基于立体视觉的被动测距技术研究

为了实现基于立体视觉的被动测距技术,该文搭建了一套双目成像测距系统实验平台,研究了基于双目立体视觉的被动成像处理算法;设计了可实现多目标的实时跟踪测距的双目成像测距应用软件,对提出的一种基于SIFT搜索窗口大小随着目标尺寸变化自适应调整的跟踪算法进行了验证.测试结果表明该软件在跟踪、测距方面表现出色,在1~2个目标时具有较好的实时性.通过平面标定法进行准确的摄像机标定,采用SIFT特征匹配算法进行立体匹配,测试结果表明在取octave层数为4时,匹配准确度一般可在0.05个像素范围内.实际外场测试实验表明,该算法对一定距离范围内的目标物体进行测量具有较好的准确性.     

基于模糊逻辑四元数的平方根UKF算法

针对目标跟踪估计算法中,利用传感器离散观测建模并估计目标连续状态,进行导航解算时滤波精度低,及传统四元数扩展卡尔曼滤波算法无法满足目标姿态测量精度要求等问题,文中提出一种基于模糊逻辑四元数的平方根UKF姿态估计算法.该算法将四元数作为模糊逻辑UKF滤波器状态,应用测量的角速率完成滤波器的时间更新及量测更新,采用模糊逻辑的平方根协方差形式作为更新参数,既降低了算法的计算量和复杂度,又保证了数值的稳定性.文中还以近地卫星为例,在Matlab和C++软件上进行了仿真实验.实验结果表明:文中所提算法可保证对机器人和特征的姿态控制估计精度;可对目标实时跟踪定位并进行量测更新,抑制了姿态误差发散问题.     

粒子滤波在电子航标节点跟踪中的应用

提出一种高斯粒子滤波求解基于RSSI测距定位的无线传感器网络电子航标节点定位的非线性方程组算法.该算法在每次递推产生新的粒子时充分考虑了当前时刻的量测,使得该算法能很好地利用最新的量测信息.仿真结果表明该算法的节点估计均方误差在3 m以内.可见,它在解决非线性机动目标跟踪问题时有比较好的跟踪性能和滤波结果     

光电跟踪系统中高频测角信息的攫取研究

为了能够充分利用光电跟踪设备相邻两次激光测距间隔内的高频测角信息，以提高目标跟踪精度，给出了一种航迹“融合”式目标状态估计方法。该方法借助扩展Kalman滤波算法．将无测距信息时刻的目标测角信息代入独立的滤波器，而对有距离时刻的目标测量信息建立另外的滤波器，然后将两滤波器的输出结果进行加权融合，从而在不增加任何硬件成本的前提下，进一步提高了具有激光测距的光电跟踪系统的目标状态估计精度。对模拟数据和靶场实测数据的测试结果表明了该方法的可行性和有效性。     

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.     

多源二维测角信息的三维动态目标跟踪定位算法

针对纯角度非线性估计法对量测方程进行线性化处理后的运动要素估计出现发散或偏置现象等问题,提出了基于多源二维测角信息的三维动态目标跟踪定位算法.利用最大似然估计法对多基站提供的角度量测信息进行融合处理,由此获得的量测方程经伪线性化后的均方等效误差期望值最小,从而实现了目标运动要素无偏估计.通过仿真表明,利用所提算法获得的位置跟踪误差曲线能快速、准确地逼近Cramer-Rao下界,比扩展的卡尔曼滤波器的收敛速度快,精度高,跟踪精度可提高50%.     

被动声目标定位与跟踪的实验研究

目的　研究被动声定位和跟踪的可行性。方法　设计被动声目标定位、跟踪的实验系统,并进行静目标定位实验与运动目标定位与跟踪实验。结果　实验系统对静目标测向精度较高,而测距精度很低;对恒速运动目标,采用测向信息和多普勒频移信息相融合的算法得到了目标运动速度、距离的精确估计。结论　将基于时延估计的被动声测向和线谱频率估计的多普勒频移信息融合可实现对恒速运动目标的跟踪。     

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

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。