基于多传感融合的目标跟踪方法研究

针对单一传感器对前方车辆识别准确率低的问题,基于多传感器融合模型建立了1种目标车辆识别方法。首先开展摄像头与毫米波雷达的联合标定,实现多传感器在时空上的融合;然后引入全局最近邻算法对雷达和摄像头各自采集的目标序列与跟踪目标进行数据匹配,确定跟踪目标的2组局部估计;最后通过D-S证据理论对2组目标序列进行优化组合,获取车辆行驶状态的最优结果,从而实现对目标的识别。通过Matlab/Simulink联合搭建试验平台对所研究的融合模型进行算法验证。试验结果表明:该融合算法在不同天气条件下对目标的平均检测率为88.3%,可实现对目标车辆的准确识别与跟踪。     

基于LabVIEW和单线激光雷达的障碍物识别算法研究

为实现对动态障碍物的检测和跟踪,提出一种基于LabVIEW和单线激光雷达自主动态障碍物的检测方法。通过改进的DBSCAN自适应动态阈值算法对雷达点云进行聚类,使用最近邻算法的思想进行连续两帧雷达点云的数据关联,采用卡尔曼滤波对障碍物轨迹进行跟踪。实验结果表明:在低速驾驶的条件下,该方法能够有效识别车辆前方30 m的移动障碍物并检测其位置和速度。     

车路协同环境下的双雷达车辆检测和跟踪优化方法

为降低单一角度检测误差、改善驾驶员视野盲区,基于车路协同环境下提出了一种车载和路侧双毫米波雷达融合的车辆检测和跟踪算法。利用自适应DBSCAN算法建立路侧雷达数据在车载雷达坐标系的映射,采用无迹卡尔曼滤波算法实现车辆运动状态跟踪。在此基础上,通过在实际场地采集真实雷达数据进行仿真计算,并利用高精度定位和OBD读取的车速进行对比验证。研究结果表明:该方法取得了较理想的车辆跟踪效果。     

基于邻域密度的K-means初始聚类中心优选方法

传统K-means算法初始聚类中心的选择具有随机性且对离群点敏感,导致聚类结果不稳定、准确率低等问题。针对上述问题,提出基于邻域密度的NDK-means算法。首先,通过多维网格划分得到样本的网格分布特性;然后,通过定义网格密度和网格邻域密度,确定多个局部高密度网格,同时引入迭代因子合并相邻高密度网格中心得到初始聚类中心候选集;最后,结合网格密度和距离,利用最大最小距离算法得到K个初始聚类中心。在UCI数据集上进行实验,实验结果表明:相对于其他局部邻域算法,新算法提高了聚类结果的准确率,具有较好的稳定性。     

基于ARM与多模型实现的试运线列车超速防护系统

针对试运线列车运行的安全性与停车准确度的要求,提出一种基于ARM与多模型实现的列车超速防护系统。通过车载设备传感器采样时间序列数据,并将其进行小波去噪,从而得到基于傅里叶模型的目标跟踪运行曲线。设计以模糊神经网络为动态预测模型的速度控制器,利用预测控制的滚动优化与误差矫正特性增加速度控制器在不同运行环境下的鲁棒性。为加快模糊神经网络的训练速度,将改进型粒子群模糊聚类算法的聚类结果作为模糊神经网络的前件规则构建参数。以中车试运线数据为例对其进行仿真,并通过基于曲线面积误差的评价指标对全局速度下的停车精确度进行分析。仿真结果表明:所提出的以傅里叶模型作为目标函数实现的基于模糊网络的预测控制策略具有明显的优势。     

改进的多目标多传感器数据融合相关算法

数据融合是利用计算机对数据进行一定处理，得出目标状态及势态估计的多层次多平台过程。详细讨论了对目标的跟踪算法，此算法不仅对多目标，而且对新出现目标和机动目标均能进行识别和跟踪。     

用于机场场面目标监视的高分辨FMCW雷达技术

机场面目标监视雷达是机场活动区域安全系统的主要设备,它与机场监视雷达配合使用,为机场活动区域安全系统提供飞机或其他目标跟踪的数据.文中介绍了一种用于机场面目标监视的高分辨线性调频连续波雷达技术,分析了其信号波形和接收技术,并对基于高分辨信号波形的目标跟踪方法进行了讨论.     

基于有效预测区域的模糊数据关联

多目标多传感器跟踪系统由数据关联和目标状态估计两部分组成,数据关联是多目标跟踪系统研究的核心。数据关联和目标状态估计两部分既有一定的独立性又有密切的联系,而将两部分合理地结合对提高跟踪系统的性能是重要的。该文以跟踪目标的有效预测区域为依据,利用基于Mahalanobis距离的模糊均值聚类方法解决数据关联问题,在一定程度上将数据关联和目标状态估计两个不同的过程相结合,仿真计算说明了其有效性。     

