基于运动模型估计的分布式实时时间配准算法

在目标运动模型未知和参数不完备等复杂情况下,目前尚无较好的分布式实时时间配准方法。假设在较短时间内目标在某一方向上的运动可以用匀速、匀加速或匀变加速直线运动模型表示,文中提出了一种复杂情况下基于运动模型估计的分布式实时时间配准算法。首先,对目标航迹序列进行不同阶次的滑窗多项式拟合,并根据拟合误差在线估计目标的运动模型;然后,在状态参数不完备的情况下构造完整的运动状态估计向量,并利用Kalman预测方法进行实时时间配准。仿真结果表明,与传统方法相比,提出的方法具有更好的性能。

无线传感网跟踪任务中的目标运动模型估计与节点调度

在无线传感器网络进行目标跟踪的过程中,合理的节点调度算法可以兼顾跟踪精度和能量消耗,延长网络的使用寿命.然而,当目标运动模型未知时,难以实现高效的节点调度.为解决目标运动模型未知场景下的跟踪问题,本文将监控区域中的目标移动和传感器观测建模为隐马尔可夫模型(HMM),并提出了HMMQMDP算法,把问题分解为运动模型估计和节点调度两个阶段:运动模型估计阶段是根据传感器采集的观测序列估计目标状态转移概率;节点调度阶段则被建模为部分可观测马尔可夫决策过程(POMDP),综合考虑决策的短期和长期损失,应用QMDP算法近似求解优化策略.仿真结果表明:该算法可以根据观测样本有效地学习和估计目标运动模型,提升节点调度算法的效果.

基于几何活动轮廓模型的目标跟踪与快速运动估计

为了快速灵活地实现对图像序列中的目标运动的跟踪与描述,首先基于几何活动轮廓模型,提出了一种目标跟踪与运动估计的耦合变分模型,该模型可在进行多个目标跟踪的同时,估计运动矢量场,并以此修正跟踪的结果;然后分别从耦合模型的两个方面,讨论了模型对序列图像处理的执行效率和精度,接着针对耦合框架中的目标跟踪环节,改进了几何活动轮廓模型的外力场,从而增强了模型的跟踪能力和收敛速度;最后针对运动估计问题,由于耦合框架基于几何活动轮廓模型,因此框架在跟踪过程中,天然地提供了图像水平集信息,并在此信息的基础上,提出了一套用于快速计算图像序列局部目标的运动矢量场的方法,其对混合有非刚性运动的目标也能有较好的逼近结果。多种类型图像的数值实验结果证明,整套框架是有效的和鲁棒的,而且与经典光流方法进行的对比实验表明,新算法可以快速准确地同时估计图像序列中局部运动目标的轮廓位置与运动参数,从而为后续图像分析与处理打下了良好的基础。

应用螺线方法的一种快速的模型基运动估计算法

快速准确地估计全局运动参数,是模型基图像编码中需要解决的关键问题之一。在优化最小二乘算法中最常用的是Ｌ－Ｍ方法,但其为得到一个合适的阻尼因子需要多次矩阵求逆,计算量颇大,很难满足实时性要求,为克服此缺陷,本文在估计算法中引入了螺线方法,提出了螺线方法的两种改进形式－中点螺线方法和角度螺线方法。根据实际系统的实时性要求,还给出了一种灵活调整搜索时间的方法。并对传统的Ｌ－Ｍ方法和改进的两种螺线方法进行了实验对比。结果表明:在保证估计性能相当的情况下,这两种算法显著地提高了估计速度。

基于视觉的飞行器运动参数串行式递归估计

针对利用视觉方法进行飞行器运动参数估计中旋转与平移参数耦合及计算量大的问题,设计了一种适用于递归方法的串行式运动参数估计模型。证明了旋转运动参数的估计不依赖于平移参数,据此建立了基于特征线的旋转运动参数估计模型,进而设计了串行式运动参数估计模型。给出并证明了利用该模型进行运动参数估计时解的唯一性结论。仿真实验和实测试验表明:相对于集中式模型,使用串行式递归模型进行飞行器运动参数估计时计算耗时减小、姿态精度更高、鲁棒性更强。

利用频谱解混叠方法实现超分辨率影像重建

基于信号处理的超分辨率影像重建技术,可以消除由影像系统引起的影像模糊和退化,同时恢复出光学极限外的频谱信息。首先简要介绍了超分辨率影像重建技术的意义和基本过程;并对影像配准与运动模型估计在超分辨率影像重建中的作用给予简要介绍;接着根据连续傅里叶变换(CFT)和离散傅里叶变换(DFT)的频谱混叠关系及CFT位移性质,推导出频谱解混叠的超分辨率影像重建模型;最后采用文献中的运动模型估计方法和本文的重建算法,对几组数据进行实验,获得了空间分辨率提高近1倍的影像。

红外序列图像目标跟踪的自适应Kalman滤波方法

提出了一种用于动态序列图像目标跟踪的自适应Kalman滤波方法。该方法用函数估计的思想估计目标的当前运动模型,同时实时修改滤波器的统计模型,并将最小二乘支持向量机应用于对当前目标运动模型的估计。实验表明,此种改进的Kalman滤波器的算法在跟踪机动目标时具有良好的性能。

不依赖里程计的机器人定位与地图构建

为了解决缺少里程计情况下的移动机器人同时定位与地图构建(SLAM)问题,提出一种机器人运动状态估计模型.通过将该模型与FastSLAM框架相结合,在SLAM过程中实现对机器人位置、姿态及其运动状态(如速度)的估计.该算法用估计的运动状态代替里程计,实现了在没有里程计情况下的SLAM.为验证算法性能,通过仿真和维多利亚数据库的实验将该算法与需要里程计信息的SLAM算法相对比.实验结果表明,该算法在大于30个粒子的情况下可以达到与需要里程计信息的SLAM算法相当的精度.