目标机动性未知时的多平台交互式多模型融合算法

多平台的交互式多模型（IMM）Kalman滤波器是一种比较有效的机动目标跟踪估计方法．但当目标存在未知机动时,基于模型的估计器的精度就会下降．目标跟踪中的输入估计技术可对未知机动性进行估计．本文在给出过程噪声和量测噪声相关情况下最小方差无偏（MVU）输入、状态滤波估计的基础上,提出了基于上述滤波器的分布式IMM多传感器多平台融合算法．仿真表明了该算法的有效性．     

汽车毫米波雷达目标跟踪的快速平方根CKF算法

平方根容积卡尔曼滤波器(Cubature Kalman filter,CKF)算法直接以协方差阵三角分解因子进行滤波过程的预测和更新,保证协方差矩阵非负性,避免了滤波器发散,但预测更新都基于采样点,仍然具有较高的计算负荷。该文提出了一种适用于汽车毫米波雷达目标跟踪的快速平方根CKF算法,在预测阶段,利用Kalman滤波器方程进行状态和协方差阵预测,在更新阶段,利用预测值构造Sigma点,并以平方根CKF滤波器方程更新目标的状态和协方差阵。仿真实验表明:该文算法运算效率和滤波精度比平方根CKF、平方根无迹卡尔曼滤波(Unscented Kalman filter,UKF)等算法均有不同程度提高,适用于汽车毫米波雷达嵌入式目标跟踪软件。     

基于Kalman滤波算法的视频跟踪技术在交通道路中的应用

Kalman滤波是目标跟踪系统中比较常用的一种跟踪算法,本文将自适应波门跟踪与Kalman滤波跟踪算法相结合,克服了以往跟踪算法计算量大,目标识别错误,目标丢失等问题。并利用了MATLAB对Kalman滤波算法建模仿真,验证滤波跟踪效果明显,能够满足系统的实时准确跟踪的要求。     

融合运动状态信息的高速相关滤波跟踪算法

为解决相关滤波(Discriminative Correlation Filter,DCF)算法在快速运动、遮挡、尺度变化等复杂情景下的跟踪失败问题,提出一种融合运动状态信息的高速相关滤波目标跟踪算法.在传统DCF算法基础上做出以下改进:(1)在跟踪框架中融入卡尔曼(Kalman)滤波器,利用目标运动状态信息对预测运动轨迹进行修正,以解决目标复杂运动时易跟丢问题,提高跟踪精度;(2)训练一个独立的尺度相关滤波器进行目标尺度预测,并利用主成分分析法(Principal Component Analysis,PCA)进行特征降维处理,提高跟踪速度;(3)提出一种高置信度更新策略判断是否对位置滤波器进行模板更新,以及是否采用Kalman滤波器预测位置作为目标位置.最后在OTB-100数据集上进行算法测试,提出算法平均精度与成功率分别达到74.8%与69.8%,平均帧率为84.37帧/s.相较其他几种主流算法,本文算法有效提高跟踪性能,并保证了跟踪速度,满足实时性要求,在遮挡、背景模糊、运动模糊等复杂情况下能够保持良好的跟踪效果.     

预测滤波技术在电视跟踪系统的应用

为了解决电视跟踪系统中电视脱靶量的滞后以及跳变对控制系统的稳定性和跟踪精度的影响。根据跟踪系统实时性和精度要求，设计了卡尔曼滤波器，对跟踪目标运动参数(位置和速度)进行滤波预测，提出了极坐标下Kalman滤波算法。仿真结果表明，该滤波器能够根据传感器测量值对目标位置、速度进行估值，超调量减至18％，调整时间为0．6s。     

带测量噪声干扰的无人驾驶汽车路径跟踪控制

提出了一种带有Kalman滤波器的最优预测控制结构,用于无人驾驶汽车的路径跟踪控制.无人驾驶汽车对道路环境与车体状态的感知一般通过GPRS、雷达、摄像机、陀螺仪等获得,测量过程往往带有噪声.带有Kalman滤波的最优预测控制器,与不考虑噪声干扰的最优预测控制器相比,产生比较平滑的控制序列,减少了机械损耗.     

含预测和容错的自适应Kalman目标跟踪

针对模型不准确时,传统Kalman滤波目标跟踪算法精度有限甚至发散的问题,研究了基于新息协方差在线匹配技术的自适应Kalman滤波算法,提高跟踪精度;并以Kalman滤波估计的目标位置为基础,利用一步Kalman预测得到下一时刻目标可能的位置范围,避免对整幅后帧图像进行遍历搜索,减小了计算量;为了避免存在干扰时异常量测对目标跟踪的影响,研究了量测信息异常检测算法,以Kalman预测的量测代替异常量测,增强抗干扰能力。实验证明,所提算法能够有效提高目标跟踪的精度和鲁棒性。     

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。     

基于Cam-shift的预测跟踪方法分析与改进

为了在有遮挡等因素干扰的复杂背景下很好的完成移动目标的位置预测跟踪,研究了Kalman滤波与Cam-shift算法结合的方法.Kalman滤波可以较精准地完成移动目标的位置预测,与Cam-shift算法结合可以很好的完成跟踪.在此基础上,提出了一种线性预测与Cam-shift算法结合的目标预测跟踪方法,即将线性预测方法代替Kalman滤波完成预测估计,并将预测估计结果代入Cam-shift算法中进行跟踪.实验表明该方法既可以保证遮挡过程中追踪的准确性,又能减少迭代时间,能够更好地满足实时性的要求.     

基于Kalman滤波器与肤色模型的手势跟踪方法

有效和鲁棒的手势跟踪是动态手势识别的前提,针对手势及其运动的特点,提出了结合Kalman滤波器和肤色模型的手势运动目标跟踪方法.首先通过背景差法和YCb’Cr’空间上的椭圆肤色模型检测出手部运动目标,通过目标区域的空间结构参数来设置Kalman滤波器的各项运动参数,然后计算空间结构特征的跟踪匹配函数对目标预测位置进行修正,获得运动手势目标区域及其运动轨迹.实验结果表明,所提方法能有效地跟踪手势,并能较好地适应手势在运动过程中的手形变化、轨迹转弯等情况,检测准确,鲁棒性高.