一种强杂波密度环境下的多目标跟踪算法北大核心CSCD

针对传统基于随机集的多目标跟踪方法高斯混合概率假设密度滤波器在强杂波环境下,会出现目标数目过估计及目标状态估计误差急剧增大的问题,提出了一种适用于强杂波密度环境下的多目标跟踪算法。该算法在概率假设密度平滑器基础上,在预测步通过量测与预测值之间的残差值确定椭圆门限值,从而获得与目标真实状态相近的量测值,降低了滤波器的时间复杂度;同时,在使用有效量测对高斯项进行更新的过程中,利用各高斯项的椭球门体积自适应调整更新公式中杂波强度参数,提高了多目标跟踪精度。仿真结果表明:该方法在强杂波密度环境下可有效降低计算时间并提高多目标跟踪精度。     

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。     

三维数据关联情况下外辐射源雷达多目标跟踪研究

不同于传统多目标跟踪,除了量测-目标数据关联模糊问题外,外辐射源雷达跟踪系统新增了量测-发射机数据关联模糊问题.针对此问题,该文通过引入一个新的关联变量来表示量测和发射机之间的数据关联关系,提出了目标-量测-发射机3维数据关联改进概率多假设跟踪(PMHT)算法.该算法利用期望极大化(EM)算法的独立性假设条件得到最大后验概率意义下的最优跟踪.为了增加目标-量测-发射机之间数据关联的准确性,提高多目标与量测后验关联概率的精确度,将量测信息设定为均值相同协方差不同的混合高斯分布.针对距离-多普勒量测的非线性性,利用无味卡尔曼平滑(UKS)算法进行多目标状态估计.仿真结果表明,对于FKIE外辐射源雷达数据集(杂波密度很高),所提算法的目标与航迹关联成功率高,抗杂波性能强,证明了算法的有效性.     

多目标滤波中的多传感器概率假设密度算法

多传感器情况下的多目标概率假设密度(PHD)滤波是建立在假设模型上实现的。该文用随机有限集(RFS)方法描述多目标状态空间和传感器量测空间,分析了多传感器通用假设模型下的探测概率、似然函数和杂波分布,在此基础上利用概率产生泛函(PGFL)推导出了多传感器PHD滤波递归式,进而提出粒子标记法多传感器贯序蒙特卡洛PHD(SMC-PHD)滤波等价实现算法,降低了多传感器PHD滤波的计算复杂度。最后给出了算法的具体实现,得到了良好的多目标数目和可跟踪多目标状态的估计。     

RGPO 干扰下基于改进的IMM-PDAF 的机动目标跟踪技术

研究了距离波门拖引(RGPO)干扰下杂波环境中机动单目标的跟踪问题,在建立RGPO 干扰条件下雷达量测模型的基础上,提出了一种RGPO 干扰下基于改进的交互多模型-概率数据关联算法(IMM-PDAF)的目标跟踪技术。该技术联合RGPO 鉴别与跟踪一体化。在干扰鉴别上,采用信号似然比预处理、角度研究了距离波门拖引(RGPO)干扰下杂波环境中机动单目标的跟踪问题,在建立RGPO 干扰条件下雷达量测模型的基础上,提出了一种RGPO 干扰下基于改进的交互多模型-概率数据关联算法(IMM-PDAF)的目标跟踪技术。该技术联合RGPO 鉴别与跟踪一体化。在干扰鉴别上,采用信号似然比预处理、角度 检验以及m / n 逻辑检验方法。在跟踪算法方面,采用提出的基于量测功率特征的IMM-PDAF 算法,同时目标状态更新依据是否存在干扰采用不同的方法。若存在RGPO 干扰,则根据RGPO 假目标与真目标量测对的特点,采用提出的距离最近选择、角度数据压缩方法合成新量测对目标状态进行更新,若无RGPO 干扰,则综合功率和位置特征对所有量测进行加权更新目标状态。仿真结果表明,该技术不仅能有效剔除RGPO 干扰对跟踪算法带来的不良影响,而且具有良好的机动目标跟踪性能。 检验以及m / n 逻辑检验方法。在跟踪算法方面,采用提出的基于量测功率特征的IMM-PDAF 算法,同时目标状态更新依据是否存在干扰采用不同的方法。若存在RGPO 干扰,则根据RGPO 假目标与真目标量测对的特点,采用提出的距离最近选择、角度数据压缩方法合成新量测对目标状态进行更新,若无RGPO 干扰,则综合功率和位置特征对所有量测进行加权更新目标状态。仿真结果表明,该技术不仅能有效剔除RGPO 干扰对跟踪算法带来的不良影响,而且具有良好的机动目标跟踪性能。     

