基于改进的PHD粒子滤波的多目标跟踪技术

有限集统计学（FISST）理论将任意时刻目标状态的集合视为多目标集值状态,而相应的传感器观测值集合被视为多目标集值观测。通过随机有限集建模并利用集合的微积分运算可推导出最优多目标贝叶斯滤波器。然而由于涉及集合微积分运算,最优多目标贝叶斯滤波器的运算量极大。概率假设密度（PHD）滤波器是最优多目标贝叶斯滤波器的一阶矩近似,可以实现在关联不确定、目标数目未知或变化情况下的多目标状态估计。相比于最优多目标跟踪技术,基于PHD滤波器的多目标跟踪技术的运算复杂度得到了有效的降低,更易于工程应用。但在密集杂波背景下PHD滤波器的粒子实现方法仍然存在运算复杂度过高的问题。本文针对密集杂波的情形,提出一种有效的杂波滤除方法,在不影响滤波性能的情况下,降低了运算复杂度,提高了滤波效率。      

多目标滤波中的多传感器概率假设密度算法

多传感器情况下的多目标概率假设密度(PHD)滤波是建立在假设模型上实现的。该文用随机有限集(RFS)方法描述多目标状态空间和传感器量测空间,分析了多传感器通用假设模型下的探测概率、似然函数和杂波分布,在此基础上利用概率产生泛函(PGFL)推导出了多传感器PHD滤波递归式,进而提出粒子标记法多传感器贯序蒙特卡洛PHD(SMC-PHD)滤波等价实现算法,降低了多传感器PHD滤波的计算复杂度。最后给出了算法的具体实现,得到了良好的多目标数目和可跟踪多目标状态的估计。     

区间量测下自适应交互多模型箱粒子滤波机动目标跟踪

针对现有交互多模型箱粒子滤波(Interacting Multiple Model Box Particle Filter,IMMBPF)算法在区间量测目标跟踪过程中模型切换和跟踪精度方面的不足,结合自适应交互多模型算法,提出了一种自适应交互多模型箱粒子滤波(Adaptive IMMBPF,AIMMBPF)算法。该算法利用模型似然后验信息构建修正因子,并结合阈值对马尔可夫转移概率矩阵进行自适应修正,使得匹配模型的概率快速增大,并且可以减小非匹配模型的影响,即使在目标运动模型先验信息不足或者不准确情况下,也能对模型转移概率进行自适应更新。对于量测常受到未知分布和偏差的区间误差所影响而呈现区间形式的问题,将箱粒子代替普通粒子,拟合后验概率密度从而进行滤波。仿真结果表明,相比于原有算法,该算法在区间量测机动目标跟踪的应用中,拥有更优的模型匹配度和目标跟踪精度。     

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。     

PHD多目标跟踪算法及参数影响分析

多目标跟踪的关键就是对目标数和目标状态的准确估计.将目标集合看成一个随机集,并且目标数也是变化的.采用一阶统计矩近似表示状态空间的概率密度,通过蒙特卡罗模拟近似表示一阶统计矩,从而实现多目标跟踪.实验表明,在杂波环境下,PHD算法可以实现多目标跟踪,并且各参数对跟踪精度有一定的影响.     

PHD粒子滤波中目标状态提取方法研究

采用概率假设密度(PHD)粒子滤波进行多目标跟踪时,各时刻的目标状态表现为大量的加权粒子,需以一定方法从该粒子近似中提取出来。该文提出一种增强的目标状态提取方法,先以k-means算法对粒子进行空间分布的聚类,再于各类中寻找粒子权的峰值位置作为目标状态的估计。仿真结果表明:由于综合利用了粒子的权值和空间分布信息,该算法具有比现有算法更小的目标状态估计误差。     

基于高斯粒子JPDA滤波的多目标跟踪算法

在多目标跟踪中,由于观测的不确定性带来数据关联问题,并且,多目标状态空间尺寸的增长带来了维数增大问题,该文提出了一种新的高斯粒子联合概率数据关联滤波算法(GP-JPDAF),在JPDA框架中引入高斯粒子滤波(GPF)的思想,通过高斯粒子而不是高斯量,来近似目标与观测的边缘关联概率,利用GPF计算目标状态的预测及更新分布。将其应用于被动多传感器多目标跟踪,仿真结果表明该算法比MC-JPDAF具有更好的跟踪性能。     

