基于改进的密度峰值聚类的扩展目标跟踪算法

针对扩展目标高斯混合概率假设密度(extended target Gaussian mixture probability hypothesis density, ET-GM-PHD)滤波器中的量测集划分问题,提出了一种改进的密度峰值聚类(improved density peak clustering, IDPC)量测集划分算法。首先,使用IDPC算法去除局部密度较低的杂波量测,以获得最有可能的目标生成的量测集。其次,将剩余的量测集聚类以获得空间上紧密联系的聚类簇和簇的聚类中心。最后,根据预测的具有较高权重的高斯分量的均值在每个簇上的投影,获得准确的量测集划分。实验结果表明,与现有的量测集划分方法相比,该算法在保持跟踪精度的同时,可以大大减少计算时间。      

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。      

基于近邻传播聚类的多扩展目标量测集划分算法

针对杂波环境下多扩展目标量测集难以划分,且时间代价高的问题,该文引入近邻传播聚类技术,提出一种新的多扩展目标量测集划分算法.该算法先采用密度分析技术对量测集进行预处理,滤除部分杂波量测,然后引入近邻传播聚类技术,通过量测间的相互竞争,初步确定扩展目标的数目和质心位置,然后通过扩展目标PHD滤波方法估计目标数目和状态.该方法可有效避免量测集聚类过程中扩展目标质心初始化的干扰,能够准确地划分杂波环境下多扩展目标量测集.与传统的距离划分,K-means++划分方法相比,所提算法能够自适应地确定目标数目,降低时间成本,提高多扩展目标的跟踪性能.      

贪婪的量测划分机制下的多传感器多机动目标跟踪算法

针对低检测概率下多机动目标的跟踪问题,该文提出一种新的交互式多传感器多目标多伯努利滤波器(IMM-MS-MeMBer)。在IMM-MS-MeMBer滤波器的预测阶段,该文利用当前的量测信息自适应地更新目标的模型概率,并利用更新后的模型概率对目标状态进行混合预测;在IMM-MS-MeMBer滤波器的更新阶段,使用贪婪的多传感器量测划分策略对多传感器量测进行划分,并利用得到的量测划分集合和IMM-MS-MeMBer滤波器对目标的后验概率密度进行更新;除此之外,IMM-MS-MeMBer滤波器能够利用目标的角度和多普勒量测信息同时实现多个机动目标的位置、速度估计。数值实验验证了该文所提IMM-MS-MeMBer滤波器的优越性能。     

贪婪的量测划分机制下的多传感器多机动目标跟踪算法

针对低检测概率下多机动目标的跟踪问题,该文提出一种新的交互式多传感器多目标多伯努利滤波器(IMM-MS-MeMBer).在IMM-MS-MeMBer滤波器的预测阶段,该文利用当前的量测信息自适应地更新目标的模型概率,并利用更新后的模型概率对目标状态进行混合预测;在IMM-MS-MeMBer滤波器的更新阶段,使用贪婪的多传感器量测划分策略对多传感器量测进行划分,并利用得到的量测划分集合和IMM-MS-MeMBer滤波器对目标的后验概率密度进行更新;除此之外,IMM-MS-MeMBer滤波器能够利用目标的角度和多普勒量测信息同时实现多个机动目标的位置、速度估计.数值实验验证了该文所提IMM-MS-MeMBer滤波器的优越性能.     

基于PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。     

一种基于多模型高斯逆Wishart PHD滤波器的空间邻近目标跟踪方法

将空间邻近目标(Closely Spaced Objects,CSOs)整体建模为扩展目标(Extended Target,ET),用随机矢量和随机矩阵分别描述CSOs质心运动和扩散状态,并采用高斯逆Wishart(Gaussian inverse Wishart,GIW)概率假设密度(Probability Hypothesis Density,PHD)滤波器实现杂波和漏检条件下CSOs的稳定跟踪.修正了原GIW-PHD滤波器量测模型和形状估计的缺陷,给出新的递推表达式,并在此基础上提出一种多(形变)模型GIW-PHD滤波器,以适应CSOs分裂和融合引起的形状变化.仿真结果表明,所提算法能够有效跟踪CSOs,状态估计比原GIW-PHD更加准确,对CSOs的变化更加敏感.     

使用高斯混合滤波器的机动目标跟踪

实际目标跟踪过程中,被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息,给出了目标状态与类型不确定性的联合状态类型概率密度函数表示,并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质,引入高斯混合滤波器,实现了机动目标的有效跟踪。在仿真分析中,通过对比3种算法的跟踪结果,进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。     

