基于VSIMMCKF的机场场面运动目标跟踪

合集下载

基于IMM算法目标跟踪

基于IMM算法目标跟踪目标跟踪是指通过计算机视觉技术对感兴趣的目标进行实时定位和跟踪。

目标跟踪在许多领域具有广泛的应用，如智能监控、机器人导航、无人驾驶等。

其中，IMM（Interacting Multiple Model）算法是一种常用于目标跟踪的滤波算法，具有良好的鲁棒性和准确性。

IMM算法是一种基于多模型的目标跟踪方法，其原理是通过将多个不同的滤波器模型组合起来，以适应不同运动模型的目标。

IMM算法的核心思想是通过权重的动态调整，在不同的时间步长选择最优的模型来预测目标的状态。

IMM算法的主要步骤如下：1. 初始化：首先，根据已有的传感器测量数据，初始化目标状态的概率分布。

通常使用卡尔曼滤波器（Kalman Filter）或粒子滤波器（ParticleFilter）来估计初始状态。

2. 模型选择：根据当前的目标状态估计，计算每个模型的权重。

权重的计算可以基于目标状态的预测误差或观测误差来进行。

常用的方法有最大似然估计（Maximum LikelihoodEstimation）和卡方检验。

3.滤波更新：对每个模型进行滤波更新，即基于当前观测值对目标状态进行修正。

这一步骤通常使用卡尔曼滤波器或粒子滤波器来计算目标状态的后验概率分布。

4.模型融合：根据各个模型的权重和目标状态的后验概率分布，通过加权平均的方式融合各个模型的估计结果，得到最终的目标状态估计值。

5.状态预测：根据每个模型的状态转移方程，对目标的未来位置进行预测。

预测的结果作为下一时刻的输入。

6.循环迭代：重复步骤2-5，直至目标跟踪结束。

IMM算法具有以下优点：1.鲁棒性好：IMM算法能够自适应地选择最优的模型，对于目标运动模式的变化具有较强的适应性和鲁棒性。

2.精度高：由于采用多模型的方法，IMM算法可以更准确地估计目标的状态，减少滤波误差。

3.实时性强：IMM算法通过对目标状态进行预测，并根据当前的观测值进行修正，能够实现对目标的实时跟踪。

通航机场场面运动目标检测方法

通航机场场面运动目标检测方法通航机场场面运动目标检测方法随着航空业的发展，通航机场成为一个重要的部分，它起着联系城市与世界的桥梁作用。

在通航机场中，大量的飞机、车辆和行人穿梭往来，因此，高效准确地对场景中的运动目标进行检测和跟踪，对保障航空安全和优化机场运行具有重要意义。

本文将介绍一种通航机场场面运动目标检测方法，以提高机场运行的安全性和效率。

一、目标检测方法的概述目标检测是计算机视觉领域的一项重要任务，旨在从图像或视频中自动识别和定位特定的目标。

目前，常见的目标检测方法包括基于传统的图像处理方法和基于深度学习的方法。

本文提出的通航机场场面运动目标检测方法主要基于深度学习方法，由于其在目标检测任务上具备更强的性能。

二、数据预处理在通航机场场面运动目标检测过程中，首先需要对采集到的图像或视频数据进行预处理。

预处理的目标是将输入数据转化为适合深度学习算法处理的形式。

常见的数据预处理方法包括图像分割、人脸检测和背景建模等。

例如，对于通航机场的图像场景，可以通过图像分割的方法将图像中的目标物体提取出来，减少处理的复杂性。

三、深度学习网络的构建本文采用卷积神经网络（Convolutional Neural Network，CNN）作为目标检测的模型。

CNN是一种深度学习网络结构，具备较强的图像特征提取能力。

在通航机场场面运动目标检测中，CNN可以通过学习大量的图像样本，提取出目标物体的特征信息。

常见的CNN模型包括AlexNet、VGGNet、GoogLeNet和ResNet等。

四、目标检测模型的训练与优化在构建好CNN模型后，需要使用标注的图像数据进行模型的训练与优化。

训练数据包括标注了目标位置信息的图像样本，通过网络的前向传播和反向传播过程，不断调整模型的参数，使得网络能够准确地预测出目标的位置。

训练过程中，常采用的优化算法包括随机梯度下降（Stochastic Gradient Descent，SGD）、自适应矩估计（Adaptive Moment Estimation，Adam）等。

基于IMM算法的目标跟踪

基于IMM算法的目标跟踪目标跟踪是计算机视觉领域的一个重要研究方向，旨在通过计算机处理视频序列中的目标对象，实现对目标的精确定位和连续跟踪。

随着算法和硬件的不断发展，基于IMM（Interacting Multiple Models）算法的目标跟踪方法逐渐被广泛应用于实际的目标跟踪任务中。

IMM算法基于卡尔曼滤波（Kalman Filter）和粒子滤波（Particle Filter）的思想，通过融合来自不同模型的跟踪结果，提高跟踪的准确性和鲁棒性。

IMM算法的核心思想是将跟踪目标的运动模型建模成多个假设，每个假设对应一个特定的运动模型。

然后，通过计算每个假设的后验概率，结合观测信息，从而得到最可靠的目标跟踪结果。

在基于IMM算法的目标跟踪过程中，主要包括以下几个步骤：1.初始化：选择适当的运动模型和初始的目标状态估计。

通常情况下，可以根据已有的先验知识或者通过图像处理方法来提取目标的特征点。

2.预测：利用卡尔曼滤波或者粒子滤波方法，对目标的下一个状态进行预测，并计算每个运动模型的预测概率。

3.数据关联：根据观测信息，通过测量模型来估计目标的状态，并计算每个运动模型的更新概率。

4.跟踪更新：根据更新概率，将各个运动模型的预测结果进行加权融合，得到最后的目标状态估计。

常用的融合方法包括加权平均、最大似然法等。

5.模型转换：根据当前目标的状态和观测信息，根据最大后验概率准则选择最可信的运动模型，并将状态估计结果进行修正。

6.迭代优化：重复执行预测、数据关联、跟踪更新和模型转换的过程，直到达到停止条件为止。

IMM算法在目标跟踪任务中具有一定的优势。

首先，通过采用多个假设的方式，能够更好地适应目标在不同运动模型下的变化。

其次，IMM算法能够在整个跟踪过程中实时地进行模型选择和状态估计，使得目标跟踪结果更加准确和鲁棒。

此外，IMM算法还能够通过无模型运动检测来发现和适应未知目标的运动。

然而，IMM算法也存在一些问题和挑战。

机载GMTI地面动目标跟踪模型和滤波器比较研究

机载GMTI地面动目标跟踪模型和滤波器比较研究作者：王志红来源：《电子科学技术》2017年第03期摘要：机载GMTI地面动目标跟踪的难点在于选择合适的目标运动模型和滤波算法，一般常用的单模型有CV、CA、Singer和当前统计模型（CS）；常用的多模型为IMM（交互式多模型）及VS-IMM（变结构多模型）。

