一种基于HMM的多传感器多目标快速跟踪算法

在分布式多传感器系统中 ,一种基于隐Morkov模型的检测与跟踪算法得到了应用。该算法的优点在于适用于机动目标模型 ,且对目标的观测噪声未加任何限制。但由于该模型中所采用的Viterbi算法计算量大 ,实时性较差 ,因此提出了一种自适应算法以减少Viterbi算法中的冗余状态 ,有效地克服了其计算量大的缺点。实验表明 ,在相同的多目标跟踪仿真环境下 ,自适应Viterbi算法可以有效提高计算速度 。

基于势平衡多伯努利滤波的多传感器纯方位多目标跟踪

被动传感器不主动发射信号,通常仅获得目标的角度量测信息,无法获得径向距离信息,这种仅利用角度量测信息对多目标跟踪的方法称为纯方位多目标跟踪。实际应用中,纯方位多目标跟踪面临三个主要问题:一是由于被动传感器只获取目标的角度量测,导致量测信息不完备;二是量测方程存在高度非线性;三是由于传感器可能接收到杂波等非目标产生的量测,导致量测源不确定。针对上述问题,本文提出一种多传感器贪婪伪线性粒子势平衡多伯努利滤波。首先采用Rao-Blackwell理论将混合目标状态向量分解,将与量测值相关的位置分量视为非线性分量,而与量测值无关的速度分量视为线性分量,并分别采用粒子滤波器(Particle Filter,PF)和卡尔曼滤波器(Kalman Filter,KF)进行处理,从而有效降低粒子滤波采样维度。其次,针对传统粒子采样严重依赖模型的问题,基于伪线性卡尔曼滤波器(Pseudo-linear Kalman Filter,PLKF)设计一种新型粒子采样方法,即利用PLKF和最新量测信息构造重要性密度函数,并对非线性分量进行粒子采样;在更新阶段采用贪婪量测划分策略选取最优量测集合,并利用最优量测集合中量测信息实现多目标状态集中式融合估计。最后,通过仿真结果验证,本文所提滤波器能在杂波环境中仅利用角度量测对目标进行有效稳定的跟踪,相较于对比方法,所提滤波器能够更为准确估计目标数量和状态。

多传感器协同区域搜索与目标跟踪的调度方法

为解决区域搜索和目标跟踪2种任务协同时对传感器资源的竞争问题,提出了一种多传感器调度方法。针对双任务协同背景,将传感器调度转换为多目标优化问题,以搜索性能和跟踪性能为优化目标建立了目标函数;建立了区域搜索模型,考虑目标的新生、消亡和转移,将未被发现目标的更新过程建立为非齐次泊松过程,提出以漏警损失量化区域搜索性能;建立了目标跟踪模型,引入后验克拉美罗下界(PCRLB)量化未来时刻的跟踪性能;针对最优调度方案求解,在传统多目标差分进化算法的基础上,引入混沌映射理论和双种群协同方法,提出了混沌映射-多目标协同差分进化算法(CM-MOCDEA)以提高寻优能力。仿真实验验证了所提优化算法能够兼顾收敛性和多样性,具有较强的全局搜索能力;所提方法能够有效分配传感器资源完成区域搜索和目标跟踪任务,从而获得较高的作战收益。

基于背景感知相关滤波跟踪器的目标快速跟踪方法

图像跟踪算法是弹载图像末制导及光电侦查装备的关键技术,其高效低延时的实时实现可以极大提高光电载荷跟踪的稳定性和精确性。为解决弹载环境受体积、功耗等因素约束下图像末制导跟踪算法的高效性,基于背景感知的相关跟踪算法,提出一种基于数据驱动的多任务分配策略,并针对相关滤波计算是影响算法实时性的关键路径,提出Cache优化的快速傅里叶变换高效实现方法。通过将跟踪算法映射到多核DSP处理器平台上并行实现,相对原处理方法多核处理实时性能整体提升约56.3%。经无人机挂载试验验证表明,该优化方法可以满足空间约束条件下目标跟踪实时性需求,为智能化弹药的工程化应用提供了有力的技术支撑。

多传感器融合多目标跟踪中的序贯航迹关联算法

对于分布式多传感器融合多目标跟踪系统,提出一种序贯处理的航迹关联融合算法。为实现杂波干扰环境中对密集多目标的精确跟踪,航迹关联采用了粗、精关联相结合的方法,最小均方误差法用于实现航迹融合。序贯处理的航迹关联融合算法在保证航迹关联正确的同时,大大降低了计算量。仿真实验结果说明了本文方法的有效性。

