机动目标跟踪
跟踪和反跟踪手段
跟踪手段 成功跟踪的秘诀在于不要孤立于人群之外，尤其是对方已经知道你长得什么模样。穿上颜色比较中性的衣服，比如灰色和棕色，不要穿图案张扬或商标明显的衣服。穿上与你平日衣着风格不同的衣服。 要在街的另外一边跟踪你的目标，与其步伐一致，以保持行走的速度一致。 表现得若无其事。一定不要盯着你跟踪的人，而只要时不时地瞥一眼就行了，如果恰好他们朝你这边看，你就假装在忙其他的事情，比如用手机通电话，或者在找某个房子。 如果你的跟踪对象停了下来，你不要立即停下来。继续走一段，然后停下来假装系鞋带或打开包在找什么东西，直到对方重新出发。 如果对方进了一座大楼里面，你就待在一个隐蔽的地方，在那里可以看到大楼出口的情况，直到对方出来。 如果你觉得被发现了，不要惊慌。如果你立即逃离，就会很明显暴露出自己在跟踪她。最好的逃脱办法是，看着手表或假装在读短信，然后大声喊“天啊，我真的迟到了！”然后从她身边快跑过去，这样就不会显得可疑了。 反跟踪的技术手段 首先，要先弄清什么叫反跟踪。当然这是一个最简单而又不用介释的问题。就是说，与跟在后面的坏人作斗争的技术反制手段。 其次，要搞清楚或者说判明有没有跟踪。这一点是很重要的，要做到，有情况能够及时发现察觉，没情况也不要疑神疑鬼，自己吓唬自己。 一般确定有没有跟踪的方法有：听、停、看、转、回等方法。 所谓“听”，就是听听有什么动静、有什么人讲什么话、有没有特殊的声响。 “停”即是发现有些情况异常后，采用先停下来的方法。如行路时或几个陌生人总在附近，可在安全的地方停下来，要是一般行人就走了，跟踪的人也会在附近磨蹭不走。 “看”注意观察环境和人员，包括宿舍、楼道、家门口附近有否异常。 “转”当怀疑有人跟踪时，可在安全地带转，如在路的左右侧反复交换位置，看有没有陌生人总在附近，一般跟踪的人你走在街道右侧，他也会到右侧，你迂回到左侧，他也会到左侧，总在在他的视线之内，这就证实有人跟踪无疑。 “回”发现有情况往回走，跟踪的人也会故意跟着，反复做这个动作也能确认。 三是，采取必要的手段反制跟踪。如发现并确认有人跟踪时，为了你的生命财产安全，必须
机动目标跟踪反跟踪
参赛密码 （由组委会填写）第十一届华为杯全国研究生数学建模竞赛 学校东南大学 参赛队号10286119 队员姓名1.吕亮 2.荆丽 3.巨晓正
参赛密码 （由组委会填写） 第十一届华为杯全国研究生数学建模竞赛 题目机动目标的跟踪与反跟踪 摘要： 目标跟踪是指根据传感器（如雷达等）所获得的对目标的测量信息，连续地对目标的运动状态进行估计，进而获取目标的运动态势及意图。目标跟踪理论在军、民用领域都有重要的应用价值。目标机动是指目标的速度大小和方向在短时间内发生变化，通常采用加速度作为衡量指标。 机动目标跟踪的难点在于以下几个方面：(1) 描述目标运动的模型即目标的状态方程难于准确建立。通常情况下跟踪的目标都是非合作目标，目标的速度大小和方向如何变化难于准确描述；(2) 传感器自身测量精度有限加之外界干扰，传感器获得的测量信息如距离、角度等包含一定的随机误差，用于描述传感器获得测量信息能力的测量方程难于完全准确反映真实目标的运动特征； (3) 当存在多个机动目标时，除了要解决(1)、(2)两个问题外，还需要解决测量信息属于哪个目标的问题，即数据关联。本文主要对监测传感器的得到的目标数据进行分析，建立适当的跟踪模型，从而获取目标的运动态势及意图，达到跟踪的目的。由于以上多个挑战因素以及目标机动在战术上主动的优势，机动目标跟踪已成为近年来跟踪理论研究的热点和难点。 关键词：单目标模型目标跟踪
一、问题重述 现有3组机动目标的测量数据，数据分别包含在Data1.txt，Data2.txt，Data3.txt文件中，其中Data1.txt为多个雷达站在不完全相同时刻获得的单个机动目标的测量数据，Data2.txt为某个雷达站获得的两个机动目标的测量数据，Data3.txt为某个雷达站获得的空间目标的测量数据。 数据文件中观测数据的数据结构如下： 其中Data1.txt和Data2.txt数据的坐标系表示如下：原点O为传感器中心，传感器中心点与当地纬度切线方向指向东为x轴，传感器中心点与当地经度切线方向指向北为y轴，地心与传感器中心连线指向天向的为z轴，目标方位指北向顺时针夹角（从y轴正向向x轴正向的夹角，范围为0~360°），目标俯仰指传感器中心点与目标连线和地平面的夹角（即与xOy平面的夹角，通常范围-90°到90°）。 Data1.txt中的雷达坐标和测量误差如下： Data2.txt雷达坐标为[0,0,0]。对应两个目标的测量误差如下： Data3.txt的雷达坐标和测量误差为： 其余格式与Data1.txt和Data2.txt相同。 需完成的问题：
机动目标的追踪与反追踪的模型完整版123
（由组委会填写）第十一届华为杯全国研究生数学建模竞赛 学校大连理工大学 参赛队号10141005 队员姓名1.鲁欢 2.候会敏 3.程帅兵