三维数据关联情况下外辐射源雷达多目标跟踪研究

不同于传统多目标跟踪,除了量测-目标数据关联模糊问题外,外辐射源雷达跟踪系统新增了量测-发射机数据关联模糊问题。针对此问题,该文通过引入一个新的关联变量来表示量测和发射机之间的数据关联关系,提出了目标-量测-发射机3维数据关联改进概率多假设跟踪(PMHT)算法。该算法利用期望极大化(EM)算法的独立性假设条件得到最大后验概率意义下的最优跟踪。为了增加目标-量测-发射机之间数据关联的准确性,提高多目标与量测后验关联概率的精确度,将量测信息设定为均值相同协方差不同的混合高斯分布。针对距离-多普勒量测的非线性性,利用无味卡尔曼平滑(UKS)算法进行多目标状态估计。仿真结果表明,对于FKIE外辐射源雷达数据集(杂波密度很高),所提算法的目标与航迹关联成功率高,抗杂波性能强,证明了算法的有效性。     

结合幅度信息的扩展目标随机有限集跟踪方法

基于随机有限集的扩展目标跟踪方法通常根据量测的空间信息进行量测划分,在杂波密集环境下有可能将杂波量测划入目标单元,从而造成跟踪性能的下降。为此,该文将目标和杂波的幅度信息引入高斯逆威沙特概率假设密度(GIW-PHD)滤波器,通过计算量测子集的幅度似然寻找最优的量测划分方法。此外,计算量测单元的中心时,采用幅度加权的方法计算量测单元的质量中心,以取代目前广泛使用的几何中心,从而进一步降低杂波对滤波器的干扰。在信杂比分别为13 dB和6 dB的条件下,通过对Rayleigh杂波中Swerling 1型起伏目标的跟踪结果证明了所提方法相比高斯逆威沙特概率假设密度滤波器具有更优的势估计和状态估计性能。      

重拖尾海杂波下基于MCSEAPHD目标跟踪算法

针对重拖尾海杂波下的对海探测问题，提出了一种基于多帧杂波稀疏度估计和幅值辅助概率假设密度的海面目标跟踪算法。首先，提出重拖尾海杂波下的多帧杂波稀疏度估计技术，利用高斯混合后验强度和多帧杂波累积剔除源自幸存目标和新生目标的测量，实时估计空间分布未知且时变的重拖尾海杂波密度；然后，将杂波密度估计参数传递到跟踪器中，并建立带幅值的量测似然函数，在概率假设密度算法框架下进行状态更新，并将更新后的高斯混合后验强度用于下一帧的杂波密度与目标状态估计；最后，进行了仿真试验，仿真结果验证了所提算法的有效性。     

无源跟踪中基于灰关联信息融合的概率数据关联算法

在无源跟踪中,传统的概率数据关联算法(PDA)单纯依据状态量测信息.该文提出了一种基于多特征信息融合的概率数据关联算法,该算法利用目标多个特征信息(状态量测、载频、PRI等),通过灰关联分析的方法,计算有效观测与目标的关联概率,进而在信息融合的基础上,进行目标状态更新估计.该算法与传统的PDA相比有两个优点,第一,关联概率的计算量小、计算更准确;第二,该算法利用了目标多特征信息,因此,关联性能更好.实验表明,基于该算法的无源跟踪性能明显优于NN方法和传统的PDA方法.     

