一种改进的粒子滤波目标跟踪算法

针对无线传感器网络实际环境的非线性模型目标跟踪问题,提出一种改进的粒子滤波跟踪算法。首先用模糊C-均值算法确定量测的目标归属,对同一目标的量测进行线性融合,然后用采样重要重采样粒子滤波估计目标位置。仿真结果表明：在非线性模型下,所提出算法与扩展卡尔曼滤波相比,目标估计位置的均方根误差从0．6895m显著减小到0．3703m。     

粒子滤波在目标跟踪中的状态维数降解

针对标准粒子滤波算法中计算量大的问题,提出粒子滤波在目标跟踪中的状态维数降解方法。试验结果表明,该方法在保证跟踪精度的同时,极大减少了在二维或多维情况下的粒子滤波计算量,提高了粒子滤波的实时性能,取得了较好的跟踪效果。     

面向异常事件监控的目标跟踪算法设计

针对异常事件监控的需求,提出一种运动目标跟踪算法.该算法首先运用背景减法检测出运动目标,然后运用SURF(speeded-up robnst features)对运动目标进行特征提取和特征匹配,结合扩展卡尔曼滤波器(EKF)实现目标跟踪.实验结果表明,该算法能够有效地解决静态场景下异常事件监控等问题,具有较好的实时性和鲁棒性.     

无线传感器网络下的最优粒子滤波目标跟踪算法研究

在不确定噪声类型的非线性无线传感器网络环境下,采用分布式代价参考粒子滤波算法对移动目标进行跟踪。针对出现的概率密度函数方差不收敛的问题,结合最优控制思想,提出算法的改进。分析自适应函数中方差更新的特点,将修正系数γ替换步长k,以最接近真实轨迹为依据,选取最佳粒子;建立非高斯噪声的目标运动模型,利用仿真工具比较改进前后算法得出的多步数状态估计值方差,验证可行性,并给出修正系数γ的最佳取值范围。     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼(Kalman)滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

基于贝叶斯滤波方法的心脏运动信号实时滤波算法

提出一种基于贝叶斯滤波递推状态估计的心脏运动测量信号实时滤波算法,提高心脏数据的测量精度,该方法建立了心脏运动模型与传感器误差模型,采用了扩展卡尔曼滤波与粒子滤波两种贝叶斯滤波方法的实现形式。实验结果表明,提出的算法有效地还原了心脏运动的真实值,并且满足了跟踪系统实时数据处理的要求,为整个系统精度的提高提供了保证。     

基于Meanshift采样的辅助变量粒子滤波跟踪算法

针对视频图像运动目标跟踪时的时延问题和目标被遮挡时易丢失的问题,提出了一种基于Meanshift采样的辅助变量粒子滤波跟踪算法。采用AVPF算法作为跟踪算法的主体框架,对每个辅助采样粒子进行Meanshift转移,利用采样粒子确定候选目标区域,对候选目标模型与目标模型进行相似性度量,更新粒子权重,最后估计目标状态。仿真结果显示,本文算法能够有效处理跟踪过程中目标部分被遮挡的问题,具有较好的鲁棒性和较好的实时性。     

非线性、非高斯系统滤波的最优估算

为了探寻非线性、非高斯系统滤波的最优算法,运用Python搭建Monte Carlo仿真实验模型,观察了扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、重要性重采样算法(SIR)和辅助粒子滤波(APF)的状态估计曲线,对比了仿真结果的RMSE平均值,对各种滤波算法进行性能评估.实验结果表明,EKF对于强非线性系统会出现滤波发散现象,APF比UKF和SIR有更好的跟踪准确性.     

基于相关滤波的重检测目标跟踪算法

针对目标跟踪中因严重遮挡、变形、快速运动等因素导致的跟踪失败问题,提出一种基于相关滤波的重检测跟踪算法。首先使用相关滤波算法Staple对目标进行位置估计,然后构造一个检测滤波器对Staple算法跟踪结果进行置信度检测,将检测分数作为跟踪结果的置信度评估结果。若检测分数小于给定阈值,则激活在线SVM分类器对跟踪结果进行重检测。同时用检测滤波器对SVM分类结果进行检测,若检测分数大于Staple跟踪算法检测分数,则采用SVM的跟踪结果。在基准数据集OTB-2013上的实验结果表明,该算法精度达到80.2%,成功率达到60.6%,整体性能优于其它6种对比算法。     

伪线性卡尔曼滤波在目标被动跟踪中的应用

在对目标进行纯方位跟踪时,伪线性卡尔曼滤波算法是一种有效的跟踪滤波方法,该方法可以很好地对目标运动状态进行估计。通过仿真证明了该方法降低了对模型精度的要求,具有较好的稳定性。     

An unscented particle filter for ground maneuvering target tracking

In this study, an unscented particle filtering method based on an interacting multiple model (IMM) frame for a Markovian switching system is presented. The method integrates the multiple model (MM) filter with an unscented particle filter (UPF) by an interaction step at the beginning. The framework (interaction/mixing, filtering, and combination) is similar to that in a standard IMM filter, but an UPF is adopted in each model. Therefore, the filtering performance and degeneracy phenomenon of particles are improved. The filtering method addresses nonlinear and/or non-Gaussian tracking problems. Simulation results show that the method has better tracking performance compared with the standard IMM-type filter and IMM particle filter.     