（由组委会填写） 第十一届华为杯全国研究生数学建模竞赛 题目机动目标的跟踪与反跟踪模型的建立及求解 摘要： 本文主要对机动目标追踪与反追踪模型的建立及求解问题进行了相关计算，讨论结果大致如下： 问题一，根据附件中的数据，利用数值法求解各个时刻点处的加速度，挑出加速度数量较大的时刻，并绘出矩形图，以加速度持续较大的时刻点为机动时间范围，并进行统计其大小以及方向，追踪模型则是依据现时刻以及前一时刻估计出的的物理量如位置速度加速度等，并根据数据统计出目标的机动能力即两时刻加速度最大该变量作为下一时刻的加速度，来计算在这种极限状态下目标向四周逃离的最远边界，因而形成一个区域，其中心即为雷达天线下时刻所指方向。航迹计算将三雷达测得的数据转换到同一坐标系中在进行拟合得到。 问题二，首先进行了航迹起始的确定。采用联合概率数据关联(JPDA)算法，通过对确认矩阵拆分得到互联事件及互联矩阵，计算互联事件的概率来进行数据关联，然后按照确定航迹。为避免雷达对于仅有一个回波信号的失跟情况，采取调动多种检测手段对目标密切关注，并改进雷达的内部控制计算算法。 问题三，我们建立了微分方程模型。着重分析了在空间范围内的机动目标的切向加速度以及方向加速度随时间的变化规律。通过运用Excel进行数据的处理计算得出切向加速度以及法向加速度的数值，利用Matlab编程得出其变化规律的轨迹图像。再结合问题一中的追踪模型，得到在数据3情况下的变化规律。通过对比，得出模型一的结论应用于问题三，其结果产生较大的偏差。 问题四，我们建立了卡尔曼滤波预测模型。利用卡尔曼滤波对机动目标进行预测，经过多次循环得出200对的位置坐标，利用Matlab软件给出了模拟后的卡尔曼滤波波形图。再进行对坐标的空间及时间复杂度进行分析，得出最终的结
跟踪和反跟踪手段
跟踪手段 成功跟踪得秘诀在于不要孤立于人群之外,尤其就是对方已经知道您长得什么模样。穿上颜色比较中性得衣服,比如灰色与棕色,不要穿图案张扬或商标明显得衣服、穿上与您平日衣着风格不同得衣服、 要在街得另外一边跟踪您得目标,与其步伐一致,以保持行走得速度一致。 表现得若无其事。一定不要盯着您跟踪得人,而只要时不时地瞥一眼就行了,如果恰好她们朝您这边瞧,您就假装在忙其她得事情,比如用手机通电话,或者在找某个房子、 如果您得跟踪对象停了下来,您不要立即停下来、继续走一段,然后停下来假装系鞋带或打开包在找什么东西,直到对方重新出发、 如果对方进了一座大楼里面,您就待在一个隐蔽得地方,在那里可以瞧到大楼出口得情况,直到对方出来。 如果您觉得被发现了,不要惊慌。如果您立即逃离,就会很明显暴露出自己在跟踪她。最好得逃脱办法就是,瞧着手表或假装在读短信,然后大声喊“天啊,我真得迟到了！”然后从她身边快跑过去,这样就不会显得可疑了。 反跟踪得技术手段 首先,要先弄清什么叫反跟踪。当然这就是一个最简单而又不用介释得问题。就就是说,与跟在后面得坏人作斗争得技术反制手段。 其次,要搞清楚或者说判明有没有跟踪。这一点就是很重要得,要做到,有情况能够及时发现察觉,没情况也不要疑神疑鬼,自己吓唬自己、 一般确定有没有跟踪得方法有:听、停、瞧、转、回等方法。 所谓“听”,就就是听听有什么动静、有什么人讲什么话、有没有特殊得声响。 “停”即就是发现有些情况异常后,采用先停下来得方法。如行路时或几个陌生人总在附近,可在安全得地方停下来,要就是一般行人就走了,跟踪得人也会在附近磨蹭不走、 “瞧”注意观察环境与人员,包括宿舍、楼道、家门口附近有否异常、 “转”当怀疑有人跟踪时,可在安全地带转,如在路得左右侧反复交换位置,瞧有没有陌生人总在附近,一般跟踪得人您走在街道右侧,她也会到右侧,您迂回到左侧,她也会到左侧,总在在她得视线之内,这就证实有人跟踪无疑。 “回"发现有情况往回走,跟踪得人也会故意跟着,反复做这个动作也能确认、 三就是,采取必要得手段反制跟踪。如发现并确认有人跟踪时,为了您得生命财产安全,必须迅速采取反制手段,摆脱危险不利得局面。具体措施手段有以下几个方面: １、“叫”。即就是叫人、叫喊、如发现有些不对头,可以叫附近得人或大声喊叫,引起附近得人注意,坏人一般还就是做贼心虚。 ２、“避”。走路尽量避开不安全得地带与不安全得时段。不安全地带指犯罪高发区、夜间没路灯、两侧地形地物复杂(有树木、土堆、深坑、杂物、废墟等)。不安全时段,多为夜间或没行人得时间。此种情况,如实在避不开,最好熟人结伴而行或找家人陪同。 ３、“换”。变换时间、变换服装,活动尽量不形成规律牲。如,女同志夜间可换男装、男式打扮也会减少危险。 4、“甩”。采取迂回、换装、换乘、穿堂等手段甩掉尾巴得手段。前三种手段就是,迂回即兜圈;换装即就是换衣物着装;换乘即就是换车;穿堂即就是利用商场、饭店、胡同、小区、住宅、楼房等有多门得场所与设施穿行而过,甩掉尾巴跟踪。 5、“报”。及时报警、报知家人朋友。当遇有危险要及时报警、或向就在附近得家人朋友打电话(给距离很远得家人朋友,打电话意思不大),假如怀疑、怕有危险,也可把“１1０”电话或亲朋电话号码提前先在手机上按出来,手拿着手机,一有情况马上按拨出,免得到时来不及拨号。打电话时,要先报地点,再说危险。因为地点位置最重要,不然您即使报了情况,没报清楚准确地点也就是白报。
第一章 目标跟踪基本原理与机动目标模型1