本文研究了几种常用的单模型和多模型以及KF、EKF、UKF滤波算法，并进行了各种模型及滤波算法的仿真实验，最后给出了选择模型和滤波算法的建议。

关键词：GMTI动目标跟踪；模型；滤波器；比较研究中图分类号：TN953 文献标识码：B 文章编号： 2095-8595 （2017） 03-064-006电子科学技术 URL： http：// DOI： 10.16453/j.issn.2095-8595.2017.03.016引言机载SAR系统的GMTI模式（地面动目标指示）是军事战场感知的重要手段，GMTI地面动目标数据处理研究的主要目的是实现对地面动目标的自动检测定位与连续跟踪，形成航迹并叠加在背景地图上。

GMTI的主要难点是慢速目标的监视、跟踪[1]，GMTI回波环境恶劣，影响点迹质量的主要因素有：检测概率、惯导精度、定位精度、姿态角、坐标变换及时统等，这些因素叠加在一起，且量测数据（距离、方位）和目标状态之间的关系是非线性的[2]，导致地面动目标的跟踪情况比较复杂，本文研究了几种常用的单一模型CV、CA、Singer机动统计当前模型和多模型IMM，并通过仿真实验进行了KF、EKF和UKF的滤波算法验证，给出了对于GMTI地面动目标跟踪的模型和滤波算法选择建议。

1 单一模型1.1 常速度模型（CV）目标以常速度运动，即坐标对时间的二阶导数为0，也就是说X满足方程（1）通常称为CV模型[2]。

设两坐标雷达系统的状态变量为：（2）则状态方程的离散表达式为：（3）（4）W（K）为过程噪声，实际中把目标的加速度作为随机噪声处理，其协方差矩阵为：，（5）q为噪声协方差系数。

基于opencv的运动目标检测与跟踪__本科论文

基于VC的运动图像跟踪算法设计
学院
自动化学院
专业
班级
学号
姓名
指导教师
负责教师
沈阳航空航天大学
2013年6月
摘
运动目标检测与跟踪作为计算机视觉领域的一个重要分支与基础，在工业、医疗保健、航空航天、军事等各个领域具有广泛的应用前景，一直受到广泛的关注，并成为计算机视觉领域的一个研究热点。但是由于运动目标检测问题本身的复杂性，运动目标的检测与跟踪依然面临着诸多挑战。本文在现有研究成果的基础上，对静态场景下的运动目标检测跟踪进行了深入的讨论。
1.2
数字I Very Large Scale Integration）的发展而产生、发展和不断成熟起来的一个新兴技术领域，它在理论上和实际应用中都取得了巨大的成就。
关键词：运动目标检测；帧间差分法；视频图像；OpenCV
Algorithm
Abstract
Moving target detection and tracking field of computer vision as an important branch of the foundation, in the industrial, healthcare, aerospace, military and other fields with a wide range of applications, has been widespread concern, and the field of computer vision to become a research hotspot. However, due to moving target detection complexity of the problem itself, moving target detection and tracking is still facing many challenges. In this paper, based on the results of existing research in static scenes of the moving target detection and tracking in-depth discussion.

IMM-PF算法在机场场面移动目标跟踪中的应用研究

IMM-PF算法在机场场面移动目标跟踪中的应用研究
陈倩;王帮峰
【期刊名称】《中国民航飞行学院学报》
【年(卷),期】2016(027)002
【摘要】为了提高机场场面监视的可靠性以及监视数据的连续性,本文采用匀速运动(Constant Velocity,CV)、匀加速运动(Constant Acceleration,CA)和匀速转弯运动(Constant Turning,CT)三种运动模型,将交互式多模式算法(Interacting Multiple Model,IMM)与粒子滤波算法(Particle Filter,PF)相融合,充分发挥两种算法的优点,并结合机场地图信息分别对观测信息和估计输出结果进行修正,进一步提高机场场面移动目标跟踪的精度.仿真实验结果表明,本文提出的IMM-PF改进算法在机场场面移动目标跟踪的应用中具有更大的可行性和优越性.
【总页数】5页(P58-61,65)
【作者】陈倩;王帮峰
【作者单位】南京航空航天大学民航学院江苏南京210000;南京航空航天大学民航学院江苏南京210000
【正文语种】中文
【相关文献】
1.ADS-B在机场场面监视中的应用研究 [J], 李敏;王帮峰;丁萌
2.CS模型下IMM-PF算法在机动目标跟踪中的应用 [J], 霍长庚;高宪军
3.基于IMM算法的机场场面运动目标跟踪 [J], 宫淑丽;王帮峰;吴红兰;黄圣国
4.SURFIA在机场场面冲突探测中的应用研究 [J], 曲昌昊;张光明
5.基于改进DSST的机场场面目标跟踪算法 [J], 杨临风;黎新;牟睿
因版权原因，仅展示原文概要，查看原文内容请购买。

基于机场地面运行结构的航空器目标跟踪算法研究

基于机场地面运行结构的航空器目标跟踪算法研究作者：王玄，曾婧涵来源：《科技创新与生产力》 2017年第8期王玄，曾婧涵（中国民航飞行学院空中交通管理学院，四川广汉 618307）摘要：为解决机场场面冲突问题，提高机场场面动目标的跟踪精度，研究了在跑滑系统约束下机场场面航空器跟踪算法中的过程噪声修正方法，结合航空器地面运行以及场面结构特点，以交互式多模型算法为基础形成新的改进算法，从而实现对场面单一航空器的识别跟踪；仿真结果显示，加入管制指令约束和场面结构约束的IMM算法能更好地对机场场面运行的航空器进行精确跟踪，有效降低了跑道和滑行道方向上的跟踪误差。

关键词：机场场面；滑行冲突；跟踪算法；交互式多模型算法；跑滑系统约束中图分类号：V355；V351文献标志码：ADOI：10.3969/j.issn.1674-9146.2017.08.112近年来，随着航空器地面滑行的场面冲突不断增加，针对机场场面监控系统的研究也在不断深入。

场面监控的一个核心就是对机场地面动目标进行监控并利用数学模型来体现目标运动规则。

在现有研究中，有研究者将飞机在滑行道上的运动方式分为高速滑行、低速滑行和静止[1]3种，也有研究者将其分为转弯模式、纵向运动模式和恒速模式[2]。

描述上述模式的模型有半马克夫模型、Singer模型、当前统计模型等[3]。

Singer模型算法提出时间较早，但是此模型在跟踪多机动目标时性能较差[4-5]；MOOSE在马尔科夫转移矩阵的基础上，提出了半马尔科夫模型，但此模型计算量大、实时性差；为了解决此类问题，国内学者周宏仁提出一种当前统计模型，该模型能实时监控动目标且能提高跟踪性能。

