增加运动预测的模板匹配方法在战车火控系统中的应用

分析研究了一种新的增加运动预测的模板匹配算法,并将其应用到战车火控系统中。实验证明该算法可以满足跟踪系统实时性的要求,对于运动目标的平移,旋转运动具有不变性。     

基于可变模板的前视目标跟踪算法

基于图像序列分析的图像制导极大地提高了成像武器的跟踪精度。给出了一种基于可变模板技术和遗传退火算法的图像序列目标跟踪算法。根据目标的物理特征构造出可变模板,定义合适的能量函数,采用遗传退火算法进行优化搜索。实验结果表明,该算法能够精确检测并跟踪目标,具有很快的收敛性和较高的抗噪声性。     

基于卡尔曼滤波和模糊数据融合的跟踪算法

在目标跟踪系统中,特别是在复杂背景情况下对地面目标的跟踪中,传统相关算法采用全局搜索的方法,使得计算量相当大,不易实时实现,而且当发生目标局部遮挡时,目标容易丢失.为此,提出一种基于模糊推理和卡尔曼预测器的目标相关跟踪的方法,它充分利用卡尔曼预测器的预测功能来预测下一帧目标可能出现的区域,然后在较小的预测区域中进行相关匹配运算,找到最佳相关匹配点,跟踪更具主动性,同时用模糊推理方法对卡尔曼预测器的参数进行自适应调整,从而可以跟踪各种机动目标.实验中用传统算法和本算法对高速行驶的坦克进行跟踪时,传统算法容易跑飞,而本算法不受遮挡干扰,始终稳定跟踪且耗时大幅减少,且能够跟踪机动速度大幅变化的目标.     

一种基于多尺度分解的快速相关跟踪算法

针对传统归一化相关跟踪算法运算量较大的问题，提出一种基于多尺度分解的归一化相关跟踪算法。该算法根据目标大小对目标模板和实时图像进行高斯金字塔分解，然后从最高尺度图像开始搜索，并将最大相关点作为下一级搜索的预测值，直至匹配成功。实验结果表明，该算法能够稳定地跟踪目标，而且计算速度优于传统的归一化相关跟踪算法。     

基于DSP的运动目标跟踪技术在火控系统中的应用

介绍了基于DSP的运动目标跟踪系统的功能、组成,及其目标跟踪算法的实现.为了提高实时性和精确性,采用了相关匹配算法和粗-精算法相结合的方法,实现了对目标的快速跟踪.经过实验验证该算法简单、有效,保证了序列图像中运动目标跟踪的实时性.     

一种基于轮廓自扩展的GVF算法

针对Snake算法及GVF算法对初始轮廓覆盖区域敏感性的缺陷,提出一种轮廓自扩展方法,从而使初始轮廓能够有效地覆盖目标所在区域,达到对目标的完整搜索;将其应用到目标跟踪中,根据下一帧中目标与当前帧设置的轮廓的交叉,通过自扩展初始轮廓可以很快将目标划为搜索区域之内.实验表明,基于轮廓自扩展方法的GVF方法可以实现对目标轮廓的完整提取;在目标跟踪中可以自动、有效地跟踪目标.     

基于航拍视频的车辆目标跟踪方法

以无人机拍摄的运动车辆为研究对象,针对航拍视频中的某一车辆目标,研究其目标跟踪方法。为准确预测车辆在未来帧中出现的位置,提出基于K邻域的目标预测算法,对于车辆目标可能会出现被全部遮挡的情况,提出基于车辆运动状态估计的抗遮挡算法,在目标检测过程中,针对可能会有多个目标被检测出来的情况,提出多特征融合的图像匹配算法以对检测结果进行匹配。将上述算法相结合,形成车辆目标跟踪方法。测试结果表明,提出的目标跟踪方法平均准确率达到了91.1%,准确率相对于常见的目标跟踪算法提升了约6.35%。     

视频图象实时处理器的设计

介绍了一个用于目标自动跟踪仿真实验系统的视频图象实时处理器.该处理器硬件由图形图象处理芯片TMS34010和高速数字处理芯片TMS320C25构成,采用相关跟踪算法时,对目标模板32×32象素和搜索区64×64象素处理能达到实时.     

基于IMM滤波器的纯方位机动目标跟踪

针对无源纯方位跟踪中目标机动的问题,提出了一种基于交互式多模型的目标跟踪算法。该算法用伪量测变换估计器(PLE)将纯方位跟踪中非线性观测模型线性化,避免了计算雅克比行列式。机动目标跟踪中通过实时调整模型匹配概率,提高了滤波器对状态变化的跟踪能力。同时该算法实时修正观测噪声协方差,消除目标远离基阵时观测噪声对目标定位的影响。最后通过与MGEKF进行比较,Monte Carlo仿真结果验证了该算法的优越性。     

基于EMA算法的变结构交互多模型算法

标准交互多模型(IMM)算法使用固定数目和时不变的模型集,往往不能兼顾算法的实时性与跟踪精度。基于增加期望模型(EMA)算法的思想,提出综合利用前一时刻的模型匹配概率与当前时刻的混合概率作为加权系数调整系统噪声模型集,调整后的模型集被认为非常接近系统实际噪声模型。将该模型集自适应技术与IMM算法结合得到一种变结构交互多模型(EMA-VIMM)算法。使用机动目标跟踪仿真实例,与标准IMM算法进行了仿真对比,分析了跟踪性能与RMSE误差。仿真结果表明,EMA-VIMM算法不仅极大地提高了跟踪精度,而且与标准IMM算法相比,具有稳定的跟踪性能和较低的计算量。