第一章目标跟踪基本原理与机动目标模型1.1 引言目标跟踪问题作为科学技术发展的一个方面，设计的主要目的是可靠而精确的跟踪目标，其历史可以追溯到第二次世界大战前夕，即1937 年世界上出现第一部跟踪雷达站SCR-28 的时候、之后各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。传统的跟踪系统是一对一系统，即一个探测器仅连续地瞄准和跟踪一个目标。随着科学技术的进步和现代战略战术的发展，人们发现提出新的目标跟踪概念和体制是完全可能的，在过去20 多年中，多目标跟踪的理论和方法已经获得很大发展，并已成为当今国际上十分活跃的热门研究领域之一，有些成果也已付诸于工程实际。简单地说，目标跟踪问题可以划分为下列四类：一个探测器跟踪一个目标（OTO）一个探测器跟踪多个目标（OTM）多个探测器跟踪一个目标（MTO）多个探测器跟踪多个目标（MTM）1.2 目标跟踪的基本原理1.2.1 单机动目标跟踪基本原理发展现代边扫描边跟踪（TWS）系统的目的是，仅在一个探测器条件下同时跟踪多个目标。然而，为达此目的，边扫描边跟踪系统必须首先很好地跟踪单个目标。一般地说，常速直线运动目标的跟踪与估计问题较为简单，而且易于处理。困难的情况表现在被跟踪目标发生机动，即目标速度的大小和方向发生变化的场合。图 1.1 为单机动目标跟踪基本原理框图。图中目标动态特性由包含位置、速度和加速度的状态向量X 表示，量测（观测）量Y 被假定为含有量测噪声V 的状态向量1的线性组合（HX＋V）；残差（新息）向量 d 为量测（Y）与状态预测量H X k k 之差。我们约定，用大写字母XY 表示向量，小写字母xy表示向量的分量。一般情况下，单机动目标跟踪为一自适应滤波过程。首先由量测（观测）量（Y）和状态预1测量H X k 构成残差（新息）向量d，然后根据d 的变化进行机动检测或者机k动辨识．其次按照某一准则或逻辑调整滤波增益与协方差矩阵或者实时辨识出目标机动特性，最后由滤波算法得到目标的状态估计值和预测值，从而完成单机动目标跟踪功能。图 1.1 单机动目标跟踪基本原理框图1.2.2 单机动目标跟踪基本要素单机动目标跟踪基本要素主要包括量测数据形成与处理，机动目标模型，机动检测与机动辨识，滤波与预测以及跟踪坐标系和滤波状态变量的选取。现分别简述之。1.2.2.1 量测数据形成与处理量测数据通常指来自探测器输出报告的所有观测量的集合。这些观测量一般包括目标运动参数，如位置和速度，目标属性，目标类型，数目或形成以及获取量测量的时间序列等。在单机动目标跟踪技术中，量测数据主要指目标运动学参数。量测数据既可以等周期获取，也可以变周期获取。在实际问题中常常遇到等速，为了提高目标状态率数据采集。量测数据大多含有噪声和杂波（多目标检测情况）估计精度，通常采用数据预处理技术以提高信噪比。目前常用的方法有数据压缩，包括等权和变权预处理以及量测资料中野值的剔除方法等技术。1.2.2.2 机动目标模型众所周知，估计理论特别是卡尔曼滤波理论要求建立数学模型来描述与估计问题有关的物理现象。这种数学模型应把某一时刻的状态变量表为前一状态变量的函数。所定义的状态变量应为能够全面反应系统动态特性的一组维数最少的变量。一般地，状态变量与系统的能量有关，譬如在目标运动模型中，状态变量中所包含的位置元素与势能有关，速度元素与动能有关。在目标模型构造过程中，考虑到缺乏有关目标运动的精确数据以及存在着许多不可预测的现象，如周围环境的变化及驾驶员主观操作等，只是需要引入状态噪声的概念。当目标作匀速直线运动时，加速度常常被看作是具有随机特性的扰动输入（状态噪声），并假设其服从零均值白色高斯分布，这时，卡尔曼滤波可直接使用。当目标发生诸如转弯或逃避等机动现象时，上述假设则不尽合理，机动加速度变成为非零均值时间相关的有色噪声。此时，为满足滤波需要常常采用白化噪声和状态增广方法。机动目标模型除了考虑加速度非零均值时间相关噪声假设外，还要考虑加速度的分布特性。客观上，要求加速度函数应尽可能的描述目标机动的实际情况。从目前的机动目标模型来看，所有建模方法均考虑了目标发生机动的可能性，并建立了一种适合任何情况和任何类型目标的机动模型，我们称这种模型为全局统计模型，其典型代表是传统的Singer 模型。然而，根据全局统计模型思想，每一种具体战术情况下的每
机动目标跟踪_张泽兵_05040056
(1) 算法描述 在该问题中，机动目标经历三个阶段：初始匀速直线阶段、匀速圆周运动阶段、返回匀速直线阶段。在此过程中线速度大小v 保持不变。 图1 如图1所示：θ为轨迹切线与横轴正向夹角。在初始匀速阶段和返回匀速直线阶段θ分别为0，π。在匀速圆周运动阶段θ从0到π均匀变化。 由 2/mv r ma =及/w v r =得 /w a v =（w 为角速度） 所以容易得到： /wt vt r θ==
cos x v v θ= sin y v v θ=- 状态变量 [,,,,]T x y s r r v a θ= 状态方程为： [][1][1]cos x x x x r n r n v T r n v T θ=-+=-+ [][1][1]sin y y y x r n r n v T r n v T θ=-+=-- [][1][1]a n n wT n T v θθθ=-+=-+ [][1][]v v n v n u n =-+ [][1][]a a n a n u n =-+ 即 []([1])[]s n a s n u n =-+,其中[][0,0,0,[],[]]'v a u n u n u n = 所以状态转换矩阵为 211,0,sin ,cos ,0210,1,cos ,sin ,02 0,0,1,,/0,0,0,1,00,0,0,0,1v T T v T T a a A T T v s v θθθθ??-???? ??--???????==-??? ????????????