嵌入式容积粒子PHD多目标跟踪算法

针对基于概率假设密度算法（Probability Hypothesis Density,PHD）的非线性多目标跟踪估计精度不高、滤波发散、实时性差等问题,提出一种嵌入式容积粒子PHD算法（Imbedded Cubature Particle PHD,ICP PHD）。新的算法在采样阶段引入Halton点集,并基于三阶嵌入式容积准则产生有限的积分点,对每个采样粒子进行滤波,来拟合重要密度函数。由于Halton点集得到的粒子分布更加均匀,故而ICP PHD算法能够避免 “粒子聚集”的现象。另外,由于三阶嵌入式容积准则的积分点少、精度高,因此ICP PHD算法能更好的协调时间与精度之间的矛盾。仿真结果表明ICP PHD能对多目标进行有效跟踪,相比高斯厄米特粒子PHD算法（Gauss Hermite Particle PHD,GHP PHD）具有实时性强的优势,在目标数目和状态估计上比容积粒子PHD算法（Cubature Particle PHD,CP PHD）精度更高。      

弱目标箱粒子标签多伯努利多目标检测与跟踪算法

针对红外弱目标追踪问题,提出箱粒子标签多伯努利多目标检测与追踪(Box particle Labeled Multi-Bernoulli Detection and Tracking, BOX-LMB-DT)算法,该算法首先通过使用均值滤波对获得的灰度图像进行降噪处理;其次,通过将所有像素处依强度大小进行排序,选出强度较大的区域作为当前时刻的区间量测;最后利用箱粒子标签多伯努利滤波(Box-Labeled Multi-Bernoulli Filter, Box-LMB)器对目标进行跟踪。仿真结果表明,本文所提箱粒子标签多伯努利多目标检测与追踪算法能够对多目标的航迹和状态进行稳定有效的跟踪,且在相同条件下,相较于区间量测下的LMB粒子滤波,达到相同的追踪性能时BOX-LMB滤波运算效率提升了22.59%。     

多传感器顺序粒子滤波算法

粒子滤波是一种基于Monte Carlo仿真的最优回归贝叶斯滤波算法.这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型,因此能够很好地解决非线性、非高斯环境下系统的状态估计问题.为了能够有效地解决非线性、非高斯环境中的集中式多传感器状态估计问题,本文研究了多传感器顺序粒子滤波算法.首先,从理论上推导了一般的集中式多传感器粒子滤波模型;然后根据集中式多传感器系统的特点,提出了顺序重抽样方法.最后,给出了算法的仿真分析.仿真结果说明顺序粒子滤波方法能够明显提高多传感器系统状态估计精度,并且随着传感器数增多,改善的效果越好.     

双传感器概率假设密度滤波解析实现方法

针对双传感器概率假设密度(PHD)理论的解析实现进行研究。Mahler给出的双传感器PHD理论,由于其中含有抽象的多目标积分,并且其中的二元分割过程计算量十分巨大,所以无法计算机实现。文中在线性高斯混合的假设条件下给出了严格双传感器PHD滤波的递推解析公式,并且通过提出“有效二元分割”算法极大降低了严格理论意义下的双传感器PHD算法的计算复杂度,从而解决了双传感器PHD滤波的计算实现问题。计算机模拟仿真验证了所提出算法的有效性。     

一种基于随机集的PHD多目标多传感器关联算法

针对复杂电磁环境下的多目标关联计算量大、准确率低的问题,提出了一种基于随机集概率假设密度(PHD)的多目标多传感器关联算法。该方法首先采用高斯混合PHD(GMPHD)对多传感器的量测信息进行滤波,再对滤波结果做最近邻数据关联处理,从而得到多目标航迹。杂波环境下的仿真实验表明,该方法在保证滤波精度的同时,能够有效降低运算量,提高数据关联的准确度。     

基于随机集的RBPF多目标关联跟踪算法

针对大量杂波环境下数量变化的纯角度多目标航迹关联跟踪问题,提出一种新的基于Rao-Blackwellized粒子采样(RBPF)航迹关联的高斯混合概率假设密度(GMPHD)滤波算法.算法首先利用GMPHD在每时刻对多个目标组成的随机集合进行估计;然后利用基于随机有限集的RBPF对GMPHD所得到的目标集合进行检测和关联...     