基于深度学习的罐式炼炉送料口视觉检测与跟踪方法

通过计算机视觉技术实现送料口的准确检测及跟踪成为罐式炼炉自动控制的关键。但传统视觉检测和跟踪算法受炼炉高温产生烟雾的影响,易导致送料口检测和跟踪失效,为了更好地检测与跟踪视频流中送料口,提出了一种基于Yolo v3深度学习的检测及跟踪方法。基于自建的大量有烟雾干扰的图片样本,通过使用K-means聚类方法对数据集进行聚类分析,对送料口的检测与跟踪展开研究。实验结果表明:改进后的Yolo v3算法对实验目标准确率达到97.20%,检测速率达到了30帧/s,能实时检测和跟踪实际情况下送料口的位置信息,且具有较高的准确性和鲁棒性。其检测准确率和检测速率相比传统目标检测方法有所提高,准确性和实时性均满足自动控制生产要求,说明将深度学习技术应用到工业生产有着巨大的应用前景。     

雷达组网布站对数据融合精度的影响研究

建立了雷达组网布站的结构模型和数学模型,为研究雷达组网对目标定位精度的空间分布情况,引入了组网雷达定位精度几何扩散因子(GDOP)的数学模型,并利用组网雷达定位精度GDOP描述了直线航路上雷达组网布站的定位精度分布;然后利用简单的最小均方误差融合估计算法对直线航路上的目标数据进行融合,并给出了雷达组网布站的评价指标与数据融合精度的对应关系,从而证明了在定位站几何布局已定的条件下可以用GDOP来表征航线数据融合定位精度的结论;最后给出了实例说明.     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法。在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪。算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计,提高了目标跟踪的精度。同时通过动态簇头之间的目标状态信息的交换,实现了运动目标的动态连续跟踪。仿真结果表明,算法实现了运动目标协作跟踪,与集中式结构目标跟踪相比,跟踪精度提高了30%。     

基于虚拟网格技术的自适应车辆跟踪算法的研究

为了解决车辆跟踪速度、精度、非线性等问题,引入简化跟踪目标图像信息的虚拟网格技术,结合改进的Kalman预测理论,构建自适应车辆跟踪算法,利用该算法完成对移动目标车辆进行实时检测跟踪。测试结果验证了算法提高视频图像中移动目标跟踪速度,且以较高的精确性对单个、多个移动目标进行检测跟踪。     

模糊神经网络在雷达网数据融合中的研究

根据数据融合的原理,对雷达网数据融合问题提出了一种模糊神经网络模型,讨论了神经元感应场内模糊隶属度函数最大的WTA竞争机制和目标数据的重复融合问题。通过三目标数据关联的仿真实验,证明了该方法的有效性。     

基于模糊神经系统的多传感器数据融合算法

将自适应模糊神经推理系统(ANFIS)和卡尔曼滤波器应用于目标跟踪系统中,构成多传感器数据融合算法。该算法假设在目标运动过程中,过程噪声和测量噪声是相互独立的高斯白噪声序列。使用ANFIS分别对目标的加速度和测量噪声的方差进行估计,通过卡尔曼滤波器获得目标后验状态,最终由神经网络对多传感数据进行融合得到系统输出。仿真结果表明,该算法可以通过自适应调整跟踪参数有效地防止目标丢失。     

广义合作目标跟踪的误差空间估计方法

提出了广义合作目标的概念及误差空间估计方法,提高了光电跟踪系统的跟踪精度与平稳性。该方法采用引导数据与引导误差描述目标的运动,通过将目标的机动分散到引导数据和引导误差,在目标状态空间中根据目标的运动模型进行滤波,在误差空间中根据引导误差模型进行滤波与预测,再进行合成得到目标位置预测数据。实验结果表明在相同的机动水平下,该方法的跟踪性能优于Kalman滤波与强跟踪滤波。     

雷达群组网中几种目标跟踪滤波器的比较

在雷达群组网目标跟踪中,目标量测在雷达各自的坐标系下,而目标跟踪却在公共坐标系下,针对这种混合坐标系下异地雷达目标跟踪问题,通常解决这类跟踪问题的滤波算法有CMKF法和EKF法.文中从测量误差模型出发,给出了适用于群组网目标跟踪算法的推导过程,并且通过仿真实验和分析,比较了几种算法的优缺点并给出了结论.     

基于S-D分配的集中式多传感器不敏滤波算法

研究了非线性环境中的集中式多传感器多目标跟踪问题,提出了一种基于S-D分配的集中式多传感器不敏滤波算法。算法通过广义S-D分配技术实现每个传感器中的量测与目标的数据关联,求得所有可能互联中的最佳划分,然后按照顺序多传感器联合概率数据互联算法,依次处理最佳划分中各传感器源于同一目标的量测,在此基础上通过不敏卡尔曼滤波(UKF)解决非线性系统中的目标跟踪问题。最后给出了该算法与MSJPDA/EKF算法的仿真比较,结果表明该算法具有更高的稳定性和跟踪精度。     

合成孔径雷达慢运动目标成像处理的研究

从运动目标的回波特性出发，讨论了目标运动参数对合成孔径雷过（ＳＡＲ）成像的影响，介绍了一种运动目标成像算法。该算法能有效地区分静止目标和运动目标，实现静止目标与运动目标分别同时成像。并给出了对ＳＡＲ运动目标模拟数据的处理结果。     

基于灰关联无源多目标跟踪系统航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本上照搬多传感器数据融合的理论,仅利用目标的状态信息.文中利用了目标的多特征信息(载频、脉宽、脉冲重复间隔等),应用灰关联理论,提出了一种基于灰关联的分布式无源多目标跟踪系统的航迹关联算法.由于利用了目标多特征信息,算法具有关联速度快、正确率高、而且能够适应密集目标环境的优点.仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法.