在目标跟踪时，量测会带来误差，解决误差的方法是用滤波算法。

一般采用的目标跟踪算法包括具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法，这两种算法适用于高斯线性求解。

此外，还有一类被称之为粒子滤波[6-10]，本文将从目标跟踪中最重要的两个方面（滤波算法和运动模型）出发，研究常用于动态目标跟踪的数学模型，并在此模型基础上，结合跑滑系统的约束，以及场面滑行路径的快速匹配和交互式多模型（IMM）算法，最终得到适用于跟踪单一航空器的跑滑系统约束IMM算法。

如何使用计算机视觉技术进行运动目标跟踪

如何使用计算机视觉技术进行运动目标跟踪运动目标跟踪是计算机视觉领域的一项重要技术，它通过运用图像处理算法和模式识别技术，在连续的图像序列中实时地跟踪感兴趣的运动目标。

该技术广泛应用于实时监控、智能交通、无人驾驶等领域。

本文将介绍如何使用计算机视觉技术进行运动目标跟踪。

首先，运动目标跟踪算法主要分为三个阶段：目标检测、目标定位和目标跟踪。

目标检测是指从图像中识别出感兴趣的目标，通常使用目标检测器如基于深度学习的卷积神经网络 (Convolutional Neural Networks, CNN) 来实现。

目标定位是指在图像中确定目标的位置，常用的方法有边界框回归和关键点定位等。

最后，目标跟踪是指在连续的图像序列中，通过更新目标的位置信息来实现目标的准确跟踪。

其次，计算机视觉技术的运动目标跟踪还可以根据跟踪的特点分为两种：在线跟踪和离线跟踪。

在线跟踪是指在连续的图像序列中实时跟踪运动目标，它要求算法具有实时响应的能力。

离线跟踪是指对已经录制的图像序列进行目标跟踪，它不需要实时响应。

根据跟踪的特点选择合适的跟踪方法是非常重要的。

现在，我将介绍三种常用的运动目标跟踪算法。

首先，基于颜色的运动目标跟踪算法是一种简单而有效的方法。

该方法通过分析目标的颜色信息来进行目标跟踪。

首先，从初始帧中选择一个包含目标的区域作为跟踪模板。

然后，通过计算目标模板和当前帧的颜色直方图的相似度来确定目标的位置。

最后，使用目标模板更新目标的位置信息。

这种方法简单快速，但对光照变化和背景干扰敏感。

其次，基于特征的运动目标跟踪算法是一种常用的方法。

该方法利用目标在不同帧之间的变化来确定目标的位置。

主要有两种特征，一种是结构特征，如边缘和角点等；另一种是纹理特征，如灰度直方图和梯度直方图等。

通过提取和匹配这些特征，可以实现目标的准确跟踪。

这种方法对光照变化和背景干扰不敏感，但对于目标的形变和遮挡敏感。

最后，基于深度学习的运动目标跟踪算法是近年来的热点研究方向。

基于IMM算法的目标跟踪

基于交互式多模型方法的目标跟踪高海南目标建模我们设定一个目标在二维平面内运动，其状态X(n)由位置、速度和加速度组成，即X(n) 4x(r), X& yn (y)h & T。

假设采样间隔为T ，目标检测概率PD = 1，无虚警存在，在笛卡尔坐标系下目标的离散运动模型和观测模型 (假定在采样时刻k)为：X k 1 二 FX k GV k Z k i ； = H k X k W k目标在二维平面内运动模型如下： 1. CV:近似匀速运动模型C V 模型将加速度看作是随机扰动(状态噪声)，取目标状态X(n)=[x(n),X(n), y(n), y(n)]T。

则状态转移矩阵，干扰转移矩阵和观测矩阵分别为：2. CT :匀速转弯模型只考虑运动角速度已知的CT 模型。

则状态转移矩阵，干扰转移矩阵和观测矩阵分别为:量测噪声协方差矩阵R 由传感器决定0 00 0j0 0 0〕,G =，H =11 TT 2/2〔0 0 1 0一 0 1 一1 1 0 T 一_1 T 0 1 F = 0 00 0 0 0〕 T 2/2 0 1sin( T) cos( T) 1 _cos( T)八2.0 si n®T) 0co 2-T 2/20 1si nQT) G二0 HJ0 0 01sin (coT)0 T 2/2L0 0 1 0一oT 一cos^cT)0 11 -cos( T)交互多模算法原理假定有r个模型:X(k+1) = F j X( k + G V )K jK , r其中，W j k是均值为零、协方差矩阵为Q j的白噪声序列。

用一个马尔可夫链来控制这些模型之间的转换，马尔可夫链的转移概率矩阵为：P l 1 L P rlP = MO M,P ri L P r 匚测量模型为：Z k = H j k X j k j kIMM算法步骤可归纳如下：①、输入交互rX°j k—1 /k— 1八X i^ lk/一・1j k- k1—/ 1P oj k -1 /k - 1r— -ij k 一1 /k 一1 P i k- 1k/— 1 X k- k1—/ 1i 4 _—X oj(k—1/k— 1「X i(k — 1k/-尸l X oj(k- «/护出(k—1 /k- 1=P{Mj(k- 1Mj(k) Z：」}=卩耳片(k- ) C j /其中j"」ll,r，向是模型i转到模型j的转移概率，C j为规一化常数，rC j =為P j J i k -1 。

基于迁移学习的机场场面目标检测与跟踪技术研究

2021.01理论算法基于迁移学习的机场场面目标检测与跟踪技术研究李彦冬，夏正洪(中国民用航空飞行学院，四川广汉，618300)摘要：本文分析了深度学习技术的基本原理,讨论了其应用与目标检测与跟踪领域的基本方式。

利用实地釆集的广汉机场场面视频数据，釆用深度迁移学习的策略，研究了面向机场场面目标的检测与跟踪技术。

关键词：深度学习；迁移学习；机场场面监视；目标检测；目标跟踪Transfer Learning Based Research on Object Detection and Trackingfor Airport Surface SurveillanceLi Yandong,Xia Zhenghong(Civil Aviation Flight University of China,Guanghan Sichuan,618300) Abstract:A series of research findings have been achieved in the field of object detection and tracking using deep learning method in recent years.This paper provides a brief analysis about the basic principles of deep learning.Some strategies of applying the deep learning technology to object detection and tracking are discussed・Based on some collected video data from guanghan airport,the object detection and tracking method for airport surface using transfer learning strategy is investigated.Keywords:Deep learning；Transfer learning；Airport surface surveillance;Object detection;Object tracingo引言机场场面监视是民航安全运行中的重要一环，一直以来都是民航关注的一个重要问题。

