基于高机动目标跟踪的改进变结构IMM算法

传统交互式多模型(interacting multiple model,IMM)算法在跟踪高机动目标时存在模型集合和真实系统模式匹配欠佳所导致状态估计质量下降的问题.基于变结构的思想及图论的知识,结合协方差匹配技术提出了一种补偿式变结构交互式多模型算法(compensation variable structure interacting multiple model,CPVSIMM).针对目前对直线加速状态估计问题,传统变结构交互式多模型(variable structure interacting multiple model,VSIMM)模型集多采用角速度作为模型特征参数造成对其估计性能欠佳的情况,所提算法联合加速度和角速度作为模型参数,并建立了模型集合间的有向图连通关系及模型子集自适应调整原则.理论分析与对比仿真表明:本算法融合估计结果的精度更高,同时能在一定程度上减小由于模型集匹配欠佳及切换不及时所导致的机动累积误差.

基于局域熵值分布图的目标分割及质心计算

图像分割的质量直接决定了目标检测及跟踪等一系列工作的好坏。传统的局域熵对于简单背景下的小目标检测较为有效,但对于目标较大的情况分割效果则不甚理想。致力于统计图像每一像素点的局域熵值,绘制局域熵值分布图。对局域熵值分布图进行迭代阈值分割,以求得最佳分割阈值并实现二值化。在二值化熵值分布图的基础上,统计像素分布,求取目标质心。在下一帧的视频图像中,根据前一帧求取的目标质心来设定波门,以减少非目标以及噪声的干扰。对多个视频序列进行实验后证明,本文提供的方法能够有效减少杂波干扰,提高系统的鲁棒性。

基于TMS320C6455的目标跟踪系统设计与实现

介绍了一种基于高速处理芯片TMS320C6455和FPGA架构的目标跟踪系统。该系统以DSP与FPGA为主体设计一套图像处理设备,利用局域熵算法来实现简单背景下小目标的跟踪。FPGA采用Xilinx公司生产的XC5VSX95T,用来对原始图像数据进行预处理。DSP芯片采用TI公司生产的TMS320C6455,通过局域熵算法对预处理后的图像进行实时跟踪并且将目标信息返回FPGA。FPGA获得跟踪结果后,将目标信息与原图像叠加,通过显示器将图像结果进行显示。局域熵算法经过优化后,目标检测跟踪时间大大缩短,满足硬件系统实时性的要求。

基于特征贡献度的MeanShift目标跟踪

为有效提高Mean Shift算法的模板匹配精确度,采用基于特征贡献度的Mean Shift目标跟踪方法,对不同贡献度的特征向量赋予不同的权重,以彰显目标特征、抑制背景因素。分别介绍传统Mean Shift目标跟踪算法和基于特征贡献度的Mean Shift算法,并针对多组视频进行实验验证与分析。结果表明:改进后的Mean Shift算法不仅能提高跟踪精度、提升系统的鲁棒性,而且对640 pixel×480 pixel大小的视频处理平均帧速度为22 frames/s,满足实时跟踪要求。

C-RAM系统的弹道数据建模及航迹融合仿真

尽管基于弹道数据建模和航迹融合的研究紧密性很强,但大多数人只是将针对两者的研究独立开来,并没有应用到实际的情况。为满足某军队对空情状况预警和防御的训练,在对C-RAM(counter rocket,artillery and mortar)系统深入研究的基础上,就火箭、火炮及迫击炮(RAM)等火力威胁武器的弹道进行了建模并依此设计了多弹丸飞行目标仿真模型。在完成时间、空间校准基础上,该模型进行了基于多探测站点、多目标航迹关联以及数据融合的系统设计。实验结果表明,该系统能较好地完成C-RAM系统中对目标弹道仿真、关联及融合与目标跟踪定位等任务。