多编队目标先后出现时的无先验信息跟踪方法

针对多编队机动目标先后出现时的跟踪问题,该文提出了一种基于交互式多模型高斯混合概率假设密度滤波(IMM-GM-PHD)算法的无先验信息跟踪方法。首先,在IMM-GM-PHD算法预测过程完成的基础上,引入密度检测机制,利用相关域为所有预测高斯分量挑选有效量测,结合密度聚类(DBSCAN)算法检测是否出现新编队目标。其次,在IMM-GM-PHD算法状态更新完成的基础上,利用更新高斯分量的组成情况完成模型概率的更新。最后,在状态估计优化过程中,结合编队目标的特点,加入相似度判别技术,利用杰森-香农(JS)散度度量高斯分量间的相似度,剔除没有相似分量的高斯分量,进一步优化估计结果。仿真结果表明,该文方法能够快速有效地跟踪非同时出现的多编队机动目标,具有较好的跟踪性能。     

PHD粒子滤波中目标状态提取方法研究

采用概率假设密度(PHD)粒子滤波进行多目标跟踪时,各时刻的目标状态表现为大量的加权粒子,需以一定方法从该粒子近似中提取出来。该文提出一种增强的目标状态提取方法,先以k-means算法对粒子进行空间分布的聚类,再于各类中寻找粒子权的峰值位置作为目标状态的估计。仿真结果表明:由于综合利用了粒子的权值和空间分布信息,该算法具有比现有算法更小的目标状态估计误差。     

两类典型多目标跟踪算法的性能分析与比较

在处理目标跟踪的两类主要方法中,一类是通过数据关联来解决,如PDA和JPDA等;另一类则是绕过关联直接处理,如随机集、GM-PHD等。该文从两类典型方法中各选取一种有代表性的方法,如JPDA与GM-PHD,首先通过分析两种算法主要步骤的计算量,得到相应算法总计算量的解析表达式;然后根据观测与目标状态之间关联复杂程度,分3种情况对两类算法的计算量进行比较;最后以仿真说明算法的跟踪效果,并以算法运行时间来验证计算量公式的正确性。     

杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法

在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪 (PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显著的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。      

多元假设检验GMPHD轨迹跟踪

由于在军事和民事领域逐步广泛的应用,数目不定的多目标跟踪技术正受到越来越多的关注。概率假设密度(PHD)滤波方法,特别是具有闭式递归的高斯混合概率假设密度(GMPHD)技术,在噪声和漏警等影响下仍能形成优越的群目标跟踪性能。然而PHD滤波器并不能实现多目标航迹跟踪,而其与传统数据互联的结合,复杂度高且跟踪效果不尽如人意。在该文中,各目标的航迹信息以假设形式表述,数据互联则是通过使用经典的多元假设检测方法判决假设矩阵实现。其与GMPHD的结合不仅实现了数据互联和轨迹管理,还因为积累时间信息大大降低了杂波干扰的影响。实验结果证明,该算法可以对多个目标所形成的轨迹实施正确跟踪,同时,计算量的大幅度降低带来了跟踪系统可实现性的提高。     

基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法

多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。     

A new data association algorithm using probability hypothesis density filter

Probability Hypothesis Density (PHD) filtering approach has shown its advantages in tracking time varying number of targets even when there are noise, clutter and misdetection. For linear Gaussian Mixture (GM) system, PHD filter has a closed form recursion (GMPHD). But PHD filter cannot estimate the trajectories of multi-target because it only provides identity-free estimate of target states. Existing data association methods still remain a big challenge mostly because they are computationally expensive. In this paper, we proposed a new data association algorithm using GMPHD filter, which significantly alleviated the heavy computing load and performed multi-target trajectory tracking effectively in the meantime.     

一种改进的CPHD多目标跟踪算法

CPHD(Cardinalized Probability Hypothesis Density)滤波是一种杂波环境下可变目标数的多目标跟踪算法,该文针对算法中存在的目标漏检问题提出一种改进算法,该算法在高斯混合框架下实现贝叶斯递归,通过对各个高斯分量进行标记,对目标进行航迹关联,在此基础上对修剪合并后各个高斯分量的权值进行两次分配。首先对超过检测门限的高斯分量权值进行分配,有效解决了目标漏检问题,然后基于一个目标只可能产生一个观测的事实进行第2次分配,改善了目标发生交叉时的算法性能。实验结果表明,所提方法在多目标状态估计和航迹维持方面均优于普通的CPHD算法。     

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。