基于VS-IMM算法的A-SMGCS场面运动目标跟踪

基于VS-IMM算法的A-SMGCS场面运动目标跟踪宫淑丽;陶诚;王帮峰;黄圣国【摘要】为实现先进场面运动引导控制系统中场面监视雷达对运动目标的跟踪,研究了将变结构交互式多模型(Variable structure interacting multiple model,VS-IMM)算法应用到该系统中.首先,根据飞机的真实运动情况建立了飞机的匀速运动、匀加速运动和匀速转弯运动模型;然后,针对固定结构交互式多模型(Fixed structure interactive multiple model,FS-IMM)算法在目标跟踪方面的不足,结合机场地图,将VS-IMM算法应用到机场场面运动目标跟踪中;最后,基于扩展卡尔曼滤波将VS-IMM算法与FS-IMM算法进行仿真比较.结果表明:VS-IMM算法的跟踪精度及模型选择均优于FS-IMM算法,VS-IMM算法在场面跟踪方面具有更大的应用价值.%Aiming at tracking maneuvering target of surface movement radar (SMR) for the advanced surface movement guidance and control system (A-SMGCS), the variable structure interacting multiple model (VS-IMM) algorithm is used in the system. Firstly, according to the real movement of aircraft, a constant velocity motion model is established, as well as a constant acceleration motion model and a constant turn motion model. Then, considering the defects of the fixed structure interacting multiple model (FS-IMM) algorithm, the VS-IMM algorithm is applied to the airport surface movement target tracking by combining with the airport map. Finally, VS-IMM and FS-IMM algorithms are designed by extended Kalman filtering (EKF), and they are compared through computer simulation. Simulation results show that VS-IMM algorithm is more reliable than IMMalgorithm on tracking accuracy. So VS-IMM algorithm has the greater value on surface maneuvering target tracking.【期刊名称】《南京航空航天大学学报》【年(卷),期】2012(044)001【总页数】6页(P118-123)【关键词】目标跟踪;交互式多模型算法;扩展卡尔曼滤波【作者】宫淑丽;陶诚;王帮峰;黄圣国【作者单位】南京航空航天大学民航学院,南京,210016;南京航空航天大学民航学院,南京,210016;南京航空航天大学民航学院,南京,210016;南京航空航天大学民航学院,南京,210016【正文语种】中文【中图分类】V351机场场面监视是保障机场上的航空器和车辆运行安全的基础技术。

基于IMM-UKF的网络化作战目标跟踪算法

基于ＩＭＭ— ＵＫＦ的网络化作战目标跟踪算法
周中良，高智敏，赵彬，刘宏强，郝秦芝
（空军工程大学航空航天工程学院，西安７１００３８）
摘要：针对网络化作战中单探测节点对机动目标的运动模ｅｔｍｏｔｉｏｎｓｔａｔｅｉｓｏｔｆｅｎａｖａｉｒｅｔｙｏｆｃｏｅｘｉｓｔｅｎｃｅ，ｔｈｅｆｉｌｔｅｒｃａｎ’ ｔｍｅｅｔｔｈｅｓｉｎｇｌｅｍｏｄｅｌｏｒｆ
Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｏｎｔｈｅｎｅｔｗｏｒｋｏｐｅｒａｔｉｏｎａｌｒｅｑｕｉｒｅｍｅｎｔｓ，ａｔｔａｃｋａｒｅｓｔｕｄｉｅｄｉｎｔｈｅｄｉｓｓｅｒｔａｔｉｏｎ．
Ｖｏ１．４２．Ｎｏ．１００ｃｔ．２０１７
火力与指挥控制
ＦｉｒｅＣｏｎｔｒｏｌ＆ＣｏｍｍａｎｄＣｏｎ￣ｏｌ
第４２卷第１０期２０１７年ｌＯ月
文章编号：１００２ — ０６４０（２０１７）１０ — ００９７ — ０６
Ｎｅｔｗｏｒｋｅｄ－ａｔｔａｃｋＴａｒｇｅｔＴｒａｃｋｉｎｇＢａｓｅｄｏｎＩＭＭ－ＵＫＦＡｌｇｏｒｉｔｈｍ
ＺＨＯＵＺｈｏｎｇ－ｌｉａｎｇ，ＧＡＯＺｈｉ－ｍｉｎ，ＺＨＡＯＢｉｎ，ＬＩＵＨｏｎｇ－ｑｉａｎｇ，ＨＡＯＱｉｎ－ｚｈｉ（ＳｃｈｏｏｌｏｆＡｅｒｏｎａｕｔｉｃｓａｎｄＡｓｔｒｏｎａｕｔｉｃｓＥｎｇｉｎｅｅｒｉｎｇ，ＡｉｒＦｏｒｃｅＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ’ 觎７１００３８，Ｃｈｉｎａ）

基于区域约束的机场场面目标跟踪

基于区域约束的机场场面目标跟踪李川;靳俊峰;曲成华【期刊名称】《雷达科学与技术》【年(卷),期】2015(000)006【摘要】There are several kinds of movement targets on the airport surface,which have different kinematic characteristics.However,if they move into a specific region,they have to obey kinematic limits of airport op-erations.A surface movement target tracking algorithm based on region constraint is proposed.First,the action regions are divided into runways,taxiways,and aprons,which have different tracking parameters. Then,the specified kinematic parameters are used when a target moves into an area.The tracking results from the surface radar show that the data processing algorithm based on region constraint has a good and con-tinuous tracking for airplanes and cars,especially for taxi-wait-landoff and approach-taxi-apron airplanes.%机场场面活动目标种类复杂，目标运动特性差别很大，但在某个特定区域的目标运动特性是可预知的，为此采用基于区域约束的目标跟踪算法：首先根据机场地图对机场活动区域进行分类，每种区域设置不同的目标运动特性，然后对特定区域目标采取相应的参数进行跟踪。

基于深度学习的无人翼飞机目标识别与跟踪研究

基于深度学习的无人翼飞机目标识别与跟踪研究摘要：无人翼飞机（UAV）的普及和应用带来了一系列机器视觉的研究挑战，其中目标识别和跟踪是其中之一。

本文将探讨基于深度学习的无人翼飞机目标识别与跟踪的研究。

首先，我们将介绍深度学习在计算机视觉领域的应用；其次，我们将讨论无人翼飞机目标识别与跟踪的重要性和挑战；最后，我们将提出一种综合考虑目标检测和跟踪的深度学习方法，并探讨其在无人翼飞机应用中的潜力。