假设[]v u n 和[]a u n 不相关，方差分别为2 v σ、2 a σ，因此得驱动噪 声 220,0,0,0,00,0,0,0,00,0,0,,00,0,0,0,v a Q σσ???? ? ?=???????? 观测矢量 [][][][]x y r n x n w n r n ??=+???? 其中[][][]x y u n w n u n ?? =???? 所以观测矩阵 1,0,0,0,00,1,0,0,0H ?? =???? ， 假设[]x u n 、[]y u n 不相关且方差分别为2 x σ和2 y σ 观测噪声 22,00,x y C σσ??=?????? 总结上述式子，得到这个问题的扩展卡尔曼滤波方程为 ??[|1]([1|1])s n n a s n n -=--
机动目标跟踪技术发展浅析
机动目标跟踪技术发展浅析 对机动目标进行跟踪，无论是在军事任务中还是民用领域内亦或是在情报获取方面，都 是研究信息处理的重要内容。同时，对于怎样使用探测设备（如雷达）更好的实现对机动目 标的跟踪，一直以来都是各国专家学者们关注的重点[1]。 机动目标跟踪的主要任务是对机动目标的状态和运动轨迹在一定条件下进行估计。在机 动目标跟踪中，在对机动目标建立合适的运动模型的同时，也要采用稳定的跟踪滤波算法。 以下将从目标模型、跟踪滤波算法这两个方面对机动目标跟踪技术的发展进行阐述。 一、目标运动模型 几乎所有的机动目标跟踪算法都要依据一定的目标运动模型，同时一个合适的目标运动 模型也能大幅改善机动目标跟踪系统的性能。简单的目标运动模式有匀速运动和匀加速运动。相应的，对目标可以建立匀速（CV）模型和匀加速（CA）模型。此外，当目标进行转弯机动时，可以建立匀速率转弯（CT）模型，在此过程中，虽然目标的速度大小不改变，由于受到 一个恒定的转弯角速率（）的影响，发生变化的是速度的方向[2]。 以上三种模型较为简单，在跟踪系统中是最基础的。但是，由于匀速和匀加速模型都将 白噪声作为扰动，当目标发生机动时，将会导致扰动增大，跟踪误差也会变大，这就意味着 模型不再适用。对此，上世纪七十年代，R. A. Singer等人提出了一种相关噪声模型，即Singer模型。Singer模型认为，机动控制项应该是有色噪声类型的而不是白噪声类型的[3]。 它将目标加速度作为具有指数自相关的零均值随机过程从而实现对目标的建模，并且它的时 间函数呈现出的变化规律以指数的形式衰减。这虽然更符合实际，但是该模型只能适用于目 标在某些特定情况下的机动。然而，在实际的目标跟踪过程中，当目标发生机动，其加速度 便会随着时间而变化，均值是不可能时时都为零的，因此这种假设也是不恰当的。针对这一 问题，我国目标跟踪领域知名学者周宏仁在上世纪八十年代初提出了当前统计(CS)模型。这 是对Singer模型改进而得到的机动目标运动模型，其改进主要有两点：一是利用修正的瑞利 分布来表示加速度的概率密度分布；二是采用上一时刻加速度的估计作为当前加速度的均值[4]。上世纪九十年代末，Kishore Mehrotra在一阶时间模型上加入了加速度的导数项，提出 了Jerk模型。该模型假设目标机动加速度的导数项（加速度的变化率）服从一阶时间相关过 程且均值为零,其时间相关函数与Singer模型相一致，也呈现出指数形式上的衰减。 二、跟踪滤波算法 目标运动模型是机动目标跟踪系统的基础，而跟踪滤波算法则是设计一个目标跟踪系统 的核心内容。上个世纪四十年代，美国控制论著名学者N. Wiener在火力控制系统中为解决 如何进行精确跟踪的问题时提出一种线性最佳滤波理论，即维纳滤波。维纳滤波是一种频域 滤波方法，它要求信号必须是一维条件下的严格平稳信号，适用条件严苛，适用范围小。上 个世纪六十年代，美国学者卡尔曼（Kalman）在对美国航空航天局（NASA）访问后，提出了 一种时间域上基于最小均方误差估计的滤波算法，即卡尔曼滤波算法，自此现代滤波理论开 始形成。随着科学技术的不断发展，机动目标跟踪领域已经涌现出了诸多更成熟的算法，其 中研究较热门，应用前景较广阔的主要有自适应跟踪算法和多模型跟踪算法。 上世纪五十年代末，美国通用电气公司（GE）的工程师霍尔斯（P. Howells）和阿普鲍 姆（P. Applebaum）两人在对天线辐射进行研究时,为了提高天线的方向性，率先给出了自适 应滤波的概念。发展至今，自适应滤波算法的理论成果大致可以分为三类，第一类是基于最 小均方误差（LMS）的自适应滤波算法。该算法最早是由美国斯坦福大学的学者霍夫（M. Hoff）和维德罗（B. Widrow）基于维纳滤波的原理所提出的。后来，针对LMS算法中步长因 子对算法的收敛速度和稳态失调量影响较大的问题，又形成了多种LMS的扩展与改进算法,例如变步长最小均方误差算法（VSSLMS）、归一化最小均方误差算法（NLMS）。第二类是基 于递推最小二乘法（RLS）的自适应滤波算法。递推最小二乘算法（RLS）是利用递推计算的
论侦查徒步跟踪中的突发事件的应对
论侦查徒步跟踪中突发事件的应对 摘要：随着日益增长的犯罪数量和反侦查手段犯罪比例的增长，公安机关侦查人员查处违法犯罪和破案的难度愈发加大，而渐被遗忘的跟踪手段突出了其能查清案件事实、获取犯罪证据的优点，但是由于技侦等侦查手段的取代，跟踪这一较原始的手段有被忽略和淡忘的倾向，下面就徒步跟踪中的几项易出现的突发事件的应对谈谈自己的见解。 关键词：徒步跟踪反跟踪突发事件应对 跟踪，也叫盯梢，用于侦查手段上指侦查人员秘密尾随侦查对象，掌握其活动情况和获取犯罪证据的一项专门行动。跟踪监视的原则是：严密控制，不丢不露。即以能够监视控制侦查对象的活动而不暴露自己和不“脱梢”为原则。实际工作中要因案制宜，从侦查实际出发，有的案件要实行宁丢勿露，有的要实行宁露勿丢。侦查员在跟踪监视中必须机警灵活，遇到突发状况要见机行事、不惊不炸，尽量做到不丢不露，圆满完成跟踪监视任务。 徒步跟踪是跟踪中的一种，是最原始也最常用的跟踪手段，在侦查过程中侦查人员便于利用身旁的事物和建筑等掩饰和伪装自己，不易暴露，容易掌握侦查对象的行踪和监视侦查对象，同时，因为徒步的随意性、机动性，徒步跟踪也是最容易出现状况和考验侦查人员应变能力的。 一、徒步跟踪的对象进入复杂的场所。被跟踪的对象多数
