基于神经网络的多机动目标跟踪算法

将神经网络理论用于多机动目标跟踪,解决了联合概率数据关联(JPDA)存在的计算量组合爆炸问题。基于神经网络数据关联(NDA)所得到的最佳关联假设,将其与简化信息融合并行自适应滤波算法(DAF)进行有效结合,在保证量测与目标有效关联的同时,还具备跟踪起始和终结的作用,实现了对多机动目标的状态滤波与预测。仿真结果表明,与传统的交互式多模型联合概率数据关联算法相比,新算法在保证多机动目标的跟踪精度及实时性要求的同时,计算量大大减少。     

基于联合概率数据融合的多目标车辆安全跟随

为了实现密集杂波环境下多目标车辆安全跟随，提出多源传感器数据融合的多目标车辆跟踪算法与纵向避撞预警策略.针对多源传感器观测序列因采样周期、采样起始时刻、通信时延差异等引起的时间异步，以及空间上存在不同维度、不同坐标系的问题，给出时间配准与空间融合的软同步方法.采用基于改进的联合概率数据关联(JPDA)的单一传感器多目标状态估计算法对目标轨迹进行滤波估计，能够在保证有效关联的同时，在一定程度上降低计算复杂度.基于多源传感器联合概率数据融合(MSJPDA)序贯滤波算法对目标的运动状态进行序贯更新，将最后一级的输出作为融合中心的最终状态估计，再根据威胁估计模型对追尾危险的发展态势进行评估与分级.实车试验与仿真结果验证了该算法的可行性与有效性.     

杂波环境下雷达组网的多目标聚类融合跟踪

多传感器多目标跟踪是信息融合技术在目标跟踪领域的应用范例,数据关联是其中的关键技术之一.对于杂波环境下的组网雷达多目标跟踪,讨论了粗、精关联相结合的数据关联方法.先用基于跟踪门限算法进行粗关联,排除部分杂波,再用模糊C-均值算法模糊聚类来实现关联.通过把多传感器跟踪问题转化为多个单传感器跟踪问题,更有效地实现关联,最后融合量测,滤波后得到目标的状态估计.用该算法对目标进行蒙特卡罗仿真,其比改进前的模糊C-均值关联算法和最近邻域算法在杂波环境下更能有效实现数据关联.     

粒子群算法在多传感器多目标跟踪的应用

多传感器多目标跟踪系统中,数据关联是其中的关键问题之一.它可以表述为多维分配问题,提出了基于粒子群优化算法的多维分配算法,它将多维分配问题中的目标代价函数极小化问题作为组合优化问题求解.通过在粒子群初始化步骤以及交叉和变异时充分考虑确认备选量测,缩小优化搜索范围,能较快找到最优解实现关联.在虚警和漏检、密集目标环境下,该算法应用于多传感器多目标融合系统仿真,结果表明所述算法在多目标数据关联中有较好的可行性和优越性.     

基于联合概率数据关联的车用多传感器目标跟踪融合算法

针对智能车辆前向多传感器多目标跟踪融合问题,提出一种基于改进的联合概率数据关联的车用多传感器跟踪融合算法。首先,根据车辆坐标系和各传感器坐标系的相对运动关系,对多传感器数据进行坐标变换,之后采用基于改进的联合概率数据关联的单传感器多目标跟踪算法、基于相关序贯关联法的多传感器关联算法和凸组合融合算法实现了对目标的稳定跟踪与准确融合。最终,通过装备毫米波雷达和摄像头的实验车在实际交通环境下进行实车试验,试验结果表明:目标被稳定跟踪且融合结果具有良好的精度,验证了算法的可行性和有效性。     

基于S-D分配的集中式多传感器不敏滤波算法

研究了非线性环境中的集中式多传感器多目标跟踪问题,提出了一种基于S-D分配的集中式多传感器不敏滤波算法。算法通过广义S-D分配技术实现每个传感器中的量测与目标的数据关联,求得所有可能互联中的最佳划分,然后按照顺序多传感器联合概率数据互联算法,依次处理最佳划分中各传感器源于同一目标的量测,在此基础上通过不敏卡尔曼滤波(UKF)解决非线性系统中的目标跟踪问题。最后给出了该算法与MSJPDA/EKF算法的仿真比较,结果表明该算法具有更高的稳定性和跟踪精度。     

