红外传感器目标跟踪算法

对红外传感器目标跟踪进行了系统的阐述 ,包括航迹起始、已知目标强度分布模型时的红外目标跟踪 ,对目标质心伪测量的红外目标跟踪 ,基于质心及质心偏移测量的红外目标跟踪 ,红外传感器的目标机动检测、利用图像分割和目标特征的红外目标跟踪 ,图像相关算法和 Kalman滤波的红外目标跟踪 ,简化充分统计量的红外目标跟踪 ,修正球坐标系 (MSC)的红外目标跟踪、利用主客观知识的红外跟踪 ,红外传感器的微弱信号检测与跟踪以及红外传感器检测 -跟踪的联合优化等研究具有一定的参考意义     

自适应交互多模型算法在机动目标跟踪中的应用

针对多模型算法在机动目标跟踪中存在的问题,运用交互多模型算法(IMM)和自适应滤波理论,设计了一种自适应交互多模型算法(AIMM),结合目标运动模型对目标当前加速度和其方差进行估计,并在此基础上给出了AIMM中模型集和模型转移概率的设计方法,进行了计算机仿真.蒙特卡罗仿真结果表明,与标准IMM算法相比,该算法比IMM算法的跟踪性能有很大提高,跟踪复杂机动目标比IMM有更快的收敛速度,跟踪滞后问题得到较好的解决,跟踪目标的稳定性和精确性均优于IMM算法,有利于机动目标的实时跟踪.     

基于多测量融合的粒子滤波跟踪算法

复杂背景下运动目标的可靠跟踪,是计算机视觉领域中一个极具挑战性的问题。提出了一种融合颜色和纹理信息的粒子滤波跟踪算法,在粒子滤波的测量阶段,使用颜色直方图对目标进行颜色描述,用梯度方向向量对目标进行纹理描述。对这两种信息,分别用Bhattacharyya系数和欧几里德距离比较粒子与参考模板的相似性。为解决目标变化和遮挡问题,采用了模板更新策略。实验结果表明该方法是稳健的,能够在复杂的背景下对运动目标进行有效、可靠的跟踪。     

考虑禁飞区的高超声速飞行器再入跟踪控制

为确立高超声速飞行器再入精确模型,参考NASA的研究数据对动力学方程中的气动参数进行拟合。基于飞行器结构的相关性质及战略应用背景,加入热流密度、动压、过载和禁飞区等参考约束的限制,融合成强非线性、复杂耦合的最优控制问题。采用改进自适应伪谱法求解模型所构建的微分方程组,通过设置自适应网格细化与配点,使单位时间内状态变量和控制变量波动过大的时间区间被进一步细划,并利用SNOPT求解器解算出符合条件的最优轨迹。设计闭环控制器,实现对最优轨迹的姿态变化的跟踪,测试系统的性能并进行评估。仿真结果表明:整个再入过程中,飞行器速度下降过程偏于平稳,再入轨迹可以满足约束条件,在避开禁飞区的同时取得最大横向航程;三通道角速度收敛可控,对姿态的跟踪较理想,控制器基本可以实现精确调姿。     

基于高斯伪谱法的弹道跟踪制导律

针对拦截临近空间高超声速飞行器的弹道跟踪过程,设计了一种基于高斯伪谱法的跟踪制导律。为了对标称弹道进行精确跟踪,基于线性二次型跟踪问题,应用最优控制理论推导最优解的充要条件,得到带时变增益的线性状态反馈控制量的表达式;基于高斯伪谱法,在离散的勒让德-高斯(LG)点上利用标称弹道数据计算差分矩阵和系数矩阵,求得状态扰动反馈控制律。仿真结果表明,该方法能够快速、有效的消除跟踪误差,满足在线实施要求。     

自适应采样数粒子滤波算法

基于统计决策规则提出自适应采样数粒子滤波算法,在定义综合性能风险函数的基础上,推导出粒子数与滤波误差方差之间的关系式,使得在跟踪过程中,可以根据目标的机动情况在线调节粒子数,以使跟踪性能达到最优。在Matlab仿真平台下进行了闪烁噪声下的机动目标跟踪实验,结果表明,自适应采样数粒子滤波算法是一种有效的机动目标跟踪方法,跟踪性能较基本粒子滤波算法提高了3.7倍。     

基于HSV模型的运动目标提取与跟踪

为了实现对运动目标跟踪的目的,根据六角椎体模型原理(HSV),运用自适应阈值分割的方法,将运动目标从背景中提取出来,并对目标的运动轨迹进行计算与预测.利用Matlab 6.5,实现了单目标的提取与跟踪.经分析,这种方法速度较快,占用资源较少,非常适合工程应用.     

舰载被动传感器数据关联算法研究

针对ESM的属性关联和空间关联准确度不高的问题,提出了一种属性-空间综合关联算法。建立了属性-空间综合关联算法的功能模型,并对采用算法进行了描述和仿真。仿真试验结果表明,属性-空间综合关联能有效克服不同平台、相同目标属性关联和同一平台、不同辐射源空间关联存在的问题,且具有较高的关联准确度。     

杂波环境下红外传感器滤波算法

基于定向概率数据关联滤波(DPDAF)算法,根据红外传感器对目标方位角与俯仰角分辨率不同的特性修正了似然函数,并利用等效观测噪声协方差阵修正滤波增益的思想,构造了一种旨在提高红外传感器跟踪性能的修正定向概率数据关联滤波算法.蒙特卡洛仿真结果表明,新算法对红外目标的跟踪具有比DPDAF更好的跟踪性能.     

多传感器任务分派的快速启发式规划新算法

在多目标多传感器管理中经常采用的线性规划算法中,随着传感器个数和目标个数的增加,计算量会爆炸式增长,使得跟踪系统不能实时计算,为此,根据传感器管理中线性规划的特点,提出了一种快速启发式算法,考虑组合中的传感器个数将组合的分配效用转化为权重,递推分配权重最大的组合,逐步减小组合和目标的个数.证明了权重最大的组合分派能实现组合中的传感器的最大效用.仿真结果表明该算法在与采用线性规划方法的跟踪精度相当的情况下,能有效地减小计算量.