1. 引言随着无人翼飞机的广泛应用，目标识别和跟踪成为了一个亟需解决的问题。

传统的目标识别和跟踪方法受限于手工特征的提取和模式匹配的效率，而深度学习方法通过学习数据的表示和特征提取能够显著提升目标识别和跟踪的性能。

本文将探讨如何利用深度学习方法来解决无人翼飞机的目标识别和跟踪问题。

2. 深度学习在计算机视觉中的应用深度学习是一种基于神经网络的机器学习方法，它通过多层次的神经网络结构来学习数据的表示和特征提取。

在计算机视觉领域，深度学习方法已经取得了很大的成功，包括目标检测、图像分类和图像生成等任务。

深度学习方法通过端到端的学习可以自动从大量的数据中学习到更好的特征表示，从而提高目标识别和跟踪的准确度和鲁棒性。

3. 无人翼飞机目标识别与跟踪的重要性和挑战无人翼飞机的目标识别与跟踪是无人翼飞机应用中的关键问题之一。

准确地识别和跟踪目标物体对于无人翼飞机的导航、监视和协同任务都具有重要意义。

然而，在实际应用中，无人翼飞机面临着光照变化、目标尺度变化、背景干扰等挑战，传统的方法往往效果不佳。

因此，研究如何应用深度学习方法来解决无人翼飞机目标识别与跟踪问题变得至关重要。

4. 基于深度学习的无人翼飞机目标识别与跟踪方法在本节中，我们将提出一种基于深度学习的无人翼飞机目标识别与跟踪方法。

该方法综合考虑了目标检测和跟踪的过程，通过学习数据的表示和特征提取来实现准确的目标识别和跟踪。

具体而言，我们将采用卷积神经网络（CNN）作为基础模型，通过在大量标注数据上进行训练来得到良好的目标识别能力。

机场三维态势呈现中 IMMKF 平滑 ADS-B 数据

机场三维态势呈现中 IMMKF 平滑 ADS-B 数据李新胜;李纲【摘要】针对基于广播式自动相关监视（automatic dependent surveillance-broadcast，ADS-B）数据进行机场三维态势呈现的应用，研究了在态势显示的第一步，ADS-B 数据精度不高、不平滑问题，预处理后数据可以用于后续插值生成高帧率的航迹数据。

交互式多模型卡尔曼滤波（interacting multiple model Kalman filter，IMMKF）算法可以较好地解决机场场面运动目标 ADS-B 轨迹数据的实时平滑问题。

首先，根据飞机的真实运动情况建立了飞机的匀加速运动、匀速转弯运动及匀速运动模型，然后利用卡尔曼滤波 Singer 模型与 IMM 相结合的IMMKF 算法对场面飞机的 ADS-B 轨迹进行了跟踪滤波，达到目标轨迹光滑的效果。

实验结果表明，与多种经典的滤波方法相比，IMMKF 方法在保证了光滑性的情况下跟踪失败概率低，可实时计算，精度能满足要求。

%In order to realize the 3D situation display of airport based on the automatic dependent surveil-lance-broadcast(ADS-B)data,its smoothing method is developed in the first step of airport 3D display.The ADS-B data must be pretreated because it is unsmooth with low accuracy for 3D display of the moving aircraft on airport surface.After smooth pretreatment,ADS-B data can be interpolated to high-frequency track data which is used for 3D display.So the interacting multiple model Kalman filter(IMMKF)algorithm is used to smooth the track.First,according to the actual movement of aircraft,three motion models with respect to con-stant acceleration,constant turn and constant velocity are constructed separately.Second,the IMMKF algo-rithm which combines IMM and Kalman Singer filter is used to track and smoothADS-B pared with other several classical filters,the experiment results indicate that this method achieves the lower failure proba-bility of tracking with enough smoothness,realtime calculation and high accuracy.【期刊名称】《系统工程与电子技术》【年(卷),期】2015(000)001【总页数】6页(P206-211)【关键词】机场三维态势;广播式自动相关监视;交互式多模型;卡尔曼滤波;轨迹平滑【作者】李新胜;李纲【作者单位】四川大学计算机学院视觉合成图形图像技术国防重点学科实验室，四川成都 610064;川北医学院基础医学院，四川南充 637007【正文语种】中文【中图分类】TP391广播式自动相关监视（automatic dependent surveillance-broadcast，ADS-B）的精度和数据更新率比雷达高，提供的信息更全面，是未来监视系统的发展方向［1-2］。

基于计算机视觉的运动目标跟踪算法研究的开题报告

基于计算机视觉的运动目标跟踪算法研究的开题报告一、选题背景和意义随着计算机视觉领域的发展，运动目标跟踪技术已经成为计算机视觉领域中的重要研究方向之一。

运动目标跟踪技术主要应用于视频监控、交通监管、智能机器人、无人车辆等领域，可以实现实时、准确地跟踪目标物体，对于实现自动化监控、智能化控制等方面起着重要的作用。

近年来，深度学习的发展在目标检测和目标跟踪领域取得了重大进展，各种深度学习算法被应用于运动目标跟踪领域。

其中，基于卷积神经网络的目标跟踪算法可以实现快速、准确的目标跟踪，因此受到了广泛的关注和研究。

本研究将探讨基于计算机视觉的运动目标跟踪算法，结合深度学习算法研究该领域的新算法，为实现更快速、更准确的目标跟踪提供一定的理论支持和技术保障。

二、研究内容和方法本研究主要研究内容包括：1. 运动目标跟踪的基础知识：主要包括运动目标跟踪的定义、目标跟踪的基本流程、常用跟踪评价指标等。

2. 基于深度学习的目标跟踪算法研究：使用深度卷积神经网络提取特征，进而实现目标的跟踪和定位，包括搭建网络模型和训练网络模型等。

3. 相关技术的研究：主要包括目标检测、图像分割、运动模型等相关技术。

本研究采用文献综述法、模型实现与算法测试法等多种研究方法，对目标跟踪算法进行研究分析，并运用计算机视觉和深度学习领域中的相关知识进行算法实现和测试。

三、预期结果与意义本研究预期结果包括：1. 搭建基于深度学习的运动目标跟踪算法，提高目标跟踪的准确度和速度。

2. 实现几个比较好的运动目标跟踪算法，并对比其效果和特点。

3. 揭示运动目标跟踪领域中的研究热点和难点问题，为后续研究提供参考和启示。

本研究成果可应用于视频监控、交通管理、智能机器人、自动驾驶等领域，为实现智慧城市、智能化交通等方面提供理论基础和技术支持。

同时，也可以为计算机视觉和深度学习领域中的研究提供新思路和新方法。

基于IMMCKF的机动目标跟踪算法

基于IMMCKF的机动目标跟踪算法
陈海;单甘霖
【期刊名称】《电光与控制》
【年(卷),期】2011(018)010
【摘要】针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF).该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出.仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算童更小,该算法具有重要的工程应用价值.
【总页数】5页(P1-5)
【作者】陈海;单甘霖
【作者单位】军械工程学院,石家庄,050003;军械工程学院,石家庄,050003
【正文语种】中文
【中图分类】V271.4;TP39
【相关文献】
1.一种新的基于机动检测的机动目标跟踪算法 [J], 关成斌;王国宏;王晓博
2.基于自适应的增广状态-交互式多模型的机动目标跟踪算法 [J], 许红;谢文冲;袁华东;段克清;王永良
3.基于GM-PHD滤波的机动多目标跟踪算法 [J], 张万顺;张安清;齐海明
4.基于卡尔曼滤波的序贯融合对机动目标跟踪算法与仿真 [J], 王华松;李鹏;张家叶
子;赵鑫
5.基于反馈判决的鲁棒自适应机动目标跟踪算法 [J], 汪家宝;陈树新;吴昊;何仁珂;郝思冲
因版权原因，仅展示原文概要，查看原文内容请购买。