一种基于模糊聚类的PHD航迹维持算法

针对杂波环境下数量变化的多目标航迹关联问题,提出一种基于模糊聚类的PHD航迹维持算法.该算法充分利用多帧信息,对当前时刻状态进行多步预测,并根据惯性进行加权,然后利用模糊聚类求得当前估计属于每条航迹的隶属度,从而得到最终的航迹.与传统的估计与航迹关联算法不同,该算法在更新每条航迹信息时,不仅仅是简单地对相邻帧之间的对数似然比进行求和,而是通过加权聚类等操作综合考虑了多帧信息.实验结果表明,所提算法能够更好地保持目标航迹,即使在目标出现交叉的地方也能达到很好的跟踪精度,具有较强的鲁棒性和优良的航迹维持性能.     

三维空间纯方位多目标跟踪PHD算法

针对基于概率假设密度算法（Probability Hypothesis Density,PHD）的高维纯方位多目标跟踪,提出了新型的PHD算法-新型采样准则的基于无迹变换的粒子PHD算法（Unscented Particle PHD based on New Sampling Rule,NSRUP-PHD）.新算法对每个目标设计了基于无迹变换（Unscented Transform,UT）的粒子滤波器,不仅解决了非线性滤波估计的问题,而且还通过高斯混合的方式实现了非高斯噪声估计.此外粒子滤波器提出了一种新型的采样手段,通过基于三阶容积准则（Cubature Rule,CR）的粒子方位选择和概率累加的距离延伸,使得采样粒子遍布整个空间的同时保障了粒子概率分布的问题,提高了粒子使用的效率.仿真结果表明NSRUP-PHD能够实现多目标有效跟踪,相比于传统的算法和伪随机采样,新型滤波器和采样手段可改善跟踪效果.     

两站无源定位系统中的多目标跟踪算法研究

两站多目标纯方位跟踪中的虚假定位点识别问题是被动定位中尚待解决的一个重要问题,本文对此问题进行了研究,并给出了一种排除两站虚假定位点的新方法.该方法首先根据两个观测站在初始时刻所测得的角度进行交叉定位,由定位结果估计目标初始时刻所在的空间范围,并对此空间范围进行分区;然后对方位数据进行关联,以判断哪些方位角数据可能来自同一个目标;在每一个子区间上分别利用扩展卡尔曼滤波模型(EKF)进行滤波,并给出目标落在每个子区间上的概率,把此概率值作为权重对各个子区间的滤波结果进行加权来估计目标的状态;该概率值在以后的跟踪过程中按照贝叶斯准则不断进行更新,而更新概率低于检测门限的子区间予以取消.通过仿真分析可看出,利用本文提出的方法两个观测站可对多目标进行良好的定位和跟踪.     

多传感器多目标跟踪中的概率数据互联

通过在两维雷达和红外搜索跟踪两种不同传感器观测空间上建立多目标运动状态的投影，单传感器的ＪＰＤＡ算法被推广到此种多传感器数据融合系统之中，实现了其中的多目标数据互联和多传感器数据融合，从而提高了跟踪性能。     

粒子优化组合的粒子滤波跟踪算法研究

为了改善运动目标跟踪问题中粒子滤波算法(PF)的估计精度,针对粒子滤波出现样本退化以及样本贫乏问题,提出了一种基于粒子优化组合的粒子滤波算法(POCPF)。该算法用一能使粒子朝后验概率分布值较大的区域运动的似然函数来改善粒子的位置,然后重估粒子的权值对粒子进行优化组合,满足粒子的多样性要求,从而克服了粒子的贫乏问题,在一定程度上减少系统状态为达到精确度所需的粒子数目,缩短运行时间。通过仿真实验证明了POCPF算法的有效性,当粒子数相同时,POCPF算法性能优于PF算法。