一种基于雷达资源管理优化的跟踪系统

战场上雷达是对目标进行跟踪的常用手段,当敌方施放有源压制干扰时常导致目标航迹丢失,雷达无法对目标进行持续跟踪。为了改善对目标的跟踪性能,建立了干扰背景下基于雷达资源管理优化的跟踪系统,采用Kalman滤波预测雷达量测缺失数据,当跟踪精度不满足期望值时应用支持向量机回归(SVMR,Support Vector Machine Regression)算法估计缺失数据,仿真验证了该系统能够解决有源压制干扰条件下的目标航迹丢失问题,增强了雷达对目标的跟踪性能。     

粒子PHD滤波存活粒子采样新方法

针对多目标跟踪粒子概率假设密度滤波算法中存活粒子的重要性密度采样问题,给出一种结合最新量测信息的存活粒子重要性密度采样新方法.该方法根据最新量测集中的各个最测与目标粒子的单步预测状态的似然值,以概率选取量测值,利用无迹变换获得粒子的重要性密度函数,并对其进行采样实现粒子概率假设密度滤波中存活粒子的采样,有效地减轻了粒子的退化现象. 3目标跟踪仿真试验中,当目标模型与跟踪算法使用的目标模型不匹配时,采用所提出的存活粒子采样方法的粒子概率假设密度滤波算法最优子模式分配距离下降约70km.论文给出的存活粒子采样新方法显著地提高了多目标跟踪粒子概率假设密度滤波算法的鲁棒性.     

基于箱粒子滤波的再入弹道目标跟踪

弹道目标在再入段运动方式的不确定性和复杂性导致了跟踪问题呈现非线性、不精确性。为此,引入一种"广义粒子滤波"算法——箱粒子滤波算法对再入段的弹道目标进行跟踪。该算法有别于传统点量测和误差统计模型,采用基于区间分析的箱粒子来处理这类不精确性,更加符合实际系统的工作情况,且克服了粒子滤波因需大量粒子拟合带来的实时性差的问题。仿真实验将新算法与粒子滤波算法和无迹卡尔曼滤波算法进行了对比。仿真结果表明,在确保了跟踪精度的前提下,新算法计算效率更高,是个很有效的跟踪再入目标的非线性滤波算法。     

一种改进的均方根容积粒子滤波算法

传统的粒子滤波算法在重要性采样估计时忽略了当前量测影响。在非线性场景下,传统的粒子滤波导致个别粒子具有大权值,造成估计结果精度差。针对该问题,结合均方根容积卡尔曼滤波(SCKF)算法和Gating技术,提出了一种新的重要性函数估计算法。本算法将后验概率作为重要性采样函数,通过利用SCKF和统计距离,建立粒子与量测的关联关系,实现对重要性采样函数的均值和协方差矩阵的估计。而后,使用粒子滤波算法,对多目标状态和数目进行估计。实验表明,在非线性跟踪场景下,本算法估计精度高,估计结果稳定。     

跟踪系统持续稳定跟踪目标的粒子滤波

在现代战争中,视频跟踪技术是实现精确火力打击的关键技术,是获取信息对抗胜利从而夺取战争主动权、实现发现即摧毁的重要保证。由于战场地理环境复杂,经常存在跟踪目标被遮挡而丢失的情况,因此,稳定的长时跟踪算法必不可少。针对现在战场复杂环境下目标跟踪遇到的问题,提出了基于KCF(Kernelized Correlation Filters)和粒子滤波相融合的跟踪算法,相比较传统算法其能够在复杂环境下完成长时、稳定、准确的跟踪。通过设计的视频跟踪系统的硬件平台实验结果显示,该算法可实现目标的稳定跟踪以及目标被遮挡丢失之后的重新检测,能够满足复杂战场环境下目标的长时稳定跟踪的需求。     

杂波环境下机动目标跟踪算法研究

杂波环境下的机动目标跟踪问题具有非线性、非高斯、不完全观测的特点,其难点在于观测值与目标的对应关系及每一时刻的运动模式均呈现高度不确定性。文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的杂波环境下机动目标跟踪算法——多模型辅助粒子滤波算法(MMAPF)。仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在相同的情况下,具有更高的滤波精度和较好总体性能。     

