基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法

针对复杂环境下雷达目标跟踪系统易受外界干扰引入噪声污染分布问题,为了保证系统实时可靠,提出了一种基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法(innovation-based adaptive extended Kalman filter, IAEKF)。通过建立系统新息统计特性,构造系统与量测噪声函数,将新息协方差直接引入滤波器增益矩阵计算,在不增加计算代价的同时,改善算法的自适应性。仿真实验表明,在雷达测量系统受时变噪声污染分布影响下,IAEKF算法相比EKF算法跟踪精度高,算法可行且有效,具有一定的工程研究价值。     

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.     

基于无迹卡尔曼滤波的水下机动目标跟踪研究

针对跟踪水下机动目标,难度较大的问题,建立了目标运动方程和观测方程,并将无迹卡尔曼滤波算法运用到水下目标运动分析中。通过蒙特卡洛模拟仿真,结果表明在处理非线性问题中,该方法计算量小、实现简单,精度较高,有较强的实用性。     

雷达目标跟踪的转换坐标卡尔曼滤波算法

该文采用转换坐标卡尔曼滤波算法(CMKF)进行雷达目标跟踪,先将极坐标系下的测量值经坐标变换转换到直角坐标系下,再用统计的方法求出转换测量误差的均值和方差,去偏后利用标准卡尔曼滤波算法对目标进行跟踪.将仿真结果和推广卡尔曼滤波算法(EKF)的进行比较,结果表明,CMKF的滤波精度更高.     

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.     

孪生网络融合卡尔曼滤波的目标跟踪研究

目标跟踪是机器视觉领域的经典问题,在军事目标跟踪和视频监控等领域都有着重要应用。孪生网络是当前相关问题研究的主流框架。本文在SiamRPN孪生网络基础上进行了改进,引入残差网络以减轻特征学习中过拟合问题,同时在网络中注入空洞空间卷积模块,并增加全局语境信息的获取能力以扩大感受野;其后融入卡尔曼滤波以改善目标受到各种干扰时追踪位置失真问题;最后通过实验设计,从定性和定量两个角度显示,面对运动模糊、光照变化、遮挡等复杂情况下所跟踪目标出现漂移或者丢失等问题,本文所设计方法都具有较好的跟踪效果。     

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.     

基于自适应DBSCAN的雷达目标跟踪算法

直接对三坐标航管一次雷达点迹录取器中录取到的点迹进行航迹起始、跟踪等处理后,会形成大量虚警,运算量大。进行目标跟踪时,候选点迹集合数量庞大是造成目标跟踪过程运算量大的主要原因。文中基于动态自适应DBSCAN聚类算法,结合经典卡尔曼滤波跟踪算法,提出了动态自适应DBSCAN聚类跟踪混合算法,来减少候选点迹集合数量。实验结果证明,本文提出的算法实现了无效点迹数的减少、航迹质量的提高以及运算时间的下降。通过动态自适应DBSCAN聚类跟踪混合算法,能迅速跟踪到三坐标航管一次雷达探测到的目标并形成目标航迹,可以及时发现黑飞目标,将对正常民航飞机飞行的干扰降到最低。     

一种基于卡尔曼滤波的压缩跟踪算法研究

根据道路交通监控视频的特点,采用压缩跟踪(CT)算法进行运动车辆的检测与跟踪。在摄像头变化较大、运动车辆尺度变化和背景变化等情况下,CT算法均具有很强的鲁棒性。但是当车辆被遮挡时,跟踪算法容易失效。为了解决这一问题,提出使用卡尔曼滤波对遮挡的车辆进行轨迹预测。卡尔曼滤波能根据CT算法跟踪目标的轨迹,有效地预测目标遮挡时的轨迹。实验结果表明,本算法不但可以较好地处理跟踪车辆尺寸变化的问题,在车辆丢失或被部分遮挡时,能准确而稳定地跟踪车辆,而且具有很好的实时性,满足了工程应用的需求。     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼（Kalman）滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

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。     

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。     

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。     

非均匀分布量测下的扩展目标跟踪方法

针对雷达方位角变化导致散射源统计特性改变的问题,提出了一种非均匀分布量测下的扩展目标跟踪方法.算法通过轮廓质心法和接受-拒绝采样法产生伪量测,并构建了分层无迹卡尔曼滤波器(hierarchical unscented kalman filter,HUKF)来估计运动状态和形状参数.实验结果表明,相比于传统的无迹卡尔曼滤...     

自举滤波器在非线性目标跟踪系统中的应用

为了解决目标跟踪领域中非线性、非高斯系统问题,研究了贝叶斯滤波算法及其一种实现方法,即自举滤波算法(BSF),并在滤波精度、运算量等方面与扩展卡尔曼滤波算法(EKF)进行比较分析.最后基于一个典型的非线性模型对BSF和EKF进行了仿真比较.仿真结果表明,自举滤波算法的性能优于扩展卡尔曼滤波算法的性能.     

中央差分多模型算法在蛇形机动目标跟踪问题中的应用

将中央差分卡尔曼滤波算法整合融入多模型算法,提出一类中央差分多模型算法并将其应用于典型的非线性跟踪问题,针对蛇形机动目标进行仿真验证。结果表明,和经典非线性多模型滤波器相比,该算法具有更高的估计精度和更快的收敛速度,且计算量适中,易于实现实时跟踪。