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。     

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。      

基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法

多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。     

基于多伯努利概率假设密度的扩展目标跟踪方法

高分辨率雷达系统中,扩展目标一般会产生多个量测。现有随机有限集(RFS) 类算法一般假定扩展目标的量测数目服从泊松分布,然而这个假设与实际情况不符。针对这一问题,该文提出一种多伯努利扩展目标概率假设密度(MB-ET-PHD)跟踪算法。该算法首先假设扩展目标的量测数目服从多伯努利分布,然后通过有限集统计(FISST)理论的多目标微积分推导得到校正等式,最后给出了高斯混合(GM)框架的仿真结果。仿真结果表明该算法能够获得比泊松ET-PHD算法更好的跟踪性能。     

基于随机有限集的中段弹道目标群星载红外像平面跟踪方法

弹道目标进入中段飞行时释放弹头及大量诱饵形成密集目标群,对星载红外像平面的目标跟踪提出新的挑战.针对像平面对目标群各目标分辨个数的时变性,及各目标像平面轨迹非线性程度强的特点,提出基于随机有限集的目标群像平面跟踪方法.随机有限集为最优贝叶斯多目标跟踪提供统一的理论基础,但直接递推多目标后验分布计算量大,概率假设密度为多目标后验概率分布的一阶矩,在随机有限集框架下递推概率假设密度为现实可行的次优多目标跟踪方法.采用序贯蒙特卡罗方法实现多目标概率假设密度递推跟踪滤波,计算所有粒子权值之和估计目标数目,以k-m eans方法对粒子集进行聚类提取各目标的状态;最后构建天基光学星座对中段弹道目标群的跟踪仿真场景,在不同交接跟踪任务、虚警率和目标个数条件下进行对比分析和仿真验证.结果表明,该方法能同时跟踪星载红外像平面上动态变化目标群各目标的状态和数目.     

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...     

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。     

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PHD的多目标检测前跟踪改进方法

基于概率假设密度粒子滤波的多目标检测前跟踪方法(PF-PHD-TBD)存在目标数目估计不准确、状态估计精度不高等问题。借鉴Rao-Blackwellised粒子滤波(RBPF)将目标的状态空间进行降维分解,分别采用线性与非线性滤波器进行跟踪的思想,在PF-PHD-TBD的预测与更新过程中采用RBPF方法,以最优卡尔曼滤波对目标速度分量进行处理,以粒子滤波对位置分量进行处理,显著降低了运算复杂度,相比仅使用粒子滤波时过分依赖目标位置信息的缺点,充分利用了位置与速度之间的关联特性,提高了目标数目估计的准确度和状态估计的精度。最后用仿真实验验证了所提方法的有效性。     

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.     

Gaussian mixture PHD filter for jump Markov models based on best-fitting Gaussian approximation

A new Gaussian mixture probability hypothesis density (PHD) filter is developed for tracking multiple maneuvering targets that follow jump Markov models. This approach is based on the best-fitting Gaussian approximation which has been shown to be an accurate predictor of the interacting multiple model (IMM) performance. Compared with the existing Gaussian mixture multiple model PHD filter without interacting, simulations show that the proposed filter achieves better results with much less computational expense.