自适应非线性GM-PHD滤波及在无源跟踪中的应用

首先针对无源传感器目标跟踪中的非线性问题,将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波,提出一种求积分卡尔曼概率假设密度滤波。其次,针对未知时变过程噪声,将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中,同时依据目标状态一步预测与状态滤波结果之间的残差,提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明:相较于已有的非线性高斯混合概率假设密度滤波,所提算法有更高的精度,并且在未知时变噪声环境中具有较好跟踪效果。     

基于GM-PHD的目标空间分布感知算法

对边扫描边跟踪的认知雷达,目标的空间分布特性是实现对雷达信号控制的重要依据之一。本文介绍了一种基于高斯混合概率假设密度（GM-PHD）滤波算法的目标空间分布感知方法,利用该算法,可同时实现多目标高虚警环境下的目标数目和目标空间位置以及运动状态的估计。该算法实际是一种对标准GM-PHD滤波器的改进算法,能在新生目标强度未知的情况下完成对新生目标的检测跟踪。实验表明该算法不仅能在未知新生目标强度的情况下检测并跟踪新生目标,且在新生目标速度较大的情况下,该算法对新生目标的检测性能优于标准GM-PHD滤波器。     

未知杂波下多目标跟踪AEM-PHD平滑滤波算法

针对未知杂波强度下的多目标跟踪问题,提出了加速期望最大化概率假设密度(AEM-PHD)平滑滤波算法。首先,对杂波的强度进行建模;接着,根据杂波的量测估计出杂波的个数;然后,利用高斯有限混合模型对杂波密度函数进行建模,在EM算法的基础上提出了AEM算法,将AEM算法用于高斯有限混合模型参数的估计,获得了杂波的密度函数;最后,将估计的杂波信息应用于多目标跟踪,对目标状态进行了平滑。仿真结果表明,在杂波强度未知的环境下,所提算法能准确估计出杂波的参数,具有跟踪精度高、目标数目估计准确的优点。     

一种非线性GM-PHD滤波新方法

为了解决目标数未知情况下的多目标跟踪问题,提出了一种非线性条件下的高斯混合概率假设密度滤波新方法.该方法利用三阶球面容积-径向采样规则计算目标状态的概率分布特性,解决了状态方程和观测方程的非线性计算问题,利用模糊门限对滤波器的剪枝方法进行了优化,避免了高斯项数目的指数增长,利用观测数据生成新目标密度,使滤波器具备了对观测空间任意位置随机出现新目标的跟踪能力.通过仿真实验比较了四种非线性高斯混合概率假设密度滤波方法的性能,实验结果验证了提出算法的有效性.     

航向角辅助的高斯混合PHD模糊滤波方法

为了更好的解决目标数未知或随时间变化的多目标跟踪问题, 针对高斯混合概率假设密度滤波器（GMPHD）的局限性,提出了非线性条件下的航向角辅助的GMPHD滤波算法。本文给出采用测量数据计算航向角的方法,将航向角与观测向量组成复合观测向量,在跟踪过程中提高了对目标位置的估计精度;利用测量数据生成新目标密度,提高了目标数的估计精度;同时,本文在非线性高斯条件下,将求容积卡尔曼滤波（CKF）引入计算目标状态的预测和更新分布,取得了很好的效果;最后利用模糊方法确定了各个目标的运动轨迹。实验结果表明,本文提出的算法不但能给出目标的运动轨迹而且在目标的位置、速度和目标数的估计精度上都有明显的提高。      

天基红外系统多目标快速跟踪方法

多传感器多目标跟踪是天基红外系统的核心关键技术之一,面临目标数目随时间变化、目标出现时间与位置难以预知、虚警干扰严重等难点,传统多目标跟踪方法存在组合爆炸问题。文中采用高斯混合概率假设密度滤波器（GM-PHD,Gaussian mixture probability hypothesis density）进行多目标跟踪,有效避免了复杂的数据关联运算;同时,针对GM-PHD滤波器新目标丢失问题,采用反馈滤波方法,通过将传感器量测假设作为新目标的量测,有效实现了对新目标的快速跟踪处理。仿真试验结果表明,本文所提反馈滤波方法具有更好的跟踪性能和更快的收敛速度。     

基于GM-PHD的多目标跟踪算法仿真及影响因素

基于有限集统计学理论的多目标跟踪技术具备严格的贝叶斯理论解释基础,可以同时完成目标数目及状态的估计,并避免了复杂的数据关联过程。基于高斯混合概率假设密度滤波器(GM-PHD)实现了对数目时变目标的跟踪,准确估计出了每一时刻目标的数目。在此基础上进一步分析了目标生存概率ps、目标检测概率pd以及杂波密度λc等因素对跟踪效果的影响,为GM-PHD滤波器在多目标跟踪的实际应用中各参数的取值提供了有益的参考。     

基于PHD滤波的箱粒子划分多目标跟踪算法

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。     

改进的概率假设密度滤波多目标检测前跟踪算法

基于概率假设密度滤波(Probability Hypothesis Density,PHD)的检测前跟踪(Track before detect,TBD)技术可以有效解决未知目标数的弱小点目标检测前跟踪问题.文章针对现有PHD-TBD算法存在目标数估计不准、目标发现延时较久的问题进行研究.从标准PHD滤波出发,更为合理地推导出PHD-TBD算法的粒子权重更新计算表达式,实现对目标数的准确估计;同时利用贝叶斯滤波理论,推导出基于量测的新生粒子概率密度采样函数,完成对目标的快速发现.仿真实验表明,与现有的PHD-TBD相比,改进算法能够适应目标扩散情况,准确估计目标数目,并实现对目标的快速发现和位置准确估计.     

