基于候选轨迹统计模型的红外弱小点目标检测(英文)

建立候选目标轨迹集合,以候选目标轨迹集合为样本空间,利用沿候选轨迹的能量积分构造此空间上的概率分布,从而建立候选轨迹的概率统计模型.以此模型为基础,设计了一种弱小点目标检测方法.通过蒙特卡罗实验方法调节模型参数,使得算法的检测性能达到所提出的指标.该算法规避了以往算法中需要获得解析形式的候选轨迹密度函数的限制,因此能检测出沿任意方向作直线运动的点目标.最后,针对给定的弱小点目标观测图像序列,利用所提出的算法进行检测,仿真结果证明此算法是有效的.     

基于窗口预测匹配的序列图像点目标轨迹检测算法

序列图像中运动点目标轨迹的实时检测算法,是目标识别、实时跟踪处理系统中的关键算法之一。在分析不同层次处理方法的基础上,给出了一种基于预测、窗口匹配的点轨迹预测—匹配检测算法,并根据仿真实验的效果,指出此算法可有效地对低信噪比序列图像运动点目标轨迹进行实时检测,具有多目标轨迹检测能力。     

残差域加权ACF基音周期检测算法

针对传统自相关(ACF)基音周期检测算法存在较多的倍频和半频错误,文章提出一种基于线性预测残差域加权ACF基音周期检测方法。首先对语音信号中心削波,减小共振峰的影响;而后进行线性预测分析获得残差信号,对其求自相关值和循环幅度差(CAMDF)值,以CAMDF的倒数值为权重加权ACF进行基音周期检测;最后通过基音平滑算法对提取的基音轨迹进行后处理。仿真实验表明,该算法可降低基音提取的倍频和半频错误,提高估计精度。     

运动目标视频检测与跟踪方法

运动目标跟踪的根本任务是根据目标的运动模型和图像特征估计它们的轨迹。提出一种运动目标检测、跟踪的方法。首先使用基于自适应混合高斯模型的背景差方法提取运动区域。目标的运动估计采用扩展卡尔曼滤波,由预测位置确定初始的候选区域。然后根据目标与候选区域的变化程度确定匹配需要的特征信息。如果目标只有一个候选区域并且它们之间的区域特征变化微小,那么它们的匹配不需要额外的信息。如果目标有多个候选区域或者单个候选区域可是它们的区域特征变化激烈,除了区域特征外还使用边缘特征,通过计算目标和候选区域的边缘的部分Hausdorff距离来确定目标的最佳匹配区域。实验结果表明,该方法在存在遮挡的情况下也能够连续的跟踪多个运动目标。     

基于改进Hough变换的检测前跟踪算法

针对密集杂波环境中的弱小目标检测问题,提出了一种改进Hough变换的检测前跟踪算法,解决Hough变换参数空间峰值簇拥导致虚假轨迹较多的问题。采用样本方差信息对非相参积累值进行加权,利用时间信息抑制部分杂波和噪声积累峰值,改进非相参积累的积累方法;依据各单元的积累值对局部峰值簇拥的几个单元进行融合处理,改进阈值提取的峰值提取方法。仿真分析表明,改进算法检测目标虚假轨迹少于标准Hough变换方法,与先检测后跟踪方法相比,改进算法有3~4 d B信噪比得益。     

控制律预测的再入滑翔飞行器轨迹预测算法

针对临近空间再入滑翔飞行器巡航段轨迹预测问题,提出了控制律预测的轨迹预测算法。通过分析和推导轨迹预测中的未知量及研究归纳巡航段的飞行方式和控制律,阐明轨迹预测的可行性;研究了平衡滑翔和跳跃滑翔2类轨迹的判别方法,并在此基础上设计了控制律预测的轨迹预测算法。最后仿真验证了算法的有效性,并研究了跟踪时长和起始点对轨迹预测精度的影响。结果表明该算法针对多种类型的轨迹都具有较高的预测精度;跟踪时长对预测精度影响较大,而跟踪起始点影响较小。     