无序量测下的机动弱目标检测前跟踪

针对无序量测(OOSM)情况下的机动微弱目标检测与跟踪问题,提出一种基于OOSM和多模粒子滤波(OOSM-MMPF)的检测前跟踪(TBD)算法。该算法通过直接利用OOSM对粒子权重进行更新,并在此基础上对粒子集进行重采样,从而实现OOSM情况下的目标状态更新。由于充分利用了OOSM包含的信息,该算法可以有效提高机动微弱目标的正确检测概率与跟踪精度。仿真结果表明,该算法可以有效处理OOSM问题,实现对机动弱目标的有效检测和跟踪,其算法性能接近顺序量测滤波时的MMPF算法性能。     

基于粒子滤波的复杂背景下的红外运动目标跟踪

粒子滤波是一种处理非线性和非高斯动态系统状态估计的有效技术,针对目标被严重遮挡或有相似干扰等复杂背景情况下红外运动目标跟踪问题,提出了一种基于目标灰度与运动特征的粒子滤波算法。该算法将带有空间信息的灰度模型与带有灰度信息的运动模型进行融合,得到一个联合观测模型,并将其用于粒子滤波跟踪框架。与经典粒子滤波算法相比,文中算法效率略有降低,但跟踪的准确性和鲁棒性却大大增强。     

基于均值漂移交互多模型粒子滤波算法

针对交互多模型粒子滤波计算量大的问题,将视觉跟踪领域的均值漂移算法(Mean Shift)与交互多模粒子滤波(PF)算法相结合,该算法利用均值漂移算法在重采样之后将粒子收敛到靠近目标真实状态的区域内,在提高定位精度的同时减少所采用的粒子数,减少了算法的运行时间.通过被动跟踪仿真实例,同时使用均值漂移粒子滤波与传统粒子滤...     

基于特征融合的粒子滤波红外目标跟踪算法

红外目标观测特征单一是粒子滤波跟踪算法易发生跟踪丢失的主要原因。提出一种基于特征融合的粒子滤波红外目标跟踪算法。考虑到红外目标特征描述的局限性,建立基于灰度直方图和梯度方向直方图的特征观测模型,通过计算候选模板和目标模板的巴氏距离来更新粒子权值。为提高目标跟踪的精度,对目标模板采取自适应动态更新策略。Matlab仿真实验验证,改进算法在复杂背景下的红外目标跟踪中表现出较强的准确性和鲁棒性。     

改进的多扩展目标PHD滤波算法

在扩展目标产生量测密度差异较大的情况下,传统的基于距离划分的多扩展目标高斯混合概率假设密度(ET-GM-PHD)滤波算法计算量大,跟踪效果不佳。针对这个问题,提出了一种改进的ET-GM-PHD滤波算法,该算法首先通过局部异常因子(LOF)检测对量测集进行杂波的滤除,然后采用共享最近邻(SNN)相似度为量测划分准则。SNN相似度体现了量测分布的局部信息,考虑了量测周围的量测信息,因此利用SNN相似度划分量测密度差别较大的量测集时,划分效果比较理想。提出的算法相较于传统算法,减少了运行时间,提升了跟踪的稳定性。     

主被动传感器空时对准融合模型目标跟踪技术

针对主被动传感器量测的时空不同步和定位的非线性,以提高跟踪精度为目的,构建了空时对准融合跟踪模型。通过牛顿插值法实现了时空量测的同步,并基于融合算法建立了模型的滤波算法。最后,在匀速直线运动目标和机动目标的背景下验证了时空对准融合跟踪模型对目标的跟踪效果,在主被动传感器信息利用、提高精度等方面具有一定的理论和实际意义。     

基于误差校准的多雷达粒子滤波检测跟踪算法

基于粒子滤波的检测前跟踪方法是一种处理弱目标检测与跟踪的有效方法。使用多部雷达对同一目标进行观测,可以提高目标的检测概率和跟踪精度。但雷达系统误差不同,得到的目标量测信息不能直接进行融合。针对多个具有不同系统误差的雷达联合检测跟踪问题,通过将不同雷达的量测信息向前追溯,对误差进行校准,从而消除不同雷达对于同一粒子的量测误差,然后将粒子权重进行融合。仿真结果表明,在雷达具有不同系统误差的情况下,采用本算法可以有效提高目标的跟踪精度。     

