基于小波分析的雷达/红外模糊自适应融合算法

在多传感器融合算法的基础上,提出一种基于小波分析的雷达/红外模糊自适应融合算法。因为小波分析对测量数据具有多分辨率分析的去噪能力,将小波分析与模糊自适应卡尔曼滤波器相结合构成一个多分辨率跟踪滤波器,该算法可以对来自主动雷达和红外成像传感器的信息加以充分利用,选择适合的小波函数对测量数据进行过滤优化,把干扰负荷转移到小波分析上,在改善跟踪性能的同时又具有很强的处理非平稳信号的能力,而且又保证了该融合算法简单、实用的特点。仿真结果表明,提出的融合算法有很好的跟踪精度,通过对比表明该算法优于传统的多传感器融合算法。     

基于改进多特征融合均值位移算法的红外舰船目标跟踪

针对红外海面背景杂波干扰严重多特征融合的均值位移算法无法准确跟踪目标的问题,对原算法进行了改进,提出一种基于多特征融合均值位移跟踪的新框架。在多特征融合均值位移跟踪的基础上,所提算法通过加入对目标区域的迭代分割并提取区域形心,实现了舰船目标的准确再定位;在局部分割的基础上,提出了对多特征模板尺寸和目标模型的更新方案,实现了对红外海面背景下舰船目标的准确、鲁棒跟踪。利用实际红外图像序列对算法性能进行验证,实验结果表明,所提算法能够更准确、有效地跟踪图像序列中的舰船目标。     

基于多传感器数据融合的机动目标跟踪自适应学习方法

考虑到传感器对目标的观测都存在有偏差，同时针对雷达系统检测中存在漏检的现象，提出了一种适用于处理传感器漏检现象的多传感器融合方法。并以雷达／红外成像复合的双模制导体系下红外和雷达两种传感器对目标状态的检测和跟踪为例，给出一个完整的多传感器数据融合和目标跟踪自适应方法。该方法简单易行，鲁棒性强，通过对红外成像和雷达系统的数据融合和目标跟踪的数字仿真，表明该方法有效。另外，该方法同样适用于多于两个多传感器系统。     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。     

空空导弹红外成像制导系统仿真研究

围绕着红外成像空空导弹制导跟踪算法研究和评估的需要,提出了一种红外成像制导系统仿真实现的方法.方法采用空气动力学开源软件FlightGear和计算机图形学的函数库,在仿真中采用目标和导弹的六自由度模型,提供了必要的目标和导弹的动力学特性以及目标红外辐射特性.仿真系统中每个模块都可以根据自己的研究需要加载不同的算法,而且对不同的导引头设置起来很简单,有效保证导弹制导系统制导和跟踪算法的研究和调试需要.目前该系统已在某型红外成像空空导弹的制导系统跟踪算法研究中获得应用,并取得了很好的效果.     

基于鲁棒H∞滤波的多站角度测量机动目标被动跟踪

建立了机动目标的多站被动红外搜索与跟踪（infrared search and tracking, IRST）系统的当前统计模型,基于该模型提出了机动目标跟踪的鲁棒H∞融合滤波算法。该算法将H∞滤波算法和集中融合跟踪算法相结合,对多站IRST测得的目标角度信息进行融合,可解决被动式跟踪系统的可观测性及非线性问题,以实现对目标较高精度的定位和跟踪。以三个观测站进行跟踪为例,对一个高机动目标进行了仿真研究,仿真结果表明,该滤波算法比扩展卡尔曼滤波（extended Kalman filter, EKF）算法有更高的跟踪性能,是IRST系统中一种有效的跟踪算法。     

传统特征和深度特征融合的红外空中目标跟踪

新型红外诱饵的出现,对传统红外成像空空导弹作战效能的发挥造成了严峻挑战。近年来深度学习研究进展迅速,有力促进了目标跟踪领域的发展。以多域学习网络框架为基础,引入传统特征长宽比和均值对比度,将深度特征与传统特征融合在一个跟踪框架中,解决了单一特征在目标跟踪中无法有效对抗面源等复杂干扰的问题。为了评估算法性能,分别在仿真序列和实拍图像序列上进行了测试。实验结果表明,所提出算法的跟踪精度和鲁棒性优于目前经典的跟踪算法,是一种具有较强适应性的红外空中目标跟踪方法。     

舰船红外成像目标实时识别与跟踪系统研究

同时考虑硬件设计、算法研究、软件实现三个方面,成功高效地设计了一个舰船红外成像目标实时识别与跟踪系统。硬件上采用主从式结构,主机为控制计算机,从机为TMS320C6201芯片及其外围电路构成的图像处理系统。算法研究尽量实用化,提出了一种新的目标识别和跟踪算法。软件实现时,基于硬件和软件采取了许多优化措施。该系统已成功应用于光电干扰效果评定实验中。     

一种基于D-S证据理论的红外小目标融合识别方法

为了提高低信噪比弱小目标识别的可信度 ,提出了一种基于D S证据合成理论的多传感器信息融合识别方法。并使用该方法对来自多个红外成像传感器的实际图像进行了信息融合仿真处理。仿真结果证明 ,该方法对低信噪比条件下的红外弱小目标具有良好的识别效果     