无动力滑翔高超声速飞行器轨迹预测方法

针对无动力滑翔高超声速飞行器轨迹预测问题及其应用需求,提出了基于动力学模型简化的轨迹预测方法。阐述了无动力滑翔高超声速飞行器预警探测面临的难点及轨迹预测在预警探测中的作用,说明了轨迹预测的必要性。分析了无动力滑翔高超声速飞行器的受力情况,通过合理的化简,得到简化的动力学模型,获得了运动轨迹的解析形式。设计了轨迹预测算法流程和轨迹预测精度的评价指标,通过仿真实验验证轨迹预测算法的有效性,并分析了引起轨迹预测误差的主要原因。     

基于决策图的轨迹运动趋势提取

在军事应用中,为了提取群体目标的整体运动趋势,提出了一种基于决策图的轨迹聚类来提取轨迹运动趋势的方法。该方法不需要预设参数,且聚类中心的个数既可以通过决策图人工确定,又可以通过数值检测策略自动确定,由此减轻了算法对领域知识的依赖,增强了算法的适用性。仿真实验表明:该方法能正确确定轨迹聚类簇,且对轨迹噪声有一定的抑制作用。     

再入高超声速滑翔飞行器可达区域快速预测方法

为了使防御方实时了解目标威胁以尽早制定拦截方案,提出一种再入高超声速滑翔飞行器可达区域快速预测方法。基于防御方所知目标信息,分别设计了目标识别算法、防御方轨迹优化算法以及可达区域拟合方法。首先通过目标升阻比大小判断目标类型,以此确定预测算法的起始时刻,然后运用防御方轨迹优化算法得到最大纵程、最小纵程、最大横程3类轨迹,最后对这3类轨迹的落点进行椭圆拟合,生成目标可达区域。仿真结果表明该方法能够快速判断目标类型并生成目标可达区域,对反再入高超声速滑翔飞行器指挥决策问题的研究具有重要意义。     

基于时间外推的目标跟踪解析算法及其改进*

为了解决解析算法在解算过程中存在的多解问题,提出一种解的确定方法,通过预测传感器发现目标的时间,给出一种时间递进的解的确定过程。最后,借助于Repast仿真平台,对算法进行了仿真,表明解析算法与线性拟和算法相比,具有更好的精度。     

基于贝叶斯正则化的Elman-NARX神经网络飞行轨迹预测

针对BP和Elman神经网络对预测飞行轨迹误差较大和时间较长的问题,提出了一种基于贝叶斯正则化的Elman-NARX神经网络方法。分析了飞行员的操纵量,确定网络的输入。然后改进NARX神经网络结构,提高了网络的非线性和动态性,同时采用贝叶斯正则化算法训练网络,改善网络的收敛时间和泛化能力。最后,基于BP神经网络、Elman神经网络和Elman-NARX神经网络等方法的飞行轨迹预测对比实验结果表明,该方法的预测精度和速度较高,具有实际应用价值。     

线性二次型及模型预测控制编队控制研究

多智能体集群作战是未来战场的重要形式。作为集群作战中的关键技术,编队控制有着广泛的应用。以编队控制律为研究目标,选择2种优化控制方法:线性二次型调节器(linear quadratic regulator,LQR)方法和模型预测控制(model predictive control,MPC)方法。针对圆形编队轨迹,采用二阶动力学模型,基于相似一致性算法,在二维平面上仿真4个智能体绕轨迹中心旋转的编队运动场景,探究2种优化控制方法仿真效果。结果表明模型预测控制相比线性二次型调节器控制收敛速度更快,控制稳定性更高,侧向误差更小。增加侧向加速度补偿之后编队智能体在模型预测控制的作用下,圆形轨迹侧向追踪误差大幅度降低。     

最小二乘滤波在目标跟踪中的应用

根据目标在运动过程中具有轨迹连续性的特点,基于最小二乘法通过设计综合预测器的方法,并结合坐标变换得出目标的预测位置信息。这种方法结合了线性预测器与平方预测器的特点,对于目标跟踪过程中的预测更加贴近,且能减少跟踪算法的计算量;对于实现导弹的稳定跟踪具有一定的应用价值。     

