基于迭代sigma点粒子滤波的再入目标跟踪

标准粒子滤波提议分布选择时,由于没有计入最近的观测值信息,重要性权的方差随时间递增,导致权值蜕化。针对这一问题提出了一种新的滤波算法,迭代sigma点粒子滤波算法。该算法在预测时采用sigma点粒子滤波产生拟合概率密度函数的加权粒子,并通过观测值对加权粒子进行更新;修正过程采用迭代卡尔曼滤波优化预测阶段得到的描述状态分布的均值和方差。将其运用于再入大气层目标的跟踪模型,仿真结果表明:与标准粒子滤波相比,该算法能保证滤波收敛,具有更高的估计精度和更好的鲁棒性。

基于Sigma点H_∞滤波的拟蒙特卡罗粒子滤波算法

在滤波算法中,用Sigma点H∞滤波来产生重要性概率密度函数,由于Sigma点H∞滤波对不确定观测噪声具有较强的鲁棒性,而且在滤波过程中考虑了最新的观测值,因此由其产生的重要性函数更逼近于真实的后验概率分布。同时在重采样阶段,利用拟蒙特卡罗重采样算法进行重采样,有效地克服了粒子退化现象并提高了状态估计精度。仿真结果表明了所提算法的可行性和有效性。

移动追踪的最小Sigma点斜率无迹粒子重构滤波

为提高移动物体的追踪精度,提出一种基于最小Sigma点斜率粒子重构滤波的移动物体追踪算法。首先,利用分裂重构跟踪器解决复杂跟踪环境下目标跟踪的不确定问题,分裂重构形成的多跟踪器,在降低计算复杂度情况下,可从不同位置进行目标多方向并行跟踪,降低目标丢失概率;其次,针对无迹粒子滤波(UPF)Sigma点聚集度差,计算负担大的问题,对裂变获得的子跟踪器,利用最小Sigma点斜率对其粒子滤波过程进行改进,提高无迹粒子滤波算法计算效率;最后,实验结果表明,所提跟踪方法与选定几种定位方法相比,能以更低代价获得更优定位效果,并可均衡网络负载,提高探测传感器网络的使用寿命。

基于改进Sigma点的无迹卡尔曼滤波水下目标跟踪算法

由于阵列所接收的信号在工作过程中会受到辐射噪声、环境噪声和目标信号、水下生物运动干扰,因此在目标跟踪的过程中降低噪声干扰并提高目标追踪精准度,正逐渐成为水下目标跟踪领域的研究热点和难点。常用的改进方法是根据Sigma点的采样策略进而对相应的方差权值和均值权值进行修改,Sigma点的采样策略则常常被忽视了。提出了一种基于改进Sigma点的无迹卡尔曼滤波算法(IUKF)优化水下目标跟踪效果。针对目标跟踪中测量噪声以及过程噪声影响导致的准确性问题,将第一次UT变换得到的增广状态向量以及协方差矩阵作为初始值对Sigma点进行了二次UT变换,与进行一次UT变换给定了的初始增广状态向量以及初始协方差矩阵相比,经过二次UT变换后的增广状态向量以及初始协方差矩阵精度更高。经过仿真,估计位置和真值之间的偏差减小了42.7%以上,估计距离和实际距离误差之间的偏差减小了86%,仿真实验结果表明所提的改进Sigma点的无迹卡尔曼滤波算法可以有效地抑制环境噪声的影响,提高水下目标跟踪精准度,在海洋资源勘探以及水下目标跟踪方面具有很好的实际应用前景。

