多目标跟踪的高斯混合概率假设密度滤波算法

在多目标跟踪中,在观测数据存在关联的不确定、检测的不确定、噪声和虚警情形下,同时估计出随时间变化的目标数及目标状态,高斯混合概率假设密度(GMPHD)提供了一种有效的方法.PHD滤波不存在解析解,而GMPHD滤波提供了PHD递推的解析解.仿真结果表明,GMPHD滤波能稳健的跟踪目标数未知或时间变化时的目标状态和目标数.     

分类信息辅助的神经网络联合数据关联算法

为解决多目标跟踪中数据关联问题引入神经网络UKF算法和分类信息辅助方法.通过计算分类混淆矩阵确定分类信息似然函数,再用该函数调整只利用运动信息的似然函数,使分类信息有效辅助神经网络联合概率数据关联.在杂波环境中对多个近邻且不同种类目标跟踪,针对联合概率数据关联(JPDA)存在的计算组合爆炸问题,利用Hopfield网络解决TSP问题的思路得到神经网络联合概率数据关联(NJPDA)方法.基于以上关联方法得到的关联概率,仿真表明该算法提高了数据关联的有效性和快速性.     

基于数据压缩的多传感器PHD滤波算法

针对多传感器多目标跟踪,提出一种基于数据压缩的多传感器概率假设密度(PHD)滤波算法,解决串行多传感器PHD(SMSPHD)滤波计算量过大的问题。算法首先利用数据压缩将多传感器量测数据转换成等效的单传感器量测数据,然后在此基础上进行PHD滤波。仿真结果表明,该算法可以实现对多目标的有效跟踪;此外,随传感器数目的增加,该算法增加的计算量约为SMSPHD滤波算法增加的4.3%。     

扩展概率数据关联算法

在多目标跟踪过程中,为了提高目标跟踪准确率、减少目标丢失,基于目标数目定义了联合关联事件,研究了扩展概率数据关联算法（Extended PDA）。对概率数据关联算法容易产生误跟和失步以及联合概率数据关联可能发生组合爆炸等问题进行改进。实验结果表明,该算法能很好地降低跟踪时间和减少失步次数,提高跟踪准确率。     

一种改进的联合概率数据关联算法的研究

针对联合概率数据关联算法需要知道目标总数并要对矩阵差分,且计算量呈指数增长的问题,提出了一种模糊多门限概率关联算法,该算法利用测量与目标的关联概率来替代概率数据关联算法中可行联合事件概率的计算,改善性能的同时又减少了计算量。仿真结果表明该算法能有效的解决密集目标跟踪环境下的数据融合精度和收敛性问题,且计算量小。     

两点式数据关联算法在多目标跟踪中的应用

针对联合概率数据关联算法在计算量上的组合爆炸问题,引入了一种新的基于线性规划的两点式数据关联算法。在分析新算法基本原理的前提下,将其性能与传统的联合概率数据关联算法进行了比较,从理论上证明了该算法是一种全新的关联算法j并将两点式数据关联算法应用到多目标跟踪中,通过仿真验证了新算法在数据关联精度及运行时间方面优于传统算法。     

未知杂波状态下基于箱粒子滤波的PHD算法

针对未知杂波环境中,传统的多目标概率假设密度(PHD)滤波器跟踪精度无法保证,所需粒子支撑集过大导致效率低下的问题,引入了区间分析技术,提出了未知杂波状态下基于箱粒子滤波的PHD算法。该算法首先完成对雷达目标和杂波的混合空间随机有限集模型的构建,然后基于箱粒子滤波技术,利用量测数据建立未知杂波模型,推导出目标状态更新方程,并用多目标箱粒子PHD滤波递推地估计目标状态。仿真实验表明,当杂波环境与先验模型不匹配时,相较于多目标粒子滤波算法,该算法在保证目标跟踪性能的同时,有效减少了算法的计算时间。     

基于模糊信息融合的快速数据关联算法

为解决密集杂波下的目标跟踪难题,将目标的距离特征、方位特征进行模糊信息融合,并与概率数据关联算法相结合,得到一种优化的概率数据关联算法。该优化概率数据关联算法与密集杂波下较为有效的联合概率数据关联算法相比,不需产生所有可能的联合事件,因此计算量较小,易于工程实现。仿真结果表明,在不同的杂波环境下,该算法都可以取得令人满意的跟踪效果。     

MHT算法在航迹关联中的应用

为了将水下航行器探测目标过程中出现的混淆的目标点迹进行有效分离,将基于卡尔曼滤波的多假设跟踪算法应用于多目标的航迹关联.介绍了多假设算法的基本流程和原理:假设的产生、概率计算和假设剪除,并进行数值仿真.仿真结果表明:多目标跟踪算法能够有效解决"量测-目标"数据关联问题,并且能在较短时间内确认目标航迹.     

密集杂波下的模糊数据关联多目标跟踪算法

针对密集杂波环境下对多目标跟踪的精度低、实时性不强的问题,提出了密集杂波下模糊聚类数据关联多目标跟踪算法。该算法利用模糊聚类,得到不同观测量相对目标的隶属度作为模糊关联概率,通过分析公共观测对目标的影响,引入远近距下的公共观测影响因子重建模糊关联概率矩阵;然后结合模糊关联概率与卡尔曼滤波,对不同观测量得到的状态估计加权融合,从而对每个目标进行单独跟踪,实现目标的状态更新。仿真结果表明,杂波密集环境下该算法在能够保证多目标跟踪实时性的同时引入远近距下公共影响因子对不同观测量的状态估计进行加权,保证了目标跟踪的精确性。