基于改进遗传粒子滤波与SME的多目标跟踪算法

针对基于对称量测方程的多目标跟踪,传统的滤波手段无法解决因对称变换带来的非高斯问题,提出一种新的遗传粒子滤波方法。新的滤波算法利用粒子的噪声含量与权值的负相关,改进了更新过程中权值计算所依赖的概率密度函数,避免了新量测噪声的求解。同时利用遗传算法的优势,保障了粒子的多样性,提高了粒子的使用效率,防止了滤波发散及局部最优。仿真结果表明,基于对称量测方程的多目标跟踪中,改进的遗传粒子滤波算法较扩展卡尔曼滤波算法、不敏卡尔曼滤波算法和联合概率数据关联滤波算法跟踪效果更好。     

非线性目标跟踪滤波算法的比较研究

针对不同的非线性目标跟踪滤波算法在性能上存在较大差异的问题,展开了5种非线性滤波算法的比较分析研究,通过分析不同滤波框架下非线性目标跟踪性能,阐述了算法理论中的关键异同点.通过仿真实验和跑车试验,比较了基于Kalman框架下非线性滤波算法和基于Monte Carlo贝叶斯估计的粒子滤波在估计精度、计算量等方面的优劣性.实验结果表明,在复杂的非线性环境中,粒子滤波相对于其他4种滤波器滤波精度更高,但计算复杂耗时长,该结果可为非线性目标跟踪滤波算法的选取提供有益的参考.     

基于双层粒子滤波的多传感器多目标TBD算法

针对多传感器多目标检测跟踪问题,提出了一种多传感器多目标双层粒子滤波检测前跟踪算法。算法采用双层粒子滤波结构,在目标检测层中采用量测消除法对多目标逐一检测,形成目标跟踪子粒子群,在目标跟踪层中采用二次重采样的方法对粒子群中粒子分布进行修正,在跟踪过程及时发现并剔除虚假目标。仿真结果表明算法的有效性。     

基于改进Rao-Blackwellized粒子滤波的WSN被动目标跟踪

Rao-Blackwellized粒子滤波虽然适合系统状态包含线性高斯分量的非线性状态估计,但是由于其计算量较大,不适用于实时性较高的被动目标跟踪情况。针对Rao-Blackwellized粒子滤波的不足,提出了改进的Rao-Blackwellized粒子滤波算法用于WSN被动目标跟踪。新的算法由一个粒子滤波和一个卡尔曼滤波组成,在执行过程中,粒子滤波和卡尔曼滤波相互交换信息,并行运行。计算机仿真结果表明,新的算法能够更好地减少计算量,提高跟踪的实时性。     

IMM-SCKF算法在海面扩展目标跟踪中的应用

随着雷达测量性能和信号处理水平的不断提高,对目标的探测提供了目标更多的特征信息,因此传统研究中将目标视为质点的假设具有一定的局限性。对雷达跟踪海面舰船目标展开研究,首先利用目标的尺寸参数将目标建模为具有一定形态的椭圆模型,并构建出扩展量测模型。然后采用IMM-SCKF算法对扩展目标进行跟踪滤波,通过扩展信息提高算法的跟踪精度。最后通过机动目标跟踪仿真,验证了所提算法相比于传统的质点算法具有更好的跟踪性能。     

修正的EKPF算法在固定单站被动目标跟踪中的应用

基于以角度、角度变化率、多普勒频率变化率信息为观测量的固定单站被动目标跟踪系统,引入扩展卡尔曼粒子滤波(EKPF)算法对定位结果进行滤波处理。理论分析和仿真实验证明了其滤波性能在该系统中的优越性。针对EKPF算法运算量大、实时性差的问题,通过对部分粒子进行间隔EKF采样,将EKPF算法进行修正。修正的EKPF算法既有效降低了运算量,又增加了粒子的多样性,使粒子集更加逼近真实的后验概率密度函数。计算机仿真表明,与传统的EKPF算法相比,修正算法在保证滤波性能基本不变的前提下,算法实时性得到了有效提高。     

基于H∞滤波的无序量测更新算法

在目标跟踪系统中,传感器量测因通信延迟无序地到达融合中心,产生无序量测融合问题。针对此问题,将H∞滤波作为基础滤波算法,提出了一种可处理单步或多步延迟无序量测的新算法。新算法借鉴有序滤波思想,利用等价量测来代替无序量测发生时刻后的量测序列,然后从该时刻起利用无序量测和等价量测进行有序更新。仿真实验表明,新算法相比于传统算法有更高的滤波精度,尤其在系统模型误差较大时仍有良好的滤波效果。