密集回波环境下多目标跟踪的一种新算法

在多目标跟踪中，一个量测可能是几个目标的混合量测，一个目标也可能产生几个量测。目前，基于贝叶斯的数据关联算法沿用的均是JPDA的“量测与目标一一对应”的可行性规则，它不符合上述情况下数据关联的实际情况。因此，为了解决该问题，从分析JPDA的可行性规则入手，打破JPDA可行性规则的限制，提出了更符合实际的量测与目标均可复用的观点，及新的可行性规则，认为量测与目标之间的关联关系是多对多的关系，并据此利用条件贝叶斯公式，推导出边缘概率的一种新的计算方法——广义数据关联算法(GPDA)。利用该方法对多目标进行跟踪，取得了良好的跟踪性能，并且计算量大大减小。     

被动式多传感器数据关联的消元算法

针对被动式多传感器多目标数据关联，试图解决其计算量较大的部分——多维分配问题的求解，从而解决数据关联的实时应用问题。通过对分配问题的模型进行分析，结合矩阵变换，得到消元的几个定理，并结合计算机仿真分析，给出了一种消元算法。仿真结果表明，与传统的最优分配解法相比，这种方法没有遍历所有的可行解空间，计算量小，而又易于计算机实现。并且，该算法适用于任意维的分配问题。     

并行高斯粒子滤波被动多目标跟踪新算法

针对多目标跟踪的数据关联及多目标状态空间尺寸随目标数增多而增长的问题,提出了一种跟踪新算法,假定各目标的状态与过去的观测相互独立,可以多路并行处理,采用马尔可夫链蒙特卡罗(MCMC)方法计算目标与观测的关联概率,利用高斯粒子滤波(GPF)独立估计单个目标的状态,采用拟蒙特卡罗(QMC)方法近似各目标的预测及更新分布.将该算法应用于被动多传感器多目标跟踪,仿真结果表明,所提算法比联合概率数据关联滤波器(JPDAF)、马尔可夫链蒙特卡罗数据关联滤波(MCMCDAF)及蒙特卡罗联合概率数据关联滤波(MC-JPDAF)具有更好的跟踪性能.     

基于多模型粒子滤波的机动多目标跟踪算法

针对密集杂波环境下机动多目标跟踪中系统强非线性以及运动模式切换对于滤波精度的不利影响,提出了一种基于多模型粒子滤波的机动多目标跟踪算法.新算法实现了多模型粒子滤波和广义概率数据关联算法的有机结合.通过在粒子状态采样过程中引入模型信息改善了交互式多模型和粒子滤波结合中导致的计算量膨胀问题,并利用广义概率数据关联算法实现回波的有效确认和回波信息的充分利用.给出了应用该方法的具体步骤,最后,理论分析和仿真实验证明该算法的有效性.     

模糊-概率交互作用的数据关联算法

基于估计理论和模糊系统理论,提出了一种模糊逻辑和概率交互和作用的数据关联算法,以解决密集杂波干扰环境中跟踪机动目标的数据关联问题。模糊关联度和关联概率共同组成了各有效回波的加权系数,弥补了概率数据关联滤波方法（ＰＤＡＦ）的不足,提高了杂波环境中机动目标的跟踪性能。     

当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。     

基于最大熵模糊聚类的快速数据关联算法

提出了一种新颖的快速数据关联算法,减少了滤波中关联概率的计算量．该算法利用多个并行改进的最大熵模糊聚类对各个目标的有效观测进行聚类,采用聚类得到的模糊隶属度来重建滤波中的联合关联概率,并在联合关联概率中引入了比例因子避免航迹的合并;此外,分析了算法中差异因子的特性,考虑了杂波密度对它的影响,使得能够有效剔除无效观测,进一步减少计算量．仿真实验结果表明,提出的方法是一种有效的快速数据关联算法,跟踪性能要优于现有的数据关联算法．     

