针对无人机图像匹配时间较长的问题, 提出了一种基于SIFT改进的无人机图像匹配算法。引入了FAST算法检测角点, 它能快速通过比较中心像素点和一定领域内像元的灰度值以判断是否为角点, 从而提高算法的速度。同时, 为了弥补FAST算法在高斯差分金字塔上搜索的不足, 使用了基于Ostu和GA的图像分割算法对图像进行分割, 对分割图像构建高斯金字塔, 在高斯金字塔上进行特征点搜索。实验结果表明, 与传统的SIFT算法相比, 改进算法提高了无人机图像匹配的速率和正确率。

目标外观的描述对相关滤波跟踪器的性能有很大的影响,单一特征难以准确描述目标外观,基于多特征的目标外观描述在复杂场景下有着更加优异的性能。为了提高复杂场景下目标跟踪的鲁棒性,提出一种基于多特征自适应融合与上下文感知的目标跟踪算法。首先引入上下文感知框架,提取目标周围4个上下文图像块的一层卷积特征作为背景信息。由于单一特征难以准确描述目标外观,采用两个相关滤波器来提取多种特征。第一个滤波器通过卷积神经网络提取三层卷积特征作为深度特征,第二个滤波器提取方向梯度直方图和颜色直方图信息作为浅层特征,然后自适应融合深、浅特征。最后,利用平均峰值相关能量来评估响应的置信度,并决定是否对模型进行更新。所提算法在OTB-2013数据集上进行测试,结果表明,该算法在准确率和成功率方面都有很好的表现,与其他优秀的跟踪算法相比,具有更好的跟踪性能。

导航定位中针对双频码相组合法 (MW)无法探测L1和L2载波同一历元发生相同周跳, 以及周跳探测后不能实现频率间周跳分离的情况, 提出了一种联合多普勒及 MW组合法的周跳探测改进方法。利用多普勒积分可对单频点进行周跳检测和修复的特性, 将传统 MW组合法与多普勒积分法相结合, 建立改进模型, 从而计算并分离出 L1和L2载波相位产生的周跳。用实测数据进行验证和分析, 对比了3种不同情况下改进方法的检测效果, 实验表明新算法能精确探测和分离出L1和L2载波相位中的周跳组合, 可以准确探测周跳发生位置及周跳数值, 并且能够探测和修复 1周以上的周跳, 有效提高了 MW组合算法探测与修复周跳的准确性和可靠性。

在森林、室内、高空轨道等弱信号环境中, 卫星导航接收机已不能使用传统锁频环正常跟踪接收信号多普勒频率, 针对这一问题, 基于最大似然估计提出了一种改进的锁频环算法, 在传统锁频环混频器之前加入最大似然估计模块, 给出了该算法的推导过程, 结合传统锁频环的实现结构, 提出一种整合了该算法的实现方案。仿真结果表明, 该算法比传统锁频环在频率跟踪性能上有很大的改进。

针对红外弱目标跟踪问题, 提出箱粒子标签多伯努利多目标检测与跟踪(Box Particle Labeled Multi-Bernoulli Detection And Tracking, BOX-LMB-DT)算法, 该算法首先通过使用均值滤波对获得的灰度图像进行降噪处理; 其次, 通过将所有像素处依强度大小进行排序, 选出强度较大的区域作为当前时刻的区间量测; 最后利用箱粒子标签多伯努利滤波(Box-Labeled Multi-Bernoulli Filter, Box-LMB)器对目标进行跟踪.仿真结果表明, 所提箱粒子标签多伯努利多目标检测与跟踪算法能够对多目标的航迹和状态进行稳定有效的跟踪, 且在相同条件下, 相较于区间量测下的LMB粒子滤波, 达到相同的跟踪性能时BOX-LMB滤波运算效率提升了22.59%.

针对现有箱粒子概率假设密度(BOX-PHD)滤波存在箱粒子冗余问题, 提出一种箱粒子划分的概率假设密度滤波多目标跟踪算法。该算法在目标状态估计的更新阶段之前, 将预测得到的每一个箱粒子划分成多个箱粒子, 从而得到等价的箱粒子集,然后对这些箱粒子集的权值利用区间量测进行更新,从而估计目标的状态及数目。该划分由于将箱粒子划分更小, 能更好地利用区间量测信息, 可以有效避免箱粒子因压缩不足而导致的估计有偏情况。仿真结果表明所提方法可以有效地提高目标的跟踪性能。

低信噪比环境下, 原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli）检测前跟踪(TBD）算法, 该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测, 利用伯努利滤波对目标粒子进行递归, 粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测, 使得预测粒子更加接近目标真实运动状态, 兼备了伯努利TBD算法和交互式多模算法的特点, 可用于处理低信噪比环境下机动弱目标检测跟踪问题, 且对目标状态的估计更加精准。仿真实验表明, 该滤波器能够实时地估计出目标位置, 比传统的伯努利TBD算法具有更好的滤波性能。