于空间颜色特征和新的相似性度量的MeanShift算法,并提出一种融合Kalman滤波器和改进的MeanShift算法的目标跟踪方法。首先,利用改进的MeanShift算法计算出当前帧中目标的准确位置,然后使用Kalman滤波器去预测下一个初始搜索位置,用于下一帧中MeanShift迭代,最后实现对目标的跟踪。实验结果表明,该算法可以准确地跟踪目标,并且跟踪的准确率优于传统的MeanShift算法或者Kalman和传统Meanshift的融合算法。     

迭代无味卡尔曼滤波的目标跟踪算法

针对目标跟踪迭代无味卡尔曼滤波(IUKF)算法中跟踪精度较差的问题,提出一种基于状态扩展技术的改进迭代无味卡尔曼滤波(IIUKF)算法.新算法首先将观测噪声扩展进状态,构造关于扩展状态的零噪声观测方程,然后在观测迭代过程中将最新的扩展状态后验估计代入更新公式,进行观测迭代更新.相比IUKF算法,IIUKF算法不仅形式上更为简洁,而且避免了IUKF算法中先验估计和观测噪声非统计正交的问题,滤波精度更高.数值仿真表明,IIUKF算法的跟踪误差比IUKF算法减小了20%以上.     

基于多传感器的多分辨机动目标跟踪

用小波变换和多分辨分析的思想建立了一个基于多传感器观测的机动目标跟踪新算法。     

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Mome Carlo 数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.     

一种新型机动目标跟踪算法——VDQ算法

目的 研究机动目标跟踪算法。方法 利用广义似然比技术对机动目标进行检测,既确保检测的可靠性,又满足系统实时性的要求。采用变维和估计系统状态相结合的方法,对机动目标进行跟踪,当目标机动较弱时,对系统状态用噪声方差进行估计,避免由于变维法带来的暂态误差。当目标机动较强时,则采用变维法。结果与结论 计算机仿真结果表明,这种新型机动目标跟踪算法具有良好的跟踪性能。     

带位置和速度观测的信息融合Kalman跟踪滤波器

应用基于ARMA模型的现代时间序列分析方法,和应用基于Riccati方程的经典Kalman滤波方法,对带位置和速度观测的两传感器系统,在线性最小方差信息融合准则下,分别提出了按矩阵加权、对角阵加权和标量加权的三种信息融合Kalman跟踪滤波器,其中,按标量加权可明显减少计算负担,便于实时应用。一个仿真例子说明了两种方法引出相同的结果,但构造ARMA新息模型时必须进行左素分解,且说明了三种加权融合滤波器的精度无显著差异。     

基于改进YOLOv3网络的卡尔曼社交距离检测与追踪

为了预防新冠肺炎的传播,在佩戴口罩的同时,保持一定的社交安全距离是必要的。为解决现有的目标检测算法在社交距离检测中无法同时满足检测的实时性、准确性以及在复杂场景中存在遮挡、小尺度目标等问题,提出基于YOLOv3的改进算法DPPY(Dilated Pyramid-Pooling with YOLOv3)。首先使用空洞卷积参与到YOLOv3的核心图像处理结构中,然后引入密集型连接网络进一步融合不同层之间的连接,并且在这基础上还模仿了空间金字塔结构处理输入数据的尺寸问题,最后将这些处理结果一起与待追踪物体与彼此间的前后位置进行更好的关联并选用卡尔曼滤波器这个工具来更好地处理。若行人彼此间靠的过于紧密,则标红发出警报,以便更好地提醒相关人员注意。结果表明：与传统的YOLOv3算法相比,DPPY算法检测速度更快,检测精度更高。检测速度达到了34帧/s,平均准确率(Average Precision, AP)提高了9.1 %,并且在大、中、小目标检测中平均准确率均值(mean Average Precision, mAP)分别提高了7.8 %、8.2 %、8.9 %。     

粒子滤波算法在视频目标跟踪中的应用

首先介绍粒子滤波的基本理论,然后构建粒子滤波视频目标跟踪系统的状态模型和观测模型,进而根据状态模型和观测模型提出一种基于粒子滤波的视频目标跟踪算法,并通过实际的视频目标跟踪系统对算法进行实验分析,说明粒子滤波算法在视频目标跟踪中的优越性.     

基于推广卡尔曼滤波的目标高度识别方法

目的 研究现役红外制导反舰导弹对舰船目标高度的识别方法,从而为此类导弹的最佳命中点选择奠定基础。方法 根据实际使用的导引头的技术条件,建立识别目标高度所需的数学模型,然后利用推广卡尔曼滤波理论识别目标高度。结果 根据导引头的技术数据进行了大量的仿真试验,得到了目标高度的识别误差小于０．９ｍ的仿真结果。结论 推广卡尔曼滤波识别目标高度的方法是选择最佳回调规律及确定最佳命中点的一种新方法。