基于双探测器点迹融合的机载多目标跟踪系统

多目标跟踪是多目标攻击的重要前提条件。基于数据融合技术的多目标跟踪处理分为两级 :前级为点迹融合级 ,用极大似然法设计了机载火控雷达和红外探测器的点迹融合算法。后级为融合跟踪级 ,其跟踪波门大小可调。针对近飞目标和交叉飞行目标的情况 ,点迹与航迹的关联采用了分块处理技术 ,并融合了目标的速度信息。给出了基于多探测器点迹融合的机载多目标跟踪系统的结构模型———ATSOMTA模型 ,并分析了系统的工作机制。仿真研究的结果表明了该模型的应用价值。     

基于模糊测度的多特征融合鲁棒粒子滤波跟踪

针对基于单一颜色特征的粒子滤波跟踪算法易受光照变化、部分遮挡及相似干扰物的影响,而利用多特征融合的粒子滤波方法存在各特征权值、跟踪模板及窗口大小自适应选取问题,提出了一种基于模糊测度的多特征融合鲁棒粒子滤波跟踪算法。采用颜色及边缘方向直方图来描述目标量测模型,通过分别计算这两类特征在候选目标与参考目标之间的Bhattacharyya距离来确定其各自特征的模糊测度,通过查取模糊规则表来自适应地确定两类特征的权重;将连续帧的多特征联合模板更新机制用于对初始目标模板的更新;针对目标发生尺度变化造成跟踪窗口难以自适应的问题,通过引入粒子离散度实现了跟踪窗尺寸的自适应调整。实验结果表明:所提出的跟踪算法位置平均误差小于8个像素,相比于传统方法可以有效克服光照、部分遮挡以及相似目标干扰等影响,具有较高的跟踪精度及较强的鲁棒性。     

基于改进MHT的卫星电子信息舰船目标跟踪

针对电子侦察卫星的重访时间较长且随机、舰船目标运动模型难于精确建立、数据杂波干扰强、多辐射源扩展目标跟踪等问题,结合卫星得到的辐射源特征参数提出了基于多假设跟踪(multiple hypothesis tracking,MHT)改进的舰船目标跟踪算法。首先分析了卫星电子信息舰船目标跟踪的特点;在没有辐射源类别与个数等先验知识的情况下,利用辐射源位置和载频等信息进行了两次聚类,实现了数据压缩以及杂波抑制;再在MHT的框架上利用目标运动状态信息结合辐射源的载频特征信息实现了多目标多辐射源的边跟踪边参数估计。仿真对比实验结果表明,结合辐射源特征信息的方法具有更好的跟踪性能,具有较高的跟踪精确性与稳健性。     

Tracking method based on separation and combination of the measurements for radar and IR fusion system

A new distributed fusion method of radar/infrared (IR) tracking system based on separation and combination of the measurements is proposed by analyzing the influence of rate measurement. The rate information separated from the radar measurements together with measurements of IR form a pseudo vector of IR, and the corresponding filter is designed. The results indicate that the method not only makes a great improvement to the local tracker's performance, but also improves the global tracking precision efficiently.     

基于D-S证据理论的红外小目标融合检测方法

将红外图像中的小目标检测视为基于多图像特征的像素分类问题,提出了一种基于D-S证据理论的红外小目标融合检测方法。该算法首先提取双色红外成像系统中各传感器图像的图像特征,采用D-S证据理论中的基本概率分配函数对传感器图像中的像素进行基于多图像特征的分类,得到各传感器的目标检测基本可信度图;然后应用正交和规则复合来自各传感器的目标检测判决证据,获得整个系统的目标检测基本可信度图;最后根据决策规则输出最终目标检测结果。实验结果显示,该算法能在较大程度上降低目标检测过程中的不确定性,提高了系统的检测性能。     

相关量测噪声情况下多传感器集中式融合跟踪

在实际的多传感器融合目标跟踪中,各传感器之间的量测噪声往往是相关的。对于量测噪声相关的多传感器量测,利用Cholesky分解和单位下三角阵的求逆方法,将其转化为量测噪声互不相关的等价的多传感器伪量测,然后基于Kalman滤波,提出了一种解决量测噪声相关情况下多传感器融合目标跟踪问题的新算法。与已有的和直接利用原始传感器量测的集中式融合算法相比,三者在计算精度上完全等价,但新算法的计算复杂度却大大降低。数值仿真实验进一步验证了新算法的有效性。     

空间注意机制下的自适应目标跟踪

针对现有的分层卷积特征跟踪算法在遭遇多种复杂环境时会发生跟踪失败的问题,提出一种空间注意机制下的自适应目标跟踪算法。在跟踪的过程中,根据当前帧的颜色直方图基于贝叶斯分类器建立空间注意机制,在提取VGGNet19中多层卷积特征后分别与空间注意图进行融合,从而构建稳健的目标表观模型。之后利用学习到的相关滤波器得到各响应值,通过加权求和准则求出最终响应,同时利用帧差法调整学习速率,最终实现自适应的目标跟踪。实验结果表明,所提算法在大多数复杂环境下的跟踪准确度和鲁棒性均优于现有的跟踪算法。