是涉嫌违法犯罪或与违法犯罪相关联的人，他们的接头、联络以及“生意”的开展多数会选择酒吧等娱乐场所为交易地点，所以侦查人员掌握复杂场所的跟踪技巧是必不可少的。 （一）餐厅、酒吧等场所。这类场所人多且杂，便于侦查对象进行各种犯罪活动，但同时也有利于侦查人员掩护、接近对象从而进行监控。与此情况一般是少数侦查员跟随入内，选择易被忽视又便于监控的位置监控（如接近进出口通道的餐桌上进餐，但要注意简单、迅速），监控对象的一举一动。另一部分侦查员在外布控（汽车内、对面商店内装扮为顾客），侦查对象出来后继续跟踪。这一情况要求内外侦查员要及时联系、告知，防止对象匆忙出店而脱梢。 （二）宾馆、旅店等场所。这类情况要注意的是严密控制出入口，主梢侦查员入内以会客、找人为名进行伪装跟踪监控，其余侦查员在出入口选择合适位置守候（如报摊、水果店），对象外出时，及时进行跟踪。如对象入住登记，应弄清楚房间位置、号码、人数等信息，必要时侦查员装扮为旅客，入住跟踪对象所在房间附近进行监控。 （三）商店、商场和集市。此类场所人流量大，人员拥挤，远跟易脱梢，近跟易照面。规模小的，派少量侦查员跟随入内，其余在外布控；规模大的商场和集贸市场等侦查员可多数进入，采取定点观察、分楼层监控和大圈包围等方法进行跟踪。因为这类场所普通群众较多，所以侦查员要注意的是进行跟踪的时候要
雷达机动目标跟踪源程序
附录 附录A 机动目标跟踪与实现源程序 T=2;alpha=0.8; % 加权衰减因子 window=round(1/(1-alpha)); % 检测机动的有效窗口长度 dt=100; % dt=dt_x=dt_y=100 Th=25; % 机动检测门限 Ta=9.49; % 退出机动的检测门限 N=800/T; %采样次数 M=50; %模拟次数 %真实轨迹数据 t=2:2:400; xo0=2000+0*t; yo0=10000-15*t; t=402:2:600; xo1=2000+0.075*((t-400).^2)/2; yo1=10000-15*400-(15*(t-400)-0.075*((t-400).^2)/2); t=602:2:610 ; xo2=xo1(100)+15*(t-600); yo2=yo1(100)+0*t; t=612:2:660; xo3=xo2(5)+(15*(t-610)-0.3*((t-610).^2)/2); yo3=yo2(5)-0.3*((t-610).^2)/2; t=662:2:800; xo4=xo3(25)+0*t; yo4=yo3(25)-15*(t-660);
x=[xo0,xo1,xo2,xo3,xo4]; y=[yo0,yo1,yo2,yo3,yo4]; e_x1=zeros(1,N); e_x2=zeros(1,N); e_y1=zeros(1,N); e_y2=zeros(1,N); px=zeros(1,N); qy=zeros(1,N); u=zeros(1,N); u_a=zeros(1,N); for j=1:M no1=100*randn(1,N); % 随机白噪 no2=100*randn(1,N); for i=1:N; zx(i)=x(i)+no1(i); % 观测数据 zy(i)=y(i)+no2(i); z(:,i)=[zx(i);zy(i)]; end X_estimate(2,:)=[zx(2),(zx(2)-zx(1))/T,zy(2),(zy(2)-zy(1))/T]; X_est=X_estimate(2,:); P_estimate=[dt^2,dt^2/T,0,0;dt^2/T,(dt^2)*2/(T^2),0,0;0,0,dt^2,dt^2/T;0,0,dt^2/T,(dt^2)*2/(T ^2)]; x1(1)=zx(1); y1(1)=zy(1); x1(2)=X_estimate(2,1); y1(2)=X_estimate(2,3); u(1)=0; u(2)=0; u1=u(2); pp=0;% ０表示非机动，１表示机动 qq=0; rr=1;k=3; while k<=N
跟踪技巧(侦探基础知识)
跟踪技巧之一汽车跟踪 从专业的角度讲，汽车跟踪最容易出现两种情况：反侦查和脱梢。跟踪人离对象越近，被反侦查的危险就越大，反之离对象越远脱梢的危险也越大。所以汽车跟踪的第一步首先是要决定在这两者中选择一个平衡点。在刑事案件中很多选择宁可暂时停止对嫌疑对象的跟踪而不要打草惊蛇。对调查公司的业务而言就要看具体情况来选择了。第二点就是要做好跟踪前的准备。包括案情、对象使用的车辆、开车的习惯、可能行进的路线、可能停车的地点和目的地、进行跟踪的区域路线的地理环境、交通状况等等。总之任何有价值的信息都应在正式开展跟踪前获取。第三、跟踪过程中采用科学正确的梢位和技术。基本上调查公司所进行的此类跟踪都是单车跟踪。单车跟踪的方法技术很多，这里就不做细讲了，但是有几个原则要注意把握：1、应当对对象的汽车外观形象牢记在心。2、在交通拥挤时必须尽可能贴近对象。3、最好的位置是在对象行进的车道右边跟进。4、记住脱梢后还可以复梢。脱梢后应当立即对对象可能进行的转弯、行走路线、方向、暂停地、目的地等进行判断，很多情况下是可能复梢的。 1楼 2009-11-05 19:26 回复 雪莉魅影 驾车守候跟踪的一般要领: 一、人员与装备的预先准备: 驾车跟踪与徒步跟踪相比,各有各的特点与困难，但一般而言，在目标人员均不具备反跟踪、监视的意识与技能的情况下，驾车跟踪出现脱梢而导致失败的可能性更大，因此在人员与装备上进行更精心的准备对于确保驾车跟踪的成功就显得尤为重要。 1.人员： 一般来说，对车辆的跟踪最好由两人或两人以上组成的小组来实施。