基于深度学习的目标跟踪与运动估计研究

基于深度学习的目标跟踪与运动估计研究摘要：目标跟踪与运动估计是计算机视觉中的重要研究领域，有着广泛的应用价值。

近年来，深度学习技术的快速发展为目标跟踪与运动估计提供了强大的工具。

本文将介绍基于深度学习的目标跟踪与运动估计的研究现状和方法，并探讨其在实际场景中的应用前景。

1. 引言目标跟踪与运动估计在自动驾驶、视频监控、机器人导航等领域中具有重要意义。

传统的方法主要基于手工设计的特征和机器学习算法，但随着深度学习的兴起，基于深度学习的目标跟踪与运动估计技术逐渐成为研究热点。

2. 基于深度学习的目标跟踪基于深度学习的目标跟踪方法主要包括两个阶段：目标检测和目标跟踪。

目标检测利用深度神经网络对图像或视频中的目标进行定位和分类，而目标跟踪则利用前一帧目标的位置信息和当前帧图像进行目标位置的估计。

针对目标检测，目前最常用的方法是基于卷积神经网络（CNN）的目标检测器，例如Faster R-CNN、YOLO、SSD等。

这些方法具有较高的准确性和实时性，能够在复杂背景和目标遮挡的情况下进行准确的目标检测。

在目标跟踪领域，深度学习方法也取得了显著的进展。

常见的深度学习目标跟踪算法包括Siamese网络、RPN、MDNet 等。

这些方法利用神经网络学习目标的特征表示，并通过匹配目标特征和背景特征来进行目标跟踪。

从而实现目标在视频序列中的稳定跟踪。

3. 基于深度学习的运动估计运动估计是指根据连续帧之间的差异来估计目标的运动信息。

在基于深度学习的运动估计领域，常用的方法包括基于光流的运动估计和基于深度神经网络的运动估计。

基于光流的运动估计通过分析图像中像素点的移动情况来估计物体的运动轨迹。

然而，由于光流估计对光照变化和遮挡敏感，其在复杂背景和遮挡情况下的准确性较低。

为了克服光流估计的缺点，研究人员提出了基于深度学习的运动估计方法。

这些方法通过利用深度神经网络学习图像序列之间的关系来估计物体的运动。

通过深度学习的特征表示和非线性建模，基于深度学习的运动估计方法在复杂场景中具有较高的准确性和鲁棒性。

基于VS-IMM算法的A-SMGCS场面运动目标跟踪

ＢａｅｎＶＳ－ＭＭｇｒｔｓｄｏ — ＩＡｌｏｉｈｍ
Ｇｎｈｌ，ａｈｎＷａｇＢｎｆｎＨｕｎｈｎｇｏｏｇＳｕｉＴｏｅｇ，ｎａｇｅｇ，ａｇＳｅｇｕＣ
（ｏｌｅｆｉａＡｖａｉｎＮａｊｇＵｎｖｒｉｆｒｎｕｉ＆ＡｔｏａｔｓＮａｊｇ２０１，ｈｎ）Ｃｌｇｖｌｉｔ，ｎｉｉｅｓｙｏｏａｔｓｅｏＣｉｏｎｔＡｅｃｓｒｎｕｉ，ｎｉ，１０６Ｃｉａｃｎ
ｂｏｉｉｇｗｉｈｔｅａｒｏｔａ．ＦｉａｌＶＳＩＭｎ — ＭＭｌｏｉｍｓａｅｄｓｇｅｙｅｔｎｅｙｃｍｂｎｎｔｈｉｐｒｐｍｎｌｙ， —ＭａｄＦＳＩａｇｒｔｈｒｅｉｎｄｂｘｅｄｄ
值。
关键词：目标跟踪；交互式多模型算法；扩展卡尔曼滤波中图分类号：５Ｖ３１文献标识码：Ａ文章编号：０５２１（０２０ —１８０１０ —６５２１）１０１—６
ＭａｅｅｉｒｅａｋｉｎＡｉｐｒｕｆｃｏＳＧＣＳｎｕｖｒｎｇＴａｇｔＴｒｃｎｇｏｒｏｔＳｒａｅｆｒＡ－Ｍ
ＡｂｔａｔＡｉｎｔｔａｋｎｎｕｅｉｇｔｒｅｆｓｒａｅｍｏｅｎａａ（ＭＲ）ｆｒｔｅａｖｎｅｓｒｃ：ｍｉｇａｒｃｉｇｍａｅｖｒｎａｇｔｏｕｆｃｖｍｅｔｒｄｒＳｏｈｄａｃｄ

