分布式被动传感器网异步采样下的机动目标跟踪

针对分布式被动传感器网的特点，提出了一种异步采样条件下机动目标跟踪方法。该方法采用交互式多模型概率数据互联滤波器跟踪机动目标。为启动滤波器，采用最大似然法估计目标初始状态；为适应异步观测条件，提出了马尔可夫转移概率计算方法。仿真实验表明，在分布式被动传感器网中采用该算法能有效进行机动目标跟踪。     

基于模糊Hough变换的被动传感器系统航迹起始方法

提出一种基于模糊Hough变换(FHT)的被动传感器系统中的航迹起始方法。首先利用逻辑关系或规则初步排除鬼点,以降低计算复杂度,推导出被动传感器系统中的Hough变换形式。考虑到传感器系统误差和测量误差对检测结果的影响,将传感器系统获得的观测值模糊映射到参数空间,利用梯度信息降低计算消耗,求出参数空间的模糊累积矩阵,通过模糊推理确定出最终的航迹检测结果。实验结果表明,所提的模糊Hough变换方法能有效解决杂波环境下的航迹起始问题,且计算消耗小。     

基于蚁群算法的多目标跟踪方法

提出了一种新的基于蚁群算法的多目标跟踪方法.方法采用蚁群算法实现多目标跟踪中的数据关联,首先将多目标跟踪中的数据关联问题表示为具有约束条件的优化问题.用蚁群算法对该优化问题求解,得到的解即为最优关联.为验证该算法的有效性,在两种状态估计方法EKF(extended Kalman filter)和S1S(sequential importance sampling)的基础上进行了多目标跟踪实验,并且与传统的NN(nearest neighbor)方法进行了比较.在与SIS框架结合时,算法中采样粒子包括状态矢量和关联矢量,状态矢量通过序贯重要性重采样获得,关联矢量通过蚁群算法求得.实验结果表明,将蚁群算法融合进SIS算法进行多目标跟踪是有效的.     

一种基于模糊运算的多目标多传感器跟踪算法

为在测量误差较大的情况下实现多传感器多目标跟踪,提出了一种基于模糊运算的融合算法。系统由多类型传感器组成,单个传感器测量范围小,测量误差大,并且数据传输时延大。利用非单值模糊逻辑系统计算数据模糊关联,采用参数曲线最小二乘跟踪法拟合目标运动轨迹,实现了一种在多种传感器并存的模糊传感器阵列中,集中式点迹序贯融合的方法。给出了实现该方法的具体步骤,实验证明该方法是行之有效的。     

基于unscented粒子滤波的红外弱小目标跟踪

为有效解决非线性环境中的红外弱小目标跟踪问题,提出基于unscented粒子滤波的目标跟踪算法。状态转移先验概率中未考虑当前测量对状态估计的作用,为克服传统粒子滤波算法采用状态转移先验概率作为粒子滤波建议分布的缺点,采用UKF生成粒子滤波的建议分布(UPF),并从中抽样粒子。由于考虑到当前观测值在状态后验估计中产生的影响,改善了目标状态估计的性能,且实验所需粒子数目大大少于传统粒子滤波算法所需粒子数目。用实际红外图像对所提算法做了仿真实验,结果表明,用该方法得到的状态估计结果优于用传统粒子滤波算法和用扩展卡尔曼滤波作为建议分布的粒子滤波算法获得的结果。     

模糊数据互联滤波器及其在机动目标跟踪中的应用

为解决机动目标跟踪过程中的数据关联问题，提出了模糊数据互联滤波器，分析了其工作机理，并将其应用于机动目标跟踪中。与概率数据互联滤波器不同，在进行数据关联时，模糊数据互联滤波器饭定目标当前转弯率在一定范田内取位，其预测中心不再是一个点，而是一线段；在计算洲量的权重系数时，依据的是洲量距该线段的距离。仿真实验表明，杂波环境下对机动目标跟踪时，采用模糊数据互联滤波器降低了航迹丢失率。