一人负责开车，另一人负责观察或在目标下车后实施徒步跟踪。跟踪小组的成员首先应熟悉行动区域及相关地区的地形、路况、交通规则与车流规律。此外，他们互相之间熟悉对方的思维与工作风格、特点，并共同掌握一套简洁、明确的手语、暗语也是非常必要的。 2.装备配备： 在车辆跟踪中，最理想的技术装备无疑是一个能与电子地图或信号接收器相连的跟踪定位仪，一旦能将其隐蔽地安放到目标车辆上，接下来的跟踪工作就很简单了。在没有这类高科技、昂贵装备的情况下，也可通过在目标车辆的后方安放一种硬质可反光或闪光的小标记物来起到一定的替代作用。这种小玩意贴在车尾很容易被误认作车辆本身的饰物，在车流拥挤，难以看清目标车辆车牌的情况下，它可以有效地帮助跟踪者隔着几台车确认目标车辆的所在。 通讯工具无疑也是重要的——跟踪组成员最好是能统一配备一套有效距离较远的无线对讲机。如没有这种对讲机，就只好在重要关头使手机一直保持通话状态了。 2楼 2009-11-05 19:27 回复 雪莉魅影 二、守候的要领： 守候时最关键的问题就是选择一个良好的守候(停车)位置。其基本要求是利于观察、隐蔽或不显眼且易于出车。对于停放在一般露天停车场或楼宇建筑物的目标车辆而言，挑选合适的观察守候位置是简单的，麻烦的是目标车辆有时会停放在一些内部停车场或有多个出口的封闭式停车场。我方车辆在这种情况下往往难以进入、贴近停靠观察。这时就很容易造成目标
对空高速目标检测和跟踪方法解释
对空高速目标信号处理 对于常规慢速目标，在相参处理时间内该走动量通常不会超过一个距离单元。而对于高速目标，它可能跨越多个距离单元，而必须加以处理才能实现相参处理时间内多次回波的相参积累。尤其HSV载体运动速度很高且机动能力很强，雷达目标间的高速高机动特性更加明显，雷达目标回波会出现跨距离单元、跨多普勒单元问题，加剧了目标回波相参积累的难度。为了提高雷达的探测性能，需要补偿后才能达到好的积累增益。 雷达目标间的相对速度最高可达15马赫以上，加速度最高可达20g。以速度每秒5000米为例，如果雷达相参处理时间为50ms，其运动距离可达250米，对窄带雷达来讲需要考虑回波包络的补偿。此外，速度在相参时间里变化10m/s，对X波段雷达来说，多普勒扩展为667Hz，而多普勒分辨率为20Hz。所以为了获得高的处理增益，提高探测距离，回波多普勒扩散需要补偿。 （1）高重频信号处理 高脉冲重复频率的相参脉冲串信号的频谱如图3.5所示。除了载频上的中央谱线之外，在载频PRF的整数倍处还有其它一些谱线，谱线间隔为脉冲重复频率。发射频谱的包络取决于脉冲形状，例如，矩形脉冲时为sin/x x形。运动目标回波的频谱是发射频谱偏移后的复制品，也含有一些间隔为PRF的谱线。
f 0r f f +0r f f -02r f f -02r f f + 图3.8 PD 雷达发射信号的频谱 高占空比高重频的信号没有距离门的概念，可以只考虑多普勒扩展的影响。由于加速度的存在对回波信号补偿后其多普勒仍不为常数而是时变的，故需要进一步获取目标的精确运动参数。解线性调频法是一种简单而且易于实现的运动补偿法。 可用一个调频因子2 j ut e π-（λ/2a u =）与信号相乘，即 2 (,){()}j ut d D f u FFT r t e π-= （3.1） 当u ＝02/a λ （其中 0a 为目标的加速度真值）、式（3.1）出现峰值。因而速度、加速度的精确估计问题转化为寻找最优的u 即a 的问题。 利用解线性调频法精确估计速度、加速度，关键是对式（3.1）中的u 进行最优搜索，搜索步长的选取十分重要，如果步长选得过大，就不能满足估计精度要求；如果搜索步长选得过小，则运算量剧增，不利于算法的实时处理和工程实现。 由于u 需要遍历搜索，为减少运算量以及提高估计精度，可以采用“逐次逼近法”来估计目标的速度、加速度。对u 遍历搜索时，为满足精度要求搜索步长必须选得很小，我们要计算的FFT 次数太多，运算量相当的大，“逐次逼近法”在保证估计精度的前提下，有效的解
雷达机动目标跟踪技术研究精编
雷达机动目标跟踪技术 研究精编 Document number：WTT-LKK-GBB-08921-EIGG-22986
1 绪论 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研
究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不会从一而终。通俗地说，就是“目标速度的大小和方向发生变化”。 一般情况下，机动目标跟踪方法概括来讲可以分为以下两类：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。机动目标的跟踪需要综合运用统计决策、滤波算法以及其它的数学方法，将传感器所接受到的信号数据进行处理，得到目标的位置、速度、加速度等估计信息。图给出了机动目标跟踪的基本原理图。
雷达机动目标跟踪技术研究
1 绪论 1.1 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 1.2 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不会从一而终。通俗地说，就是“目标速度的大小和方向发生变化”。 一般情况下，机动目标跟踪方法概括来讲可以分为以下两类：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。机动目标的跟踪需要综合运用统计决策、滤波
机动目标跟踪的一种防发散RBUKF算法