基于VSIMM-CKF的机场场面运动目标跟踪

基于VSIMM-CKF的机场场面运动目标跟踪孙寿宇;宫淑丽【摘要】根据先进场面运动引导控制系统的监视要求和机场场面的道路信息,对机场场面上的运动目标建立运动模型集;针对容积卡尔曼滤波器(cubature Kalman filter,CKF)的特点进行研究,将其应用到变结构交互式多模型(variable structure interacting multiple model,VSIMM)算法中,采用一种新型运动目标跟踪算法VSIMM-CKF;根据场面移动目标的复杂性,将VSIMM-CKF应用到机场场面运动目标跟踪中.通过仿真分析将本文采用的VSIMM-CKF算法与IMM-EKF和VSIMM-UKF进行比较,仿真结果表明:VSIMM-CKF和VSIMM-UKF的跟踪精度明显优于IMM-EKF,且VSIMM-CKF要略好于VSIMM-UKF;在算法运行时间方面,VSIMM-CKF算法时间要低于VSIMM-UKF和IMM-EKF,因此,采用的VSIMM-CKF更能满足机场场面运动目标的高精度和实时跟踪要求.【期刊名称】《武汉理工大学学报（交通科学与工程版）》【年(卷),期】2019(043)002【总页数】6页(P300-305)【关键词】机场场面;变结构交互式多模型算法;容积卡尔曼滤波【作者】孙寿宇;宫淑丽【作者单位】南京航空航天大学民航学院南京 210016;南京航空航天大学民航学院南京 210016【正文语种】中文【中图分类】V3510 引言机场场面管理需要对场面活动区进行有效的交通管理，国际民航组织于2004年提出在机场部署“先进场面运动引导控制系统”(advanced surface movement guidance and control system, A-SMGCS)的概念[1]，A-SMGCS概念提出基于保障机场安全和增大机场容量两大因素，实现监视、路径选择、引导和控制功能[2]，其中监视功能是整个系统功能的基础[3].目前我国大型国际枢纽机场均安装有场面监视雷达(surface movement radar, SMR)，配合目视监视、语音通信等实现对机场场面活动区域的运动目标的监视与引导[4].由于SMR测量数据含有噪声，需要对SMR得到的航迹数据进行滤波处理.常用的非线性估计方法是基于传统的Taylor级数展开的扩展卡尔曼滤波(extended kalman filter, EKF)算法.EKF思想是将非线性系统一阶线性化，但是线性化过程会带来近似误差.Julier[5]提出的无迹Kalman滤波(unscented Kalman filter, UKF)以无迹变换(unscented transformation, UT)为基础,摒弃了对非线性函数线性化的传统做法，因而计算精度较高.UKF虽然不需要计算Jacobin矩阵，但只有选择合适的参数才能保证其收敛性.Arasaratnam等[6]提出的容积卡尔曼滤波(cubature Kalman filter，CKF)基于球面径向积分准则，利用2n个具有相同权重的容积点对状态的概率密度分布函数进行逼近，避免复杂的雅克比矩阵的运算，提高了滤波的精度和稳定性.许多学者基于CKF做了大量研究，如文献[7]，针对容积卡尔曼滤波器在递推过程中，计算量大、数值不稳定等问题，提出平方根容积卡尔曼滤波.文献[8]将牛顿高斯迭代法引入了平方根容积卡尔曼滤波提出改进迭代平方根容积卡尔曼滤波，文献[9]基于采样点正交变换改进CKF提出了TCKF.交互式多模算法(interacting multiple model, IMM)通过马尔可夫链可实现各个模型之间的软切换，增加了模型之间的交互功能.文献[10]将IMM算法和CKF相结合对弹道再入目标跟踪研究，文献[11]将IMM算法和EKF相结合对中段弹头跟踪研究，文献[12]将IMM算法和UKF相结合对机场场面目标跟踪研究.IMM是一种固定结构的多模型算法，Li[13]创立了使用时变模型集的变结构交互式多模型算法(variable structure interacting multiple model, VS-IMM).该算法可以优化模型集，减少系统的计算量，提高跟踪的精度.文献[14]采用自适应网格对模型集进行调整，结合基于S修正RBUKF滤波算法，文献[15]提出基于球面径向容积规则的平滑变结构滤波算法.本文将VSIMM算法与CKF相结合，采用VSIMM-CKF算法，应用于机场场面监视.1 场面运动目标运动模型建立1.1 上海虹桥机场地形信息上海虹桥国际机场采用双跑道、双航站楼运行管理的模式.滑行道系统为进、出港飞机提供跑道和机坪之间的联系通道，滑行道系统关系着机场的运行效率和运行安全水平[16]，见图1.为了能够统一时间实现多架飞机的穿越需求，提高飞机运行效率，飞行的跑道穿越滑行是不可避免的，保障飞机安全穿越跑道滑行对此进行场面监视至关重要.图1 虹桥机场北流向机场地形信息图1.2 飞机运动模型飞机的运动包含三种运动：在跑道上加速运动，在跑道与滑行道或滑行道与滑行道连接处的匀速转弯运动，在滑行道上匀速直线运动.1) CV模型匀速运动可以用匀速模型(constant velocity, CV)来描述.选取状态变量其中x和y为飞机位置；和为速度；CV模型状态方程为X(k)=FCV(k-1)X(k-1)+GCV(k-1)W(k-1)(1)式中：FCV为CV模型的运动转移矩阵.(2)2) CA模型匀加速(Constant Acceleration, CA)模型则对应着目标做匀加速直线运动的情形.选取六维状态变量则CA模型的状态方程为X(k)=FCA(k-1)X(k-1)+GCA(k-1)W(k-1)(3)式中：FCA为CA模型的运动转移矩阵.(4)3) CT模型车辆的转弯通常遵循称为协调转弯的模式(constant turn, CT).选取状态变量模型的状态方程为X(k)=FCT(k-1)X(k-1)+GCT(k-1)W(k-1)(5)式中：FCT为CT的运动转移矩阵.(6)2 容积卡尔曼滤波为了解决求解多变量非线性函数与高斯密度函数乘积的积分，Arasaratnam提出容积卡尔曼滤波，即通过三阶容积积分法则，利用2n个容积点加权求和近似计算加权高斯积分，对于函数f(x)的加权高斯积分：(7)式中：N(x;μ,P)为x服从均值μ和协方差阵P的正态分布；S满足S·(S)T=P，具有2n个元素的容积点集{ξi}具有如下形式.CKF算法流程见图2.图2 CKF算法流程图具体流程如下：1) 时间更新①假设在第k时刻后验密度函数p(Xk-1|Dk-1)=N(xk-1|k-1,Pk-1|k-1)已知，Pk-1|k-1可以分解为(8)②计算容积点(i=1,2,…,m)Xi,k-1|k-1=Sk-1|k-1ξi+xk-1|k-1(9)这里m=2n.③传播容积点(i=1,2,…,m)(10)④估计预测状态(11)⑤协方差更新(12)2) 量测更新①Pk|k-1 分解(13)②计算容积点Xi,k|k-1=Sk|k-1ξi+xkξk-1(14)③传播容积点Zi,k|k-1=h(Xi,k|k-1,uk)(15)④计算量测预测值(16)⑤计算新息方差(17)⑥计算协方差矩阵(18)⑦计算容积卡尔曼滤波增益(19)⑧预测状态更新xk|k=xk|k-1+Wk(Zk-zk|k-1)(20)⑨协方差更新(21)3 基于VSIMM-CKF算法运动目标的跟踪研究主要取决两个方面，首先，模型集的正确建立可以准确反应机动目标的运行状态；其次，合适滤波算法可以有效滤除量测原因带来的误差.VSIMM算法模型集和概率转移矩阵可根据目标的运动情况和地图及其他因素等可变，在不同条件下使用不同的模型集，不仅能减少系统的计算量，而且能够保证所选模型与系统运动相匹配，使MM估计器达到最优，提高跟踪的精度.而对于非线性滤波问题，CKF算法比UKF算法更加严谨，可避免参数选取不当而造成滤波器性能下降.VSIMM-CKF算法利用VSIMM算法对模型集优化，同时在滤波方面采用更为严谨的CKF算法.3.1 VSIMM算法定义M={m1,m2,…,mN}为描述系统总模型集合，VSIMM在IMM算法基础上加入模型集更新，删除无效子模型.