群目标跟踪自适应IMM算法

为提高对机动群目标在高量测误差下的跟踪性能,提出了一种自适应IMM群目标跟踪算法.首先,在群质心状态估计中,引入带有多重次优渐消因子的强跟踪滤波算法,提高机动阶段时对群质心状态估计的精度.其次,在扩展状态估计中,考虑量测精度对于扩展状态的影响,将量测误差和扩展状态同时纳入到量测似然函数的构建中,应用新息计算和渐消记忆迭代过程自适应更新量测误差协方差矩阵.最后,通过quasi-Bayesian方法自适应更新模型转换概率,利用量测数据修正模型转换概率,抑制非匹配模型作用,放大匹配模型作用,实时匹配跟踪模型与目标运动状态.仿真实验结果表明,该方法有效提高了对群质心状态和扩展状态的估计精度.     

基于交互多模型的改进无迹粒子滤波算法

为了提高机动目标的跟踪精度,提出了适用于非线性非高斯系统的基于预测残差的交互多模型自适应无迹粒子滤波算法.该算法将无迹粒子滤波与交互式多模型的优点相结合,通过UT变化构造粒子滤波的建议分布函数,利用预测残差在线对测量协方差和状态协方差进行自适应调节,以改进执行和计算的有效性从而降低计算误差.仿真结果表明,与交互式多模型粒子滤波、交互式式无迹粒子滤波算法相比,该算法具有更好的跟踪精度.     

杂波环境中一种新的机动目标跟踪算法

针对传统交互式多模型概率数据互联(IMM PDA)算法中因模型选取的不确定性,跟踪精度低等缺点,引入了联合交互式多模型概率数据互联的思想,在此基础上提出了一种适用于杂波环境机动目标跟踪的新算法——交互式自适应概率数据互联(IMMAPDA)算法,将自适应滤波算法应用到PDA滤波器中和数据关联进行有机结合,提高了杂波环境中机动目标的跟踪精度。理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度,解决了全局最优化问题。     

基于噪声自适应的交互式多模型算法研究

机动目标跟踪精度大都依赖于匹配的系统模型和已知的噪声统计特性。模型匹配法主要采用交互式多模型算法来提高系统模型与机动目标状态的匹配。该算法的有效应用已经成功提高了机动目标的跟踪精度,但该算法只是针对系统模型的不确定性提出的解决方法,并没有解决噪声统计特性不确定的问题。针对噪声统计特性未知而导致滤波精度下降的问题,本文提出了噪声自适应的交互式多模型机动目标跟踪算法。仿真结果表明,噪声方差未知的情况下,本算法的跟踪性能优于传统的交互式多模型算法,提高了机动目标跟踪的精度。     

基于IMMPF算法自适应驻留时间的控制与研究

为进一步提高雷达的目标跟踪性能,有效节省雷达的系统资源,在交互式多模型粒子滤波算法(IMMPF)的基础上,提出了一种自适应驻留时间设计方法。在满足一定跟踪精度的情况下,由信噪比、测量误差协方差与雷达驻留时间三者之间的关系,进一步研究分析交互多模型粒子滤波算法,通过改变雷达工作参数,完成了雷达驻留时间的自适应设计。通过仿真结果分析表明,提出的自适应驻留时间设计方法与固定驻留时间算法比较,在保证跟踪精度的同时,减少雷达系统资源的消耗,在实际雷达系统设计中具有一定的指导意义。     

基于“当前”模型的IMM-UKF机动目标跟踪融合算法研究

文章设计了一种基于“当前”统计模型的交互式多模型无迹卡尔曼滤波(IMM-UKF)融合算法.首先在交互式多模型算法框架内,计算“当前”统计模型的概率,自适应地调整“当前”统计模型中目标加速度,提高了“当前”统计模型的自适应性.其次,该算法结合了交互式多模型和无迹卡尔曼滤波算法,该算法具有交互式多模型具有对不同目标机动模式自适应跟踪的能力和无迹卡尔曼滤波滤波度高的优点.最后,采用分布式融合算法提高了系统抗干扰能力及对目标跟踪的有效性和跟踪精度.通过对三维机动目标进行仿真,结果表明文中所设计的IMM-UKF融合算法对于跟踪以多种机动策略实时机动的目标具有较好的跟踪性能,可以减小系统机动跟踪的误差均值和标准差.较之传统的交互式多模型算法,跟踪性能更加优越.     