基于变尺度变换减少Sigma点的粒子滤波算法研究

为了减少传统无味粒子滤波(Unscented particle filter,UPF)算法的计算负担,提出了最小斜度单形无味转换(Minimal skew simplex UT,MSSUT)方法,这种方法是用最小斜度无味卡尔曼滤波来产生粒子的重要性函数.它不仅能够扩大重要性分布与系统状态的后验概率密度的重叠性,而且能够通过减少Sigma点来减少计算负担.但是,随着状态空间维数的增加,Sigma点集的覆盖半径增大,导致了Sigma点集的聚集性变差.辅助随机变量变尺度无味变换(Auxiliary random variable formulation of the scaled unscented transformation,ASUT)能够克服Sigma点集分布扩展的缺点.所以,提出了一种高维空间中改进的变尺度最小斜度无味粒子滤波(Scaled minimal skew simplex unscented particle filter,SMSSUPF)算法.仿真结果表明:在高维状态空间中,与传统的无味粒子滤波(UPF)相比,计算复杂度和计算负担显著减少.与最小斜度无味粒子滤波(Minimal skew simplex unscented particle filter,MSSUPF)相比,SMSSUPF减少了系统噪声方差和测量噪声方差所带来的估计误差.

Sigma点卡尔曼滤波及其应用

针对扩展卡尔曼滤波(EKF)不易调整、难于应用、只对更新时间步长内局部线性假设成立的非线性系统适用等不足,近年来提出了一些卡尔曼滤波向非线性系统扩展的新方法。根据均值与协方差信息按非线性映射传播的特点,将它们归类为Sigma点卡尔曼滤波(SPKF)方法。在简要说明加权统计线性回归技术的基础上,系统介绍了SPKF的形式及算法,对其应用情况进行了总结和展望,指出可采用SPKF替代EKF以获得更好的性能。

基于sigma点H∞滤波的说话人跟踪方法

在基于麦克风阵列的说话人跟踪系统中,存在观测方程的非线性程度较强,观测误差的统计特性不易准确描述等问题。本文提出了一种基于sigma点H_∞滤波的说话人跟踪方法。该方法用sigma点转换技术减小观测方程的线性化误差,用H_∞滤波方法降低观测误差不确定性对说话人位置估计的影响,从而提高了说话人跟踪精度,增强了跟踪系统对噪声的鲁棒性。仿真实验结果表明,相对于扩展卡尔曼滤波方法,本文方法在多种噪声条件下可将说话人跟踪误差降低25%以上。

基于Sigma点卡尔曼滤波的天基红外低轨卫星目标跟踪

临近空间高超声速飞行器的飞行速度很高,采用一般的探测手段难以对其进行跟踪,文中采用天基红外低轨卫星对其进行跟踪,建立了适当的目标运动模型和观测模型,分析研究了Sigma点卡尔曼滤波(SPKF)算法,与EKF算法相比,对非线性系统的估计具有较高的精度,且不需要求解复杂的雅克比矩阵。提出了将基于Sigma点卡尔曼滤波的交互式多模型(SPKF-IMM)算法用于天基红外低轨卫星对空间目标跟踪。利用三维空间的机动目标对算法进行了仿真分析,仿真结果表明:该算法具有较好的跟踪性能,进一步验证了SPKF-IMM算法的有效性。

基于Sigma粒子Kalman滤波的地形辅助导航方法

地形辅助导航技术依据机载设备实时测量地形高度与机载数字高程地图的对比,给出飞行器定位结果,能够有效地修正主惯性导航系统的误差。传统地形辅助导航中应用较为广泛的是扩展Kalman滤波方法,但因为地形高度测量的非线性,扩展Kalman滤波不一定能够得到系统最优估计。Sigma粒子Kalman滤波作为一种新面世的非线性滤波器,能够有效地解决非线性估计问题。基于Sigma粒子Kalman滤波,提出一种新的地形辅助导航方法。在真实数字高程地图上得到的仿真结果表明,该地形辅助导航方法性能总体优于扩展Kalman滤波方法,尤其在飞越平坦地形时表现更佳。

