车载网的新型定位算法

针对目前车载定位实时性差等缺点,提出了一种单基站方位时差联合定位算法。该算法利用方位角和信号到达时间差建立车载定位跟踪模型,然后采用SUKF算法对车载定位跟踪模型进行滤波。仿真结果表明,SUKF滤波算法不但降低了运算量,而且极大地提高了系统的实时性,可应用于车载网的定位。

基于LS-SVM的捷联大失准角初始对准技术

针对捷联惯性导航系统（SINS）大失准角初始对准情况下非线性模型线性化导致模型不准确和影响对准精度的问题，设计了一种基于最小二乘支持向量机（LS-SVM）的大失准角对准算法。该方法采用基于加性四元数误差（AQE）的大失准角误差方程，采用简化的无迹卡尔曼滤波器（UKF）来模拟LS—SVM训练样本。捷联惯性导航系统和全球定位系统（GPS）的速度和位置误差作为LS-SVM的输入样本，简化UKF得到的失准角经小波去噪后作为输出样本。LS—SVM算法采用交叉验证法选择最佳的核函数参数。仿真结果表明，在大失准角下LS-SVM算法在对准时间和对准精度上与简化UKF和EKF相比均表现出较好的性能。

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。

结构化道路车道线的鲁棒检测与跟踪

针对智能车在视觉导航过程中车道线检测的鲁棒性和实时性问题,提出一种适用于结构化道路的车道线鲁棒检测与跟踪方法。首先,简化的Sobel算子提取车道线边缘图像,将边缘图像与改进的Otsu方法得到的车道线分割图像进行融合,实现对车道线标记点的鲁棒检测;然后,采用迭代最小二乘方法拟合车道线标记点并去除干扰点,并根据拟合参数建立车道线模型;最后,引入尺度无迹卡尔曼滤波(SUKF)对车道线进行跟踪。通过对多段实地采集的视频进行了仿真实验,结果表明,该方法对于高速公路车道线的检测率可达到99%,并具有较好实时性能;对于受损和弄污的城市道路车道线也体现出较好的鲁棒性和时间性能。