基于矩阵加权多模型融合的认知跟踪波形设计

针对机动目标状态跟踪问题,认知雷达能够调整发射端波形来获取持续、稳健目标跟踪信息.本文基于矩阵加权多模型融合思想引入一种新的面向机动目标跟踪的认知雷达自适应波形设计方法(Adaptive waveform design method based on Matrix-weighted Interacting Multiple Model,AMIMM).首先,利用多模型思路对机动目标状态进行建模,并考虑各模型目标状态估计及其误差协方差矩阵中元素间相关性,以矩阵加权融合方式代替传统概率加权方式,进而构造基于矩阵加权多模型信息融合的跟踪算法框架;然后,以多模型状态融合后的状态估计误差协方差矩阵为基准,利用特征值分解(Eigen Value Decomposition,EVD)技术求取融合后状态估计误差协方差矩阵对应椭圆参数;最后,通过分数阶傅里叶变换(fractional Fourier transform,FrFT)来旋转雷达量测误差椭圆,使得量测误差椭圆与融合后目标状态估计误差椭圆正交,从而获得下一时刻认知波形参数,实现波形自适应捷变.仿真实验表明,与当前流行多种算法相比,本文所提算法能够进一步提高机动目标跟踪精度和稳健性.     

高阶马尔可夫链无线链路连通性建模

针对动态无线网络对高精度链路连通性建模的需求,结合无线电波传播特性和节点运动模式,基于高阶马尔可夫链建立链路连通性模型.采用统计方法获取模型参数转移概率矩阵,并利用模型评估链路生命时间等网络特性参数.通过仿真实验分析链路生命时间精度与马尔可夫链阶数的对应关系.研究表明,链路生命时间精度随着马尔可夫链阶数增加而提高,四阶以上马尔可夫模型生成的链路生命时间精度提升不明显.相比多状态一阶马尔可夫链路连通性模型,四阶马尔可夫模型在仿真链路生命时间时误差降低68%.     

采用粒子滤波和模糊聚类法的非线性多目标跟踪

提出一种新的非线性多目标跟踪方法,用模糊聚类算法实现数据关联,采用粒子滤波实现对各目标的独立跟踪．首先利用最大熵模糊聚类对目标和观测数据进行关联,采用模糊隶属度重建多目标滤波中的联合关联概率矩阵．然后利用粒子滤波适于处理非线性问题的特点,通过联合关联信息,采用粒子滤波独立对各目标进行滤波,实现对目标状态的更新．最后,将该算法应用于多传感器多目标纯方位角跟踪．仿真结果表明,相比于联合概率数据关联算法及MEF-JPDAF,新算法具有更高的跟踪精度．     

和声搜索粒子滤波视觉跟踪

为了降低粒子滤波精度对精确重要性采样函数的依赖性,提高粒子滤波的视觉跟踪效果,将和声搜索引入到粒子滤波框架中,提出了一种基于和声搜索的粒子滤波视觉跟踪算法.通过记忆考虑、基因变异、随机变异等和声搜索算子结合当前观测信息,改善了粒子滤波视觉跟踪算法的重要性采样函数,增强了重要性采样函数对系统状态转移模型的鲁棒性.同时,对和声搜索参数进行了优化,平衡了视觉跟踪实时性和精确性的要求,并对粒子的权重进行了补偿,使其符合粒子滤波的理论基础贝叶斯估计.实验结果表明:优化的和声搜索参数,比常见参数更适合和声搜索粒子滤波;与基于粒子滤波、和声搜索、Mean-Shift改进的粒子滤波、分布场、多示例学习等视觉跟踪算法相比,和声搜索粒子滤波视觉跟踪算法能够在光线变化、遮挡等复杂场景下获得了更精确的视觉跟踪效果.和声搜索粒子滤波算法较好地结合当前观测与历史信息,获得鲁棒的视觉跟踪性能.     

基于PDA的非线性分布式跟踪算法

研究目标不确定性量测、不确定性机动环境下的分布式多雷达跟踪。针对目标未知机动，把交互多式模型算法中的模型样本空间分成若干子集，分别在多个处理器上进行并行滤波，再在融合中的处理器上将各子处理器结果进行交互处理，形成了分布交一线式多模型算法，然后将它与概率数据关联ＰＤＡ相结合，得到了一种新的分布式鲁棒跟踪算法。     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。     

Adaptive Sampling for Near Space Hypersonic Gliding Target Tracking

For modern phased array radar systems, the adaptive control of the target revisiting time is important for efficient radar resource allocation, especially in maneuvering target tracking applications. This paper presents a novel interactive multiple model (IMM) algorithm optimized for tracking maneuvering near space hypersonic gliding vehicles (NSHGV) with a fast adaptive sampling control logic. The algorithm utilizes the model probabilities to dynamically adjust the revisit time corresponding to NSHGV maneuvers, thus achieving a balance between tracking accuracy and resource consumption. Simulation results on typical NSHGV targets show that the proposed algorithm improves tracking accuracy and resource allocation efficiency compared to other conventional multiple model algorithms.     