一种高分辨距离像辅助的多目标跟踪算法

When the tracks of the multi-target get approached or crossed, it is easy to lead to combining or even to get wrong tracks for the traditional tracking methods, since the traditional methods only utilize the information on the target position to finish the data association. Aiming at this problem, a multi-target tracking algorithm aided by the high resolution range profile (HRRP) is proposed in this paper. Firstly, the target attitude angle is estimated in real time on the principle that the HRRP is sensitive to the attitude angle. And then the attitude angle is added to the target measurement state to construct a multi-dimension correlating gate. The data association is accomplished with the multi-dimension information. So the problem of multi-target data association is simplified to multiple sub-problems of data association for a single target. Finally, each target motion state is estimated by the probabilistic data association-unscented Kalman filter (PDA-UKF). Simulation results reveal that the computing complexity is reduced, and that the correct probability of data association is improved by using the target HRRP on the one hand. On the other hand, the tracking accuracy is improved with the aid of the target attitude angle.     

多普勒信息辅助的杂波环境下多目标跟踪算法

传统雷达目标跟踪方法仅利用目标的位置信息进行数据关联,在处理密集杂波环境下的多目标跟踪问题时,容易产生虚假航迹,甚至出现误跟、失跟的现象。该文针对此问题提出一种多普勒信息辅助的杂波环境下多目标跟踪算法。首先引入多普勒信息带来的观测方程非线性,以及速度观测与距离观测之间的相关性问题,基于IPDA-UKF算法框架,综合利用目标的位置和速度信息构建多维关联波门,利用多维信息进行有效量测的筛选,从而将一个多目标数据关联的问题转化为多个单目标数据关联的问题,然后采用IPDA-UKF分别估计各个目标的存在概率和运动状态。仿真结果表明:相比其他算法,该算法充分利用距离和速度之间的相关性,不仅降低了杂波环境下多目标数据关联的复杂度,提高了数据关联的效率,而且目标跟踪精度也得到了明显提升。     

GLMB extended target tracking based on one-step data association

Due to the inseparability of measurements in neighborhood scenarios, the tracking performance of the traditional extended target tracking algorithm would degrade. In this paper, a new extended target tracking algorithm based on one step data association is proposed to solve the problem. First, the algorithm models the target with a multiplicative noise model. And then, the one step data association method in the Joint Probabilistic Data Association (JPDA) theory is combined with a Generalized Labeled Multi-Bernoulli (GLMB) filter. Simulation results show that the algorithm can track the target in cross and neighborhood scenarios effectively and that it is superior to the traditional extended target tracking algorithms based on measurement partition in estimation accuracy.     

一种利用径向速度信息的改进JPDA算法

为解决边扫描边跟踪多频连续波雷达数据互联问题,提出了一种基于目标径向速度信息的联合概率数据互联（JPDA）算法。该算法通过引入目标径向速度信息,进一步限制进入跟踪门相交区域中的虚假量测数量,并对公共测量值权重系数进行调整,进而改善跟踪精度,缩短计算时间,提高跟踪成功概率。仿真结果表明,径向速度信息的运用使得改进的JPDA算法的跟踪性能得到了显著提高。     

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．     

数据关联算法的研究

在现代目标跟踪系统中,数据关联是一个重要组成部分.由于测量来源的不确定性,密集环境中的目标跟踪比较困难.概率数据关联算法和联合概率数据关联算法能很好地处理目标跟踪并在很多领域得到了广泛的应用.但是一旦出现某种干扰或是故障,通过概率数据关联算法得到的滤波值也会偏离真实值很多,造成滤波发散,严重影响性能.针对这一不足,基于概率数据关联算法中的组合新息,提出了修正概率数据关联算法.最后用一些实例来评价该跟踪算法的跟踪性能,仿真结果表明了修正概率数据关联算法和修正联合概率数据关联算法的有效性.