基于SUSAN角点和HSV颜色模型的粒子滤波目标跟踪算法

针对传统粒子滤波目标跟踪算法在目标与背景颜色相似情况下目标定位偏差大、易导致丢失目标的缺陷,提出一种基于角点和颜色模型的粒子滤波目标跟踪算法。首先,提出一种改进SUSAN角点检测算法,采用圆形模板邻域内像素灰度值中值代替模板中心像素灰度值作为模板"核"来检测区域目标角点,其改进SUSAN角点算法在继承原有SUSAN算法计算简单、定位准确、具有旋转不变性等特点的同时,具有更好抗噪声性能;其次,利用HSV颜色模型光照不敏锐特性,对检测到的角点建立HSV颜色模型,并将其嵌入到粒子滤波框架中,实现对目标的跟踪。实验结果表明,当背景与目标颜色相近时,该算法能够有效避免背景对目标的干扰,取得了较好的目标跟踪性能。

基于粒子滤波器算法的特征标记点匹配

利用等间隔方法在物体表面标定特征标记点构成训练样本集,所获得的统计形状模型质量较低。针对该问题,提出一种基于粒子滤波器算法的特征标记点匹配算法。通过球面保角映射将三维表面映射到二维变量化空间,并利用粒子滤波器算法框架将物体表面局部几何特征量和整体空间结构特征相结合,实现特征点的最优匹配。实验结果表明,与利用等间隔方法相比,该算法获得的统计形状模型具有更高的通用性和专一性。

代表点理论在粒子滤波算法中的应用

将统计学中的数论方法应用于粒子滤波,使用随机分布的均方差代表点,对粒子滤波中关键的初始粒子生成、重点密度采样及再采样过程给出了相应的代表点算法,得到了一个包含最少随机操作的、使用非等权值粒子的改进粒子滤波算法。

基于TBD的粒子滤波红外点状动目标跟踪算法研究

提出了一种新的低信噪比红外序列图像运动点目标检测与跟踪算法,该算法有机地结合了TBD检测算法与粒子滤波跟踪算法。首先通过多帧TBD处理后,检测出运动目标的初始位置和运动速度,然后在跟踪阶段采用粒子滤波算法估计目标运动状态,可实现信噪比为2的点目标的检测与跟踪。对真实红外图像序列进行实验仿真,仿真结果证明,该算法具有良好的实时性与很高的精确性。

佳点集的QMC粒子滤波算法及其应用

针对粒子滤波中粒子匮乏及样本聚集问题,提出一种基于佳点集的拟蒙特卡洛粒子滤波算法(GPS-QMCPF)。该算法利用数论中的佳点集理论和方法来构造出一种新的拟蒙特卡洛序列。由于佳点集序列与随机点列和标准的拟蒙特卡洛序列相比分布更均匀、偏差更小,使得在滤波过程中状态估计的精度和收敛速度都得到提高,同时还能增加粒子有效样本数和降低重采样次数。实验结果表明,提出的算法在非线性系统状态估计精度要优于粒子滤波和标准的拟蒙特卡洛粒子滤波算法,并且在视频目标跟踪的应用中,针对跟踪目标受到遮挡的情况,算法具有更高的跟踪精度,同时跟踪的实时性也得到了一定程度的提高。

基于角点的稀疏子空间粒子滤波跟踪算法

大多数现有的稀疏表示目标跟踪方法计算复杂度高,对琐碎模板采用直接将整个图像块按顺序划分成若干个小块放入模板中,引入了背景信息,容易跟踪漂移,甚至丢失目标的情况。针对这种情况,提出基于角点的稀疏子空间粒子滤波跟踪方法。通过Shi-Tomasi角点的方法提取特征点,选择其中特征点最多的图像块建立琐碎模板,对相似度高的仅采用基向量对候选目标进行误差运算,增量更新基向量子空间,否则将正交基向量结合琐碎模板组成字典并加入从高到低的权值进行误差计算,同时更新琐碎模板。与当前多个目标跟踪算法相比,定性和定量实验结果均表明,该算法在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等复杂情况下跟踪效果更好,实用性更强。