第３９卷第１期２０１７年２月 指挥控制与仿真 ＣｏｍｍａｎｄＣｏｎｔｒｏｌ＆Ｓｉｍｕｌａｔｉｏｎ Ｖｏｌ ３９一Ｎｏ １Ｆｅｂ ２０１７ 文章编号：１６７３?３８１９（２０１７）０１?００４１?０３ 机动目标跟踪的一种防发散ＲＢＵＫＦ算法 张一园，钟志通，刘淑波，初俊博 （海军大连舰艇学院，辽宁大连一１１６０１８） 摘一要：针对观测方程为非线性，状态方程为线性，且噪声为加性情况下的机动目标跟踪问题，应用Ｒａｏ?ＢｌａｃｋｗｅｌｌｉｓｅｄＵＫＦ（ＲＢＵＫＦ）算法滤波并对其进行了防发散处理，得到机动目标跟踪的一种基于防发散ＲＢＵＫＦ（ＡＤ?ＲＢＵＫＦ）算法三对二维机动目标跟踪的仿真结果显示，本算法的跟踪效果明显优于其它两种常用的非线性滤波方法 基本的ＵＫＦ算法和ＳＰＰＦ算法，仿真结果表明该算法是一种跟踪精度高，且适合工程应用的非线性滤波方法三 关键词：机动目标跟踪；Ｒａｏ?ＢｌａｃｋｗｅｌｌｉｓｅｄＵＫＦ（ＲＢＵＫＦ）；防发散 中图分类号：ＴＪ７６５ １；Ｅ９１７一一一一文献标志码：Ａ一一一一ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３?３８１９．２０１７．０１．００９ ＡｋｉｎｄｏｆＡｎｔｉ?ｄｉｖｅｒｇｅｎｔＲＢＵＫＦＡｌｇｏｒｉｔｈｍｏｆＭａｎｅｕｖｅｒｉｎｇＴａｒｇｅｔＴｒａｃｋｉｎｇ ＺＨＡＮＧＹｕａｎ，ＺＨＯＮＧＺｈｉ?ｔｏｎｇ，ＬＩＵＳｕ?ｂｏ，ＣＨＵＪｕｎ?ｂｏ （ＤａｌｉａｎＮａｖａｌＡｃａｄｅｍｙ，Ｄａｌｉａｎ１１６０１８，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｄｅｖｏｔｅｄｔｏｔｈｅｐｒｏｂｌｅｍｏｆｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｔｒａｃｋｉｎｇｕｎｄｅｒｎｏｎｌｉｎｅａｒｏｂｓｅｒｖａｔｉｏｎ，ｌｉｎｅａｒｓｔａｔｅａｎｄａｄｄｅｄｎｏｉｓｅ，ａｋｉｎｄｏｆａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎａｎｔｉ?ｄｉｖｅｒｇｅｎｔＲＢＵＫＦ（ＡＤ?ＲＢＵＫＦ）ｏｆｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｔｒａｃｋｉｎｇｉｓｄｅｖｅｌｏｐｅｄ，ｗｈｉｃｈｕｓｅｓＲａｏ?ＢｌａｃｋｗｅｌｌｉｓｅｄＵＫＦ（ＲＢＵＫＦ）ｆｏｒｆｉｌｔｅｒａｎｄａｎｔｉ?ｄｉｖｅｒｇｅｎｔｗｏｒｋ．Ｔｗｏ?ｄｉｍｅｎｓｉｏｎａｌｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｔｒａｃｋｉｎｇｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｔｈｅｔｒａｃｋｉｎｇｅｆｆｅｃｔｏｆｔｈｉｓａｌｇｏｒｉｔｈｍｉｓｃｌｅａｒｌｙｂｅｔｔｅｒｔｈａｎｔｈｅｏｔｈｅｒｔｗｏｃｏｍｍｏｎｌｙｕｓｅｄｎｏｎｌｉｎｅａｒｆｉｌｔｅｒｉｎｇｍｅｔｈｏｄｏｆｔｈｅｂａｓｉｃＵＫＦａｌｇｏｒｉｔｈｍａｎｄｔｈｅＳＰＰＦａｌｇｏｒｉｔｈｍ．Ａｎｄｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓａｌｇｏｒｉｔｈｍｉｓｏｆｈｉｇｈｔｒａｃｋｉｎｇａｃｃｕｒａｃｙ，ａｎｄｉｔｉｓｓｕｉｔａｂｌｅｆｏｒｎｏｎｌｉｎｅａｒｆｉｌｔｅｒｉｎｇｍｅｔｈｏｄｆｏｒｅｎｇｉｎｅｅｒｉｎｇａｐｐｌｉｃａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｔｒａｃｋｉｎｇ；Ｒａｏ?ＢｌａｃｋｗｅｌｌｉｓｅｄＵＫＦ（ＲＢＵＫＦ）；ａｎｔｉ?ｄｉｖｅｒｇｅｎｔ 收稿日期：２０１６?１１?１０ 修回日期：２０１６?１１?３０ 作者简介：张一园（１９７２?），女，山东青岛人，博士，副教授，研 究方向为机动目标跟踪三 钟志通（１９６７?），男，博士，副教授三刘淑波（１９７９?），女，副教授三初俊博（１９８１?），女，讲师三 一一机动目标跟踪是军事和民用领域的一个基本问题，可用于导弹的精确定位打击二卫星监控系统二防卫系统二海岸监视系统二核武器运载系统以及海上或空中交通管制等三 机动目标跟踪本质上是一个估计问题，在贝叶斯估计的框架内，线性高斯条件下可得到解析解，即基本的卡尔曼滤波方程三但实际系统大多不满足线性高斯条件，无法得到解析解三 无迹卡尔曼滤波（ｕｎｓｃｅｎｔｅｄＫａｌｍａｎｆｉｌｔｅｒｉｎｇ，简称 ＵＫＦ），又称无味卡尔曼滤波，是针对贝叶斯估计在非线性高斯条件下无法得到解析解的难题产生的一种次优的非线性系统滤波方法，与通常采用的局部线性化方法（扩展卡尔曼滤波，ｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒｉｎｇ，简称ＥＫＦ）相比，计算量相当，但ＵＫＦ不需要计算雅可比矩阵；能处理不可微的非线性函数；能对所有高斯输入向量的非线性函数进行近似 ［１］ ，因此在非线性系统滤波 问题中得到了广泛应用三与针对线性高斯系统滤波问题的基本卡尔曼滤波方法相比，ＵＫＦ二ＥＫＦ的计算量较大三 普通的ＵＫＦ针对最一般的情况，即：描述机动目标及其观测的数学模型均为非线性，系统噪声和观测噪声均为非加性三但实际我们常常遇到下面一类情况：目标机动模型在直角坐标系下建立，且为线性模型；而雷达观测在极坐标系下，将状态量进行坐标变换使得观测方程成为非线性模型；噪声均为加性噪声三在上述特定情况下，将普通的ＵＫＦ算法简化为一种特定的ＲＢＵＫＦ（Ｒａｏ?ＢｌａｃｋｗｅｌｌｉｓｅｄＵＫＦ）算法［２?４］，可以减少一些不必要的计算，提高运算速度，提高算法的效 费比三 发散问题是理论上的滤波算法应用于实际系统所面临的一个瓶颈问题，解决得不好，滤波器会陷入 瘫痪 ，因此，对上述ＲＢＵＫＦ算法进行防发散改进，是增强算法实用性的重要手段三 １一机动目标及其观测模型 假设机动目标及其观测可用下述状态空间表达式描述： Ｘ（ｋ＋１）＝Φ（ｋ＋１，ｋ）Ｘ（ｋ）＋Γ（ｋ＋１，ｋ）Ｗ（ｋ）（１） Ｚ（ｋ）＝ｈ［Ｘ（ｋ）］＋Ｖ（ｋ） （２） 万方数据
基于低通滤波的高机动视频目标跟踪
基于低通滤波的高机动视频目标跟踪