一种改进的高斯逆威沙特概率假设密度扩展目标跟踪算法

假设扩展目标(ET)的扩展和量测数目分别为椭圆和泊松模型,高斯逆威沙特概率假设密度(GIW-PHD)能够估计扩展目标的运动和扩展状态。然而,该滤波器对空间邻近目标的数目、非椭圆目标和受到遮挡目标的扩展估计不够准确。针对这些问题,该文提出一种改进的GIW-PHD。首先,假设目标扩展为一个相同尺寸的参考椭圆,通过设计新的散射矩阵得到改进的随机矩阵(RM)方法。然后,将改进的RM方法与假设量测数目服从多伯努利分布的ET-PHD结合,得到改进的GIW-PHD滤波器。仿真和实验结果表明,与传统GIW-PHD相比,改进的GIW- PHD估计的目标数目和量测数目较多,扩展较大的椭圆和非椭圆目标的扩展更准确。     

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。     

A new multiple extended target tracking algorithm using PHD filter

A new multiple extended target tracking algorithm using the probability hypothesis density (PHD) filter is proposed in our study, to solve problems on tracking performance degradation of the extended target PHD (ET-PHD) filter under the nonlinear conditions and its intolerable computational requirement. It is noted that with the current Gaussian mixture implement of ET-PHD filter satisfying tracking performance could only be obtained under linear and Gaussian conditions. To extend the application of ET-PHD filter for nonlinear models, our study has derived a particle implement of ET-PHD (ET-P-PHD) filter. Our study finds that the main factors influencing the computational complexity of the ET-P-PHD filter are the partition number of measurement set and the calculation of non-negative coefficients of cells in partitions. With the pretreatment of measurements and application of a new K-means clustering based measurement set partition method, we have successfully decreased the partition number. In addition, a gating method for target state space, which is based on likelihood relationship between target state and measurement, is proposed to simplify the calculation of non-negative coefficients. Simulation results show that the algorithms proposed by our study could satisfyingly deal with multiple extended target tracking issues under nonlinear conditions, and lead to significantly lower computational complexity with tiny effect on tracking performance.     

一种改进的道路行车密度峰值模糊聚类算法

为解决城市道路中相邻车辆聚类精度低的问题,本文提出了一种改进的密度峰值模糊聚类算法。首先,该算法使用自适应椭圆距离代替欧式距离,并在决策图中引入指数函数曲线选择密度峰值点,以确定初始聚类中心和聚类数目;接着,将初始信息代入模糊C均值(FCM)聚类算法中,经迭代计算取得一次聚类结果;最后,根据雷达数据中同一辆车的数据点速度差值极小、不同车辆的速度差值相对较大这一特征,引入和速度相关的目标函数,并通过迭代计算取得最终的聚类结果,以对一次聚类结果进行修正。根据真实道路测量数据的实验证明,本文提出的聚类算法精度高、鲁棒性好,能正确聚类城市道路中相邻的车辆目标,具有更好的聚类效果。为道路中车辆的跟踪、交通状态预估等处理提供可靠、准确的目标信息,大大减少后续工程的计算量。     

一种高效的分布式多传感器多目标跟踪算法

现有的多传感器多目标跟踪算法大都基于马尔科夫-贝叶斯模型,需要诸如目标运动、杂波、传感器检测概率等先验信息,但是在恶劣的环境中,这些先验信息不准确并导致目标跟踪精度下降。为了解决该情况下的多目标跟踪问题,我们提出了一个高效的分布式多目标跟踪算法,该算法通过泛洪(Flooding)共识算法在分布式网络的传感器之间迭代的传输、共享各自的量测集信息,并通过改进的密度峰值聚类(Improved Density Peaks Clustering, IDPC)算法对量测集聚类,聚类得到的簇的个数即目标的个数,簇的中心即目标的位置。我们将IDPC算法与前沿的分布式概率密度假设(probability density hypothesis, PHD)滤波器在三个场景中进行对比,实验结果证明了IDPC算法的有效性和可靠性。      

一种快速的多目标跟踪非线性滤波算法

多机动目标跟踪问题是目前目标跟踪领域的一个重要研究方向,而数据关联与跟踪维持是多目标跟踪的核心部分。利用支持向量机在分类识别方面的优势,研究了基于支持向量机的数据关联方法。在此基础上,采用交互式多模型算法和无味卡尔曼滤波相结合的方法研究了多机动目标的跟踪问题。在该方法中,目标的运动状态和方位误差由选定的采样点来近似,在每个更新过程中,采样点随着状态方程传播并随非线性测量方程变换,得到目标的运动状态和方位误差的均值,避免了对非线性方程的线性化,至少给出最佳估计的二阶近似。与传统的扩展卡尔曼(EKF)方法进行了仿真比较,仿真结果表明了该算法的有效性。     

基于GIW-PHD的扩展目标联合跟踪与分类算法

在使用估计器对扩展目标进行跟踪时,算法的精度会受到系统演化模型选择的影响.针对该问题,本文提出将扩展目标的形态信息直接作为目标的类别信息,每一类别确定了目标相关的运动模型,在多模型（Multiple Model,MM）高斯逆威沙特概率假设密度（Gaussian Inverse Wishart PHD,GIW-PHD）滤波器的基础上,实现对扩展目标的联合跟踪与分类.仿真实验通过比较所提算法与GIW-PHD、MM-GIW-PHD两种滤波方法的性能,验证了本文所提算法的有效性.