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

基于扩展Kalman滤波的空基多平台多传感器数据配准和目标跟踪算法

本文研究基于扩展 Kalm an滤波和多个空中移动平台的多传感器数据配准与目标跟踪问题 .文中首先给出了空中移动平台传感器数据配准几何坐标转换算法 ;接着将目标运动模型和传感器配准误差模型组合在同一个状态方程中 ,然后利用扩展 Kalman滤波方程进行估计 .Monte- Carlo仿真表明 。

多传感器多目标跟踪算法性能分析

多假设与联合概率数据互联算法都能很好地解决杂波环境下的多目标跟踪问题。随后 ,人们在此基础上又将单传感器多假设、联合概率数据互联算法推广至集中式多传感器系统与分布式多传感器系统。近来 ,也有文献提出将广义S D分配算法动态化 ,实时地应用到集中式多传感器系统对杂波中的多目标进行跟踪。这些算法各有特点 ,因而它们在不同的情况下 ,算法的跟踪精度、实时性等方面各有优劣。然而 ,至今尚未见到有文献对这些算法在统一环境下进行分类比较 ,文中假定多种典型的多目标运动环境 ,对上述算法在这些环境下进行仿真实验 。

融合热释电红外传感器与视频监控器的多目标跟踪算法

现有基于热释电红外传感器的多目标跟踪系统在目标之间距离较近或者轨迹相交的情况下存在着误差较大的缺点.针对此缺点,提出了一种新型的基于热释电红外传感器与视频监测器协同工作的多目标跟踪方案.该方案可以充分利用两种传感器的优势,弥补在目标跟踪中的不足.算法采用最小二乘法利用热释电信息进行定位,并通过从图像或热释电传感器信号的幅频特性中提取特征信息来校正联合概率数据关联算法的关联矩阵,有效避免了错误关联.实验表明,该方案在多目标交叉情况下跟踪误差仅为其它算法的八分之一到四分之一.

一种有效的不同类型传感器多目标跟踪融合算法

提出了不同类型传感器多目标跟踪的一种改进的分层融合算法,该算法不仅适合于不同类型同步数据融合,而且适合于不同类型传感器异步数据融合。仿真结果显示了该融合算法的有效性。

基于传感器多模式调度的智能目标跟踪算法

智能目标具有反跟踪的特性,其运动状态的改变与跟踪传感器的工作模式相关.为了实现对智能目标的有效跟踪,文中提出一种基于传感器多模式调度的交互多模型跟踪算法.首先,为智能目标构建混合多模型集,描述其与传感器模式相关的智能运动特性;其次,提出一种传感器多模式调度策略,综合考虑了一步预测的目标跟踪误差、二步预测的目标运动趋势误差以及传感器模式的辐射代价3方面因素,据此构建传感器多模式调度的目标函数;最后,将传感器多模式调度与交互多模型跟踪算法相结合,通过"模式调度→交互跟踪→模式调度"的闭环结构,提高了对智能目标跟踪的自适应性.仿真结果表明,与选择固定传感器模式的方法和基于近视策略的传感器模式调度方法相比,文中方法实现了对智能目标的持续精确跟踪.

二进制无线传感器网络目标定位跟踪算法

二进制无线传感器网络是一种新的和具有巨大潜在应用前景的目标定位跟踪平台,它具有通信负荷少,生存能力强等特点。提出一种基于网络时间的迭代算法,在目标通过一定数量的节点后,给出较为精确的目标运动参数,并在算法迭代的过程中,不断优化算法结果。最后,运用多Agent仿真思想,借助于RePAST仿真平台对算法进行了仿真验证。

无线传感器网络分布式多目标跟踪算法研究

由于无线传感器网络的资源有限,集中式多目标跟踪算法在无线传感器网络多目标跟踪中受到限制。在无线声学传感器网络下,基于动态分簇结构,提出了一种分布式多目标跟踪算法。每个传感器的测量为来自单个目标或多个目标的声音信号和环境噪声的叠加。在跟踪过程中,每个目标对应于一个粒子滤波,当目标之间的距离较远时,进行单目标跟踪。当目标之间距离较近相互影响时,各个主节点通过信息交换实现对多目标的分布式跟踪。仿真结果表明,算法能够有效的实现对多目标的分布式跟踪,在节省能量的同时能够保证跟踪精度。

无线传感器网络下的粒子滤波分布式目标跟踪算法

针对无线传感器网络环境下的机动目标跟踪问题,提出了一种描述目标机动加速度的目标状态空间模型,以此模型为基础开发出基于粒子滤波的单目标和多目标跟踪算法.基本思想是:在状态空间中通过寻找一组传播的随机样本来获得近似后验概率分布,并以样本均值代替积分运算,从而求得最小状态方差估计.仿真结果表明,所提算法可以较好地解决无线传感器网络环境下的机动目标跟踪问题,速度跟踪精度、机动加速度跟踪精度均较经典分布式粒子滤波算法分别提高20%、27%.