Gaussian particle filter based pose and motion estimation

Determination of relative three-dimensional (3D) position, orientation, and relative motion between two reference frames is an important problem in robotic guidance, manipulation, and assembly as well as in other fields such as photogrammetry. A solution to pose and motion estimation problem that uses two-dimensional (2D) intensity images from a single camera is de- sirable for real-time applications. The difficulty in performing this measurement is that the process of projecting 3D object features to 2D images is a nonlinear transformation. In this paper, the 3D transformation is modeled as a nonlinear stochastic system with the state estimation providing six degrees-of-freedom motion and position values, using line features in image plane as measuring inputs and dual quaternion to represent both rotation and translation in a unified notation. A filtering method called the Gaussian particle filter (GPF) based on the particle filtering concept is presented for 3D pose and motion estimation of a moving target from monocular image sequences. The method has been implemented with simulated data, and simulation results are provided along with comparisons to the extended Kalman filter (EKF) and the unscented Kalman filter (UKF) to show the relative advantages of the GPF. Simulation results showed that GPF is a superior alternative to EKF and UKF.     

机动目标跟踪的TIMM算法

针对如何避免或减少由于目标的机动运动所带来的估计误差问题,提出了具有门限的相互作用多模型估计(TIMM)的新算法.该算法主要应用于雷达目标自动跟踪系统中.TIMM算法在相互作用多模型估计器(IMM)算法的基础上引入门限控制器来提高跟踪精度,该算法同样适用于其他各种改进的IMM算法.通过2个不同的例子,对由TIMM和IMM这2种算法产生的均方根误差进行比较.仿真结果表明,同IMM算法相比较,TIMM算法可减少估计误差,从而提高机动目标的跟踪性能.     

非线性系统卡尔曼滤波新方法

为了在非线性、非高斯系统估计中获得更好的精度,提出一种新的unscented卡尔曼滤波(UKF).采用确定性采样方法,通过选择unscented变换中的参数α＝0.85,β＝2和l＝0,确定出2n 1个σ点,使这些σ点完全符合非线性系统Yi＝F(Xi)的高斯随机变量的均值和方差.仿真结果表明:σ点通过实际的非线性系统Yi＝F(Xi)传递后,其后验均值和协方差可以达到泰勒展开式的三阶精度,广义卡尔曼滤波(EKF)只能达到一阶精度.该UKF滤波与EKF算法复杂度相近,但具有比EKF更好的估计精度.     

基于均值移动重要性采样的粒子滤波人脸跟踪算法

针对condensation目标跟踪算法中用先验转移概率作建议分布函数时没有充分考虑最新观测信息的缺点,提出了一种基于均值移动重要性采样的粒子滤波人脸跟踪算法.算法首先利用均值移动跟踪器粗略定位人脸目标,然后再用此跟踪结果去构造建议分布函数进行粒子传播.由于通过该方法所构造的建议分布函数中包含了最新的观测信息,所以它可以使大多数粒子点都能分布在真实状态区域周围,进而提高了粒子传播的准确性.人脸跟踪结果表明,该算法的跟踪性能明显优于标准condensation方法.     

无迹卡尔曼滤波在新型地形无源组合导航系统中的应用

为了提高自主水下航行器的导航精度,提出了一种新型地形无源组合导航系统.根据水下环境特点和航行器导航高精度和低成本的要求,采用捷联式惯性导航系统、地形辅助导航系统、多普勒速度声纳、电子磁罗经和利用UKF进行信息融合的导航计算机组成新型水下地形无源组合导航系统,并给出了EKF线性滤波方程、UKF非线性滤波方程和导航传感器量测方程.对比仿真实验表明,采用建议的传感器和UKF信息融合方式比采用EKF方式提高了水下航行器导航定位的精度.采用不同的导航传感器和UKF信息融合方法的地形无源组合导航系统可以有效地减小水下航行器导航位置误差,提高组合导航的稳定性和精度.     

无人直升机旋翼转速控制器设计

针对无人机的特殊性以及对电机动态性能的要求,设计了一种以ARM芯片LPC2148为核心的旋翼转速控制器。首先分析了直升机的飞行特点以及原旋翼转速控制器的不足,设计基于EKF和矢量控制的新旋翼转速控制器,并对扩展卡尔曼滤波法和矢量控制的模块进行说明,且给出了MATLAB仿真结果,验证了控制系统的正确性。     

用于机器人目标跟踪的压缩感知的改进算法

针对机器人进行目标跟踪时的跟踪算法,对压缩感知在视频目标跟踪中的应用进行了改进,通过对图像进行伽马变换,以平滑图像的明亮程度,使其能够更好适应复杂环境。研究结果表明,改进的算法有效地增加算法的鲁棒性和提高算法的效率。     

空时MIMO-OFDM 系统中基于扩展Kalman 滤波的信道估计

A space-time coded multiple-input multiple-output orthogonal frequency-division multiplexing (MIMO-OFDM) system is considered as a solution to the future wideband wireless communication system.This paper proposes an extended Kalman filtering-based (EKF-based) channel estimation method for space-time coded MIMO-OFDM systems.The proposed method can exploit pilot symbols and an extended Kalman filter to estimate channel without any prior knowledge of channel statistics.In comparison with the least square (LS) and the least mean square (LMS) methods,the EKF-based approach has a better performance in theory.Computer simulations demonstrate the proposed method outperforms the LS and LMS methods.Therefore it can offer dramatic system performance improvement at a modest cost of computational complexity.