用于再入弹道目标跟踪的Sigma点卡尔曼滤波器（英文）

提出一种新的Sigma点卡尔曼滤波器,求积分卡尔曼滤波器(Quadrature Kalman Filter,QKF),用于再入弹道目标的跟踪问题。新滤波器通过一系列参数化高斯密度的高斯-赫米特求积分点,使用统计线性回归的方法来线性化非线性函数的。仿真实验比较了这个新的Sigma点滤波器和扩展卡尔曼滤波器(Extended Kalman Filter,EKF),均差滤波器(Divided Difference Filter,DDF),无味滤波器(Uncented Kalman Filter,UKF)。结果表明所有Sigma点滤波器的估计误差都低于EKF的估计误差。QKF的估计误差低于UKF的估计误差,其滤波可靠性也与UKF很接近。QKF的计算复杂性比UKF稍高,新的Sigma点滤波器是一种有效算法。

基于多通道能量极值点的两层粒子滤波跟踪

传统多通道跟踪常采用少数离散通道并认为通道间互不相关,忽略了多通道特征渐变的"多峰"型可信度分布。本文提出一种基于多通道能量极值点集的两层粒子滤波目标跟踪方法。首先将目标分解为多个频率、多个角度的通道,提取极值点集合作为目标特征。其后提出两层粒子滤波框架,以一级粒子作为目标运动状态整体性约束;二级粒子表征其下属的多通道特征,通过局部优化方法使其聚集在特征峰值附近。以多通道特征的可信度对二级粒子进行加权,并反馈至一级粒子作为其加权值,兼顾了目标整体约束以及对多特征可信度分布的表征。跟踪仿真实验结果表明,该算法计算量适中,工作稳定,与对比算法比较,平均跟踪误差减小了约0.5个像素。

Sigma点Kalman滤波在惯性导航初始对准中的性能评估

捷联惯性导航系统的大失准角初始对准过程具有非线性特性,Sigma点卡尔曼滤波算法可用于解决大失准角的对准问题。为提高Sigma点卡尔曼滤波的数值稳定性并降低算法复杂度,推导了简化的方根形式的滤波算法。为评估不同Sigma点卡尔曼滤波在初始对准中的性能,引入了一种适用于姿态角全为大失准的欧拉角误差模型。最后对不同Sigma点卡尔曼滤波在初始对准中的应用进行了仿真,并对算法的精度与复杂度作了分析与总结。结果显示该算法可较好的处理大失准角情况下的对准问题,所推导的简化方根滤波算法在不影响对准精度的情况下可使算法的复杂度降低20%,并增强了数值稳定性,是一种较为实用的方法。

光学电流互感器Sigma点卡尔曼滤波去噪方法研究

随着电力系统向着超高压大容量发展,光学电流互感器(OCT)在电力系统领域具有广阔的应用前景;而有效地滤除噪声,提高信噪比(SNR)是光学电流互感器信号处理的重要环节。针对光学电流互感器低信噪比的特性,通过改进的卡尔曼滤波算法建立合适的模型以及通过LabVIEW的仿真验算,表明Sigma点卡尔曼滤波能够有效地滤除噪声和提高光学电流互感器的信噪比。

基于轨迹拐点滤波的激光雷达里程计定位算法研究

在GPS拒止环境下,激光雷达里程计可以利用帧间匹配跟踪车辆实现定位,但是定位误差随时间累积的特性造成激光雷达里程计(LO)缺乏持续性。为解决LO的误差累积问题,引入轻量级地图OSM。基于粒子滤波框架,以LO作为运动模型的输入,通过两次筛选提取拐点,利用拐点匹配完成与地图的对齐,并以粒子的均值作为车辆校正后的位置,实现对定位误差的校正。提出了一种新的粒子权重模型,利用不同节点的相似度模型及测量值作为粒子权重的更新依据,避免拐点与路网节点的错误关联导致定位误差加大。经由KITTI数据集上的实验验证,该算法可以有效克服LO误差漂移问题,相较于原始LO定位精度至少提高了49.22%,且具有较好的实时性。