根据目标运动状态估计和机场地形信息，更新模型集合其中：M′∈M，N′≤N.VSIMM算法主要分为模型集更新、模型交互、模型条件滤波、模型概率更新和估计融合五个步骤.3.2 VSIMM-CKF算法结合CKF的变结构多模算法流程见图3.图3 VSIMM-CKF算法流程图1) 模型集更新定义M={m1,m2,…，mN}为描述系统总模型集合，根据基于k-1时刻的目标状态估计、机场地形信息以及k-1时刻模型集的信息删除无效模型、更新模型其中表示这段时间内与目标运动相匹配的模型，表示k时刻匹配模型是表示模型s的概率.2) 模型交互假设k-1和k时刻匹配模型分别为k和s，即则从k-1时刻的匹配模型r转换到k时刻的匹配模型s的转移概率与和有关，即(22)模型s的预测概率为(23)模型的混合概率为(24)(25)(26)3) CKF滤波见第2节4) 模型概率更新模型概率(27)(28)5) 估计融合(29)(30)4 仿真及结果分析4.1 仿真场景设置假设飞机在所在初始位置为(200 m，200 m),沿着跑道方向以初始速度为50 m/s，加速度为-2 m/s2直线运动20 s，然后以1 (°)/s的转弯速率运动到B3，在40～60 s时沿着B3做匀速直线运动，然后以10 (°)/s的转弯速度运动10 s运动至H3，最后在70～80s沿着H3做匀速直线运动.根据机场地形条件建立模型集，模型1为匀速直线运动；模型2为加速直线运动；模型3为转弯率为1 (°)/s的左转弯运动；模型4为转弯率为5 (°)/s的右转弯运动；模型5为转弯率10 (°)/s的右转弯运动.雷达采样周期为1 s，考虑到SMR精度，距离方差19，方位角方差0.5.分别对IMM-EKF,VSIMM-UKF,VSIMM-CKF进行50次蒙特卡洛仿真实验.4.2 仿真结果分析图4为仿真过程中VSIMM-CKF每个模型的概率.图4 VSIMM-CKF每个模型算法概率由图4可知，VSIMM-CKF在每个时刻删除了不必要的模型，从总模型集中选取了能反映目标真实运动状态的2种运动模型进行了融合估计.图5为X,Y方向的位置RMSE曲线，图6为X,Y方向的速度RMSE曲线.由图5可知，在初始时刻由于滤波器没有跟踪上，所以误差X,Y位置误差都较大.图5a)中VSIMM-CKF在模型转换时刻20 s左右、40 s左右等模型转换时刻，即飞机做机动运动时误差较大.而在非模型转换时刻误差基本维持在5 m以下，在模型转换时刻峰值RMSE值大概16 m.IMM-EKF在模型转换时刻峰值约为48 m,VSIMM-UKF在模型转换时刻峰值约为28 m.图6中一开始飞机沿着X轴平行运动不存在Y轴方向位移，所以误差较低，在20 s左右飞机做机动运动时，误差会增加.VSIMM-CKF峰值RMSE值为18 m，IMM-EKF峰值RMSE值为58 m，VSIMM-CKF峰值RMSE值约为28 m.由图6可知，VSIMM-CKF误差明显要小于IMM-EKF和VSIMM-UKF.a) X方向b)Y方向图5 X,Y方向位置RMSEa) X方向b)Y方向图6 X,Y方向速度RMSE表1为三种算法均方根误差均值和运行时间.表中IMM误差明显高于VSIMM，主要是由于IMM算法中每个时刻需要计算所有模型的概率，对于模型较多时会增加计算的复杂度，导致精度下降.由于VSIMM-UKF需要进行频繁的UT变换，也增加了计算的复杂度，而且，UKF可能会由于点选取不当而导致精度下降.表1 三种算法均方根误差均值和运行时间对比X位置平均RMSE/mY位置平均RMSE/m时间/sIMM-EKF18.48724.6940.131 2VSIMM-UKF8.4588.4460.519 3VSIMM-CKF5.0185.2940.478 95 结束语针对机场场面上飞机的运动为例，结合上海虹桥机场地形信息，研究了基于SMR的机场场面单目标飞机运动监视.根据飞机的实际运动和机场地形信息，建立了五个运动模型.VSIMM算法使用时变的模型集，可避免IMM算法中模型之间不必要的竞争，减少计算量.CKF作为一种非线性滤波方法，以其对随机变量非线性变换后概率分布具有良好的逼近精度的优势得以发展.本文提出将CKF应用于VSIMM 中，将VSIMM-CKF应用于机场场面飞机的监视中.并将VSIMM-CKF与IMM-UKF,VSIMM-UKF进行了仿真对比，仿真结果表明，VSIMM算法跟踪精度明显优于IMM算法，而且VSIMM-CKF计算时间要优于VSIMM-UKF,因此，将VSIMM-CKF应用于机场场面移动目标监视中能很好地完成单目标跟踪，精确实时的单目标跟踪算法也可以解决机场多目标跟踪问题.参考文献【相关文献】[1]ICAO. Advanced surface movement guidance and control systems manual: ICAO-9830 [R]. US: ICAO,2004.[2]吕小平,A-SMGCS技术和应用介绍[J].空中交通管理,2006,12(8):7-15.[3]李敏.机场场面移动目标监视和避撞技术研究[D].南京：南京航空航天大学,2013.[4]宫淑丽,陶诚,王帮峰,等.基于VS-IMM算法的A-SMGCS场面运动目标跟踪[J].南京航空航天大学学报,2012,44(1):118-123.[5]JULIER S J. The scaled unscented transformation[C]. American Control Conference,Washongton，2002.[6]ARASARATNAM I, HAYKIN S. Cubature Kalman filters[J]. IEEE Transaction on Automatic Control, 2009,54(6):1254-1269.[7]郝燕玲,杨峻巍,陈亮,等.平方根容积卡尔曼滤波器[J].弹箭与制导学报,2012,32(2):169-172.[8]WANG C C, WU P L, DENG Y H. Modified iterated square-root Cubature Kalman filter for Non-cooperative space target tracking[J]. International Journal of Engineering and Applied Sciences, 2015,2(11):2394-3661.[9]秦康,董新民,陈勇,等.基于正交变换的改进CKF算法[J].控制与决策,2018(2):330-336.[10]许登荣,程水英,包守亮.基于IMM-CKF的弹道再入目标跟踪研究[J].弹箭与制导学报,2017,37(1):13-18.[11]熊智敏,王党卫,马晓岩.中段弹头IMM-EKF跟踪方法及性能分析[J].弹道学报,2016,28(4):17-23.[12]宫淑丽,王帮峰,吴红兰,等.基于IMM算法的机场场面运动目标跟踪[J].系统工程与电子技术,2011,33(10):2322-2326.[13]LI X R. Multiple-model estimation with variable structure Some theoretical consideration[C]. IEEE Conference on Decision and Control，New York, 1994(6):1199-1204.[14]张园,董受全,刘淑波,等.基于S修正RBUKF的自适应网格交互式多模型算法[J].火力与指挥控制,2018(1):117-120.[15]林孝工,焦玉召,李恒,等.基于容积变换的平滑变结构滤波及应用[J].系统工程与电子技术,2018,40(1):159-164.[16]王锋刚,赵岩,欧阳杰.上海虹桥国际机场跑道滑行道系统运行优化研究[J].上海空港,2012(1):21-31.。