多目标实时跟踪的一种数据关联算法

联合概率数据关联是密集杂波环境下跟踪效果最理想的数据关联算法之一。文中在研究概率数据关联算法的基础上,提出了一种快速数据关联算法。通过不同阈值的选择,去除小概率事件,建立确认矩阵,再根据被跟踪目标跟踪门的相交情况,将跟踪空间划分成若干相互独立的区域。对同一区域内公共量测的概率密度值进行衰减,计算出关联概率。仿真实验结果表明,该算法能显著减少可行联合事件的搜索时间和数量,可以有效解决JPDA算法计算量过大的问题,且便于工程实现。     

目标跟踪的交互多模型方法

目的开发一个实用的目标跟踪方法,它对机动目标和非机动目标的跟踪精度都很高．方法首先建立新IMM跟踪模型,然后用计算机仿真的方法证实该模型的性能,并与已有的经常用于机动目标跟踪的“当前”加速度模型比较．结果仿真结果表明,IMM模型在目标运动的非机动段的跟踪精度比“当前”加速度模型高得多,而在机动段则有着与“当前”加速度模型相当的精度．结论在目标跟踪时,IMM模型比“当前”加速度模型有更高的综合精度,它将发展成为一种实用目标跟踪方法．     

一种针对目标跟踪的自适应波形选择方法简

Within an adaptive interacting multiple model (IMM) framework, an approach to selecting the transmitted waveform of radar is proposed. The adaptive IMM algorithm is attained when the constant-velocity (CV) model and the current statistical model are applied to the IMM filter. Firstly, the error ellipse orthogonal method is derived from information theory, and an equivalent form is given in terms of control theory. According to the equivalent form, the range and velocity tracking error can not be adjusted effectively using the error ellipse orthogonal method. To solve this problem, an adaptive transmitted waveform selection approach is proposed based on the minimum mean-squared error, combining with the adaptive IMM algorithm. Simulations show that the proposed algorithm is feasible and effective.     

抑制闪烁噪声的SMM-IUKF目标跟踪算法

针对末制导被动雷达跟踪测量的闪烁噪声问题,在分析多模型滤波及其简化算法的基础上,采用迭代不敏卡尔曼滤波(IUKF),设计了一种简化的多模型滤波器(SMM-IUKF),并以一个典型三维目标跟踪问题为例进行了蒙特卡洛仿真验证.该算法具有与SMM算法同阶的计算量,估计精确度高、收敛速度快,较好地解决了闪烁噪声滤波问题.     

A Novel Tracking-by-Detection Method with Local Binary Pattern and Kalman Filter

一种基于LBP和KF增强的检测-跟踪方法

#$TAB王忠立¹,贾春肖¹,#$TAB蔡伯根¹,樊俐彤¹,陶传奇²,张志毅²,王银灵²,张敏²,吕国艳²

(1．北京交通大学,电子信息工程学院,北京 100044;

2．青岛四方车辆股份有限公司,青岛 266111)

创新点说明：

1）针对TLD算法存在对光照变换时稳定性不够好的问题,通过试验分析发现,原算法中检测器的性能对此有很大影响。本文将LBP特征描述子集成到算法的Tracking-by-detection框架中,通过一个判别模块来确定是采用NN检测器,还是LBP检测器,较好的解决了原算法的这一问题。实验证明,改进后的算法,正确性、召回率等指标都有较大改善。

2）TLD算法的计算复杂度较高,不能实时跟踪。经过LBP特征描述子改进后的算法（TLD_ULBP）复杂度也略高于原来的算法。为了提高算法效率,采用Kalman滤波来预测目标搜索区域。论文给出了KF滤波预测的详细过程及策略,并对算法的性能进行了评估。

3）通过大量实验对改进后的算法在准确率、召回率、F-measure等指标上进行了验证,除极个别测试视频外,绝大多数视频下都有较大改善。另外,通过实验发现,经过KF加速,所提出的方法在实时性和精度上都有较好提升。

关键词：TLD算法;LBP;卡尔曼滤波

     

分布式不确定性系统状态估计

研究了分布式不确定性系统的状态估计。以两部雷达构成的分布式系统为对象，考虑杂波环境、量测噪声和目标不确定性机动下的多目标跟踪。针对其中的两类不确定性问题，提出了机动目标自回归统计模型，并将它与联合概率数据关联相结合，给出了一种新的分布式多目标跟踪算法。仿真结果证明了其快速性和自适应性。     

基于模型空间分解的交互式多模型算法

由于马尔可夫参数的限定,交互式多模型的估计精度会在模型数过多时下降,这限制了它在高维参数空间的应用,通过将交互式多模型建模空间分解,构造出一种两级交互式多模型算法,并通过辨识系统噪声的多个统计参数,比较了新算法与常规交互式多模型滤波器,仿真结果显示了新算法的优越性。