自适应采样间隔的无线传感器网络多目标跟踪算法

多目标跟踪是无线传感器网络当前研究的热点问题。针对多目标跟踪存在耗能较大,跟踪丢失等问题,提出了一种自适应采样间隔的多目标跟踪算法。采用跟踪目标的定位元数据来对目标的运动模式进行建模。基于扩展的卡尔曼滤波器来预测跟踪目标状态,采用预测目标定位的概率密度函数构建跟踪簇。通过定义跟踪目标中心,基于马氏距离来量化主节点MN的选举过程。通过跟踪目标重要性和其与MN之间的距离来量化目标的影响强度,并以此构建自适应采样间隔的多目标跟踪算法。基于MATLAB进行了仿真实验,实验结果显示,本文设计的跟踪算法能准确预测目标的运动轨迹,能随着运动目标的状态实时采用自适应的采样间隔。通过数据分析得知,本文提出的算法能在实现WSN网络节能的基础上提高跟踪精度。

一种多传感器配准与目标跟踪算法研究

传统的多传感器误差配准技术多基于球极投影,没有考虑地球地形的影响,当传感器之间距离较远时将失去实际意义,无法对目标进行有效的跟踪;而现有的跟踪方法大多没有考虑传感器系统误差对跟踪精度的影响。基于地心坐标系,提出了一种Unscented卡尔曼配准与目标跟踪算法,充分考虑地球形状的影响,在跟踪目标的同时实现传感器配准。首先给出传感器数据配准几何坐标转换算法,详细推导了误差配准算法;接着建立目标的动态方程,将目标运动模型和传感器配准误差模型组合在同一个状态方程中,然后利用UKF进行估计。最后的Monte-Carlo仿真结果表明,该方法能同时有效地估计目标运动状态和传感器配准误差,为远距离的传感器配准与目标跟踪提供了一种新的解决方法,具有较大的工程应用价值。

基于无线传感器网络的视频目标跟踪算法

目标跟踪一直是计算机视觉研究中的重点和难点，针对当前算法鲁棒性差、难以获得高精度的跟踪结果的局限性，设计了基于无线传感器网络的视频目标跟踪算法。首先多个传感器节点组成1个无线传感器网络。并通过无线传感网络收集目标信息，然后采用容积卡尔曼滤波算法对视频中的目标运动状态进行估计和跟踪，最后在Matlab2014平台上进行了视频目标跟踪仿真验证实验。结果表明，该算法可以对视频目标运动状态进行高精度的跟踪，提高了视频目标跟踪的鲁棒性，视频目标跟踪实时性可满足实际应用的要求，而且视频目标跟踪效果要明显优于对比算法，具有更高的实际应用价值。

基于多传感器的多模型机动目标跟踪算法设计

多模型目标跟踪算法由于其独特的处理未知结构和可变参数的优点,已成为当前目标跟踪研究领域的一个重要方向。然而当今的多模型目标跟踪方法大都停留在理论层面,因此在实际应用层面上研究并设计多模型目标跟踪算法,并实现稳定、可靠而精确的目标跟踪意义重大。选用当今最为流行、应用最广泛的雷达和红外作为传感器,在红外/雷达双模导引头的多传感器平台下展开研究,设计并仿真实现了更接近真实的军事与民用环境的多模型机动目标跟踪算法。仿真结果验证了该算法跟踪性能的有效性。

一种基于模糊运算的多目标多传感器跟踪算法

为在测量误差较大的情况下实现多传感器多目标跟踪,提出了一种基于模糊运算的融合算法。系统由多类型传感器组成,单个传感器测量范围小,测量误差大,并且数据传输时延大。利用非单值模糊逻辑系统计算数据模糊关联,采用参数曲线最小二乘跟踪法拟合目标运动轨迹,实现了一种在多种传感器并存的模糊传感器阵列中,集中式点迹序贯融合的方法。给出了实现该方法的具体步骤,实验证明该方法是行之有效的。

无线传感器网络中基于网格的目标跟踪算法

提出了一种适用于无线传感器网络中基于网格的目标跟踪算法,以解决在目标跟踪过程中信任度(belief)更新和传感器节点信息贡献量估计问题。该算法对信任度进行非参数化表示,用基于网格的算法对序列贝叶斯滤波过程进行实现。并且利用目标位置预测和基于网格的算法在不预先获知传感器节点测量数据的情况下,对节点的信息贡献量进行估算。在资源受限的无线传感器网络中,该算法在降低计算复杂度、提高算法适用范围方面都有显著改进。最后在仿真环境中验证了基于网格的目标跟踪算法的有效性。