融合神经网络与超像素的候选区域优化算法

为解决目标检测中候选区域召回率低的问题,提出融合神经网络与超像素的目标候选区域算法。该算法利用神经网络提取更能清楚表达目标边界的特征,并使用聚类、相似性等策略,计算每个滑动窗口所含有的边缘信息量;将待测图像使用简单线性迭代聚类算法分割成若干个超像素,并利用超像素的空间位置、完整性、相邻超像素间的对比度信息,计算各个超像素的显著性得分及每个滑动窗口的显著性得分;根据每个滑动窗口的边缘信息及显著性得分筛选滑动窗口。在PASCAL VOC 2007测试集上进行对比实验,其实验结果表明:所述算法能够快速产生定位质量高的候选区域。     

一种改进的应用于高速目标角点检测的AFJHA算法

针对经典Harris角点检测算法对于全局像素点求取角点响应函数所带来的计算复杂度高,从而不适合实时检测的弊端,提出了一种新的快速角点检测算法。鉴于角点数量只占整个图像像素点很小一部分,首先利用四方向亮度导数来进行候选角点预判断,阈值选取为图像像素点像素值的标准差的倍数。经过预判断后,再考虑8-邻域相似点个数,根据相似点个数对应的情况对候选角点进行再判断,将剩下的候选角点进行Harris算法检测。仿真结果表明,此改进算法能够有效地提高角点检测效果并减少检测时间。     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

高超声速滑翔目标多层递阶轨迹预测

为给高超声速滑翔目标态势与威胁评估、拦截防御等提供先验知识,提出一种多层递阶轨迹预测方法。该方法借鉴多层递阶预测理论对预测模型进行随机补偿,将轨迹预测问题分解成气动参数和模型误差的混合预测以及在此基础上对目标轨迹的预测。方法首先利用气动参数增广状态向量进行动力学建模,对气动参数和模型误差进行混合估计,根据参数估计值进行时间序列预测。然后,在参数预测的基础上,利用动力学模型积分预测目标轨迹。仿真设计了2种有规律的飞行模式仿真场景,分析跟踪与预测时间对预测精度的影响,结果表明算法具有稳定可靠的轨迹预测能力。     

多模自适应滤波算法的性能改进方法

多模自适应滤波算法基于已知的故障情况设计出一组卡尔曼滤波器预测系统对给定输入的响应,根据卡尔曼滤波器的预测输出和系统的测量值确定各滤波器的残差,从而检测出系统是否发生故障及其故障类型.采用传统的多模自适应滤波算法检测故障时会有一定的时间延迟,不利于系统故障的实时检测,因此提出了几种减少多模自适应算法故障检测时间的方法,并将其应用于某无人机执行器和传感器的故障检测和识别,仿真结果证明可以有效地减少故障检测时间.     

变加速运动目标的相参积累算法

针对高速机动目标发生多种距离走动和多种多普勒走动现象而无法实现能量有效积累问题,提出了一种不需要进行参数搜索的变加速运动目标的相参积累算法。首先,对频域脉压回波信号进行慢时间序列翻转变换,并与频域脉压回波信号相乘,可以同时校正速度引起的线性距离走动、加加速度引起的三阶距离走动和加加速度引起的多普勒弯曲。其次,采用二阶keystone变换的方法对加速度引起的距离弯曲进行校正。最后,将慢时间维信号看做线性调频信号,利用双正交傅里叶变换估计调频斜率来实现相参积累。通过仿真证明,该方法能够有效实现积累,能够实现多目标检测,相比其他算法具有优越性。     

基于数学形态学和支持向量机的跑道检测方法

提出了一种基于数学形态学和支持向量机的跑道检测方法.首先采用Otsu法对原始图像进行全局阈值化处理,并利用灰度形态学边缘检测算法对所得图像进行边缘检测;然后利用Hough变换提取线段,若线段超过一定长度,则判定其所在区域为跑道的候选区域;最后选择8个分量组成跑道候选区域的纹理特征向量,用支持向量机作为分类函数,对候选区域的纹理特征向量进行分类,判别出跑道.实验表明,该算法对跑道定位准确,误检率低.