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。     

基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息, 基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法, 提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中, 对各高斯项编号, 进行航迹提取, 在滤波处理的同时形成带有航迹编号的明确航迹, 并进行航迹管理; 同时, 根据目标运动模型, 联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时, 对目标航迹进行有效类型识别.     

基于随机集的RBPF多目标关联跟踪算法

针对大量杂波环境下数量变化的纯角度多目标航迹关联跟踪问题,提出一种新的基于Rao-Blackwellized粒子采样(RBPF)航迹关联的高斯混合概率假设密度(GMPHD)滤波算法.算法首先利用GMPHD在每时刻对多个目标组成的随机集合进行估计;然后利用基于随机有限集的RBPF对GMPHD所得到的目标集合进行检测和关联...     

扩展目标GMPHD滤波器的航迹维持算法

概率假设密度(PHD)滤波器提供了各目标在每个时刻的状态信息,但未形成航迹。该文提出了扩展目标高斯混合PHD(GMPHD)滤波器的航迹维持算法。首先对后验概率强度的每个高斯分量添加标签;其次在后验概率强度随着时间进行演化时,标签也随之演化;并通过航迹管理方案为扩展目标提供航迹。为提高GMPHD滤波器性能,提出了自适应的量测集划分法。最后通过仿真验证了提出算法的有效性。     

一种具有信息保持能力的GM-PHD滤波器

概率假设密度(PHD)滤波器是解决虚警、漏检和目标数未知情况下多目标跟踪问题的新方法.然而在该滤波器中已存在的目标一旦在某个时刻不能被传感器检测到,漏检目标的大量信息会被滤波器丢弃.为解决漏检目标的信息丢失问题,对PHD滤波器的预测和更新方程进行了修正,提出了一种具有信息保持能力的PHD滤波器.在此基础上提出了适用于线性高斯模型的修正PHD滤波器高斯混合(GM)实现算法.仿真实验结果表明,与现有的PHD滤波器相比,在存在漏检的情况下所提出的GM-PHD滤波器能够提供更好的多目标跟踪能力.     

Detection-guided multi-target Bayesian filter

Multi-target Bayesian filter in the framework of finite set statistics (FISST) and its approximations, including probability hypothesis density (PHD) filter and cardinalized probability hypothesis density (CPHD) filter, are elegant methods for multi-target tracking by jointly estimating the number of targets and their states from a sequence of noisy and cluttered observation sets. PHD filter and CPHD filter can deal with the tracking scenario involving the surviving targets, the spawned targets, and the spontaneous births. One of the limitations of PHD and CPHD filter is that it is assumed that intensities of spontaneous birth targets are known at the initialization stage. To address the problem, a track initiation technique is proposed to detect the position unknown birth targets and is hybridized with PHD and CPHD filter. Once new targets are detected, the position estimates are employed to form intensities of spontaneous births for starting PHD and CPHD filter. Simulation results demonstrate that the proposed tracker can adaptively and efficiently track multiple targets especially in scenarios with birth targets of unknown position, which the PHD and CPHD filter are unable to do on their own.     

狄拉克加权和概率假设密度滤波器

为解决在存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题,提出了一种适用于线性系统模型的狄拉克加权和概率假设密度滤波器。该滤波器将多目标的后验矩表征为狄拉克加权和的形式。类似于高斯混合PHD滤波器,该滤波器在递归过程中传递多目标的后验矩。不像高斯混合PHD滤波器用卡尔曼滤波器获取多目标的后验更新矩,该滤波器采用变系数α-β滤波器获取多目标的更新后验矩。同时,也提出了一种变系数α-β滤波器中参数α和β的确定方法。仿真实验结果表明,所提出的滤波器为存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题提供了一种有效途径,它的平均执行时间小于高斯混合PHD滤波器的平均执行时间,所以具有良好的工程应用前景。      

一种有轨迹标识的利用测量生成新目标密度的GM-PHD滤波器

在存在杂波、漏检、目标数目未知和变化的情况下,PHD滤波器是一种多目标跟踪新方法,GM-PHD滤波器是PHD滤波器的一种近似实现。然而,GM-PHD滤波器没有提供单个目标状态估计的身份,而构建目标运动轨迹需要目标状态估计的身份,同时,现有的GM-PHD滤波器在新目标密度生成时对新目标出现位置进行了限制,难以对观测空间任意位置随机出现的目标进行跟踪。为解决非线性观测系统GM-PHD滤波器中目标状态估计的身份标识和新目标密度生成问题,设计了一种新的GM-PHD滤波器。该滤波器利用传感器的观测数据生成新目标密度,通过给滤波器输出的高斯项增加专有身份标识并使用身份标识将源于同一目标不同时刻的目标状态估计关联起来。仿真实验验证了滤波算法的有效性。