本科毕业设计（论文） 题目：（中文）基于低通滤波的高机动性视频目标跟踪（英文）Enhanced Lowpass Filter Based VidePredictive Tracking for Target withHigh Mobility
摘要 【摘要】在现代检测领域中，预测目标是一种很普遍的现象。在预测目标移动状态过程中，应用滤波法是常用的技术手段。在众多预测技术当中，人们常常使用卡尔曼滤波器来跟踪目标在运动情况下的轨迹。然而，卡尔曼滤波仍存在一些缺点：用来预测轨迹时尚缺乏精确度，为了解决这个问题，文中推荐另一种传统滤波——低通滤波。设计低通滤波的方法就是掺入带惯性的一阶泰勒级数，在文中使用过程中还要考虑目标所在的运动状态。基于这种情况，则需要在级数中加入线性项和惯性项算法，这两种算法分别代表高机性和非高机性两种状况。当预测目标状态时，要考虑目标高机动性（目标速度在瞬间发生变化）和非高机动性，当目标高速移动时，低通滤波检测速度的变化，检测到所给定的目标高机动变化根据运动情况则要重新配置低通滤波来实现预测跟踪。为了证明低通滤波的实用性，在预测中融入卡尔曼滤波共同对目标检测跟踪，实验表明在预测轨迹跟踪质量中，所建议的低通滤波对预测轨迹具有很好的效果比卡尔曼滤波更加有预测能力，从而证明了它的可行性。所以，在视频跟踪应用范围内，把低通滤波作为预测跟踪器是很好的选择。 【关键词】视频跟踪；低通滤波；跟踪质量；卡尔曼滤波；高机动性
Enhanced Lowpass Filter Based Video Predictive Tracking for Target with High Mobility Abstract 【ABSTRACT】In the field of modern detection , prediction target is a very common phenomenon. Predict the state of the process target mobile application filtering method is commonly used techniques . Kalman filter is one of GM , which is mainly used in predicting the movement of the target track . However , Kalman filtering are still some disadvantages: lack of precision for predicting the trajectory of the fashion , in order to solve this problem , another conventional paper filter recommended - low-pass filtering. Low-pass filter designed method is incorporated with a first order Taylor series of inertia , in the article by using filter which should also be considered when the target is moving. Based on this situation , you need to add linear and inertia algorithms in series , these two algorithms represent two high status which is a high mobility and non- mobility When the predicted target state , to consider changes in the target high mobility high mobility ( target speed change occurs at the moment ) and non- high maneuverability , when the target is moving at high speed , low-pass filtering to detect changes in the speed detected by a given target will have to be reconfigured according to the movement of the low pass filter to achieve the forecast track . To prove the usefulness of the low-pass filtering , Kalman filter integrated into the joint in the forecast for target detection and tracking , trajectory tracking experiments show that the quality of the prediction , the proposed low-pass filter to predict the trajectory has a good effect Kalman filtering more predictive ability , thus proving its feasibility . So, in the video tracking applications , the low-pass filter as a predictor tracker is a good choice . 【Key words】:Video predictive tracking; Lowpass filter; Trackingquality; Kalman filter; High mobility；