一种模糊算法及其在多假设多目标跟踪中的应用

研究了基于模糊交互式多模型算法解决多假设多目标跟踪中的新目标数据相关问题。使用模糊交互式多模型算法处理新目标的数据相关问题,能够提高跟踪精度、时间效率。用隶属度表示每个模型与所跟踪新目标的隶属关系,根据隶属度选择最佳的模型对新目标进行跟踪。仿真结果表明,该方法不仅能够处理新目标的数据相关,同时又能够提高算法的时间效率。     

基于结构多假设目标跟踪算法优化与仿真

研究雷达跟踪目标性能优化问题,传统多假设算法计算量大、实时性较差,无法应用于实际雷达装备。为解决上述问题,提出一种结构化分枝的多假设目标跟踪算法,同时提出限制最大航迹数量、删除负分航迹、低等级航迹处理、滑动窗口多维分配法、多扫分配法及交互多模型多假设跟踪算法等一系列改进方法,并通过计算机仿真证明改进后的结构化分枝的多假设目标跟踪算法比传统多假设算法及联合概率数据互联算法计算量更小,精度更高,并对改善当前舰载雷达跟踪性能,提高对目标的跟踪能力具有一定的指导意义。     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

一种面向互联概率加权的JPDA多传感器数据融合方法

针对单传感器联合概率数据互联(Joint Probabilistic Data Association, JPDA)在复杂环境下难以跟踪多个目标的问题,提出一种基于JPDA量测目标互联概率统计加权并行式和序贯式多传感器数据融合方法。首先,给出单传感器JPDA算法。然后,介绍多传感器JPDA数学模型,基于这一模型,使用互联概率加权,推导并行式和序贯式多传感器数据融合公式,这对多传感器数据融合有一定指导意义。最后,对单传感器JPDA方法在不同杂波密度、不同过程和不同观测噪声下目标跟踪的距离RMSE进行仿真,结果表明,随着这3项指标皆增大,目标距离RMSE增大;同时,对本文的2类多传感器JPDA方法与其他几类跟踪方法在数据集PETS2009下有关行人跟踪性能进行仿真,结果表明,本文并行式和序贯式多传感器JPDA方法相较于其他方法在跟踪准确性、跟踪位置准确性、航迹维持以及航迹遗失上皆为最优,而且序贯式融合略优于并行式多传感器JPDA。     

近邻传播观测聚类的多扩展目标跟踪算法

由于传感器分辨率高或目标存在多个反射源等原因,一个目标可以同时产生多个观测数据,对于解决这种扩展目标的跟踪问题,概率假设密度(PHD)滤波算法是一种有效的方法.针对扩展目标概率假设密度滤波算法中观测集合划分,提出一种利用近邻传播聚类方法进行观测集合划分的多扩展目标跟踪算法.实验结果表明,所提出的方法不但能够获得正确的划分观测集合,而且计算复杂度较已有划分方法有较大降低,同时在多目标跟踪效果方面优于已有算法.     

基于时空关联—网格聚类的多扩展目标跟踪算法

针对多扩展目标的跟踪问题,提出了基于时空关联—网格聚类的多扩展目标跟踪算法。根据时空相关性,将当前量测分为存活目标量测和新生目标量测。对存活目标,利用模糊C均值(FCM)算法进行量测划分,由高斯混合—概率假设密度(GM-PHD)滤波器得到存活目标轨迹。对新生目标,用网格聚类完成量测集划分,由扩展目标—高斯混合—概率假设密度(ET-GM-PHD)滤波器得到新生目标的轨迹。仿真结果表明:所提算法能够对多扩展目标进行准确跟踪,特别是在目标交叉时刻,估计目标数目更准确,算法实时性更好。     

M-最优假设组合航迹关联算法

本文在深入研究基于M-最优假设航迹关联方法和假设管理技术的基础上,提出了构建组合关联体的假设管理技术。利用该技术,提出了基于M-最优假设组合航迹关联算法。该方法在有效低可行假设数目的情况下,能够得到较为精确的关联航迹并且缩短了算法运行时间,适合用于密集杂波环境下的多目标航迹关联。仿真结果表明了算法的有效性。     

基于MMPHDF的多机动目标联合检测、跟踪与分类算法

针对场景中存在新目标出现、旧目标消失(即目标数目变化)和密集杂波的复杂情形,利用多模型概率假设密度滤波器(MMPHDF)在多机动目标联合检测与跟踪上的优势,加入类别辅助信息,提出了一种多机动目标联合检测、跟踪与分类算法.该算法的基本思想是在MMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,从而改善了目标数目及状态的估计精度;在更新目标状态后,对目标属性信息进行更新,更为精确的目标数目及状态估计又保证了目标分类性能.本文给出了该算法的粒子实现方法.仿真结果验证了上述结论.     

高斯混合交互式多模型容积信息滤波算法

针对机动目标跟踪中由于目标机动使系统的非线性强度增大,导致系统的线性误差增大和跟踪精度明显下降、甚至发散的问题,提出了基于高斯混合的交互式多模型容积信息滤波（ GMIMM-CIF）算法,实现对机动目标的精确跟踪。新算法在每次输入交互之后,保留概率较大的几个假设,并利用一个高斯混合项替换最优多模型算法中剩余的假设,从而使算法中假设的数量保持恒定;用容积信息滤波器（ CIF）代替传统的非线性滤波器,通过估计信息状态向量和信息矩阵而不是估计状态向量和协方差,可以减小系统的非线性误差。通过仿真对比实验,验证了该算法可以提高机动目标的跟踪精度。     

基于改进K-means++聚类的多扩展目标跟踪算法

针对多扩展目标跟踪过程中量测集划分准确度低和计算量大的问题,提出一种基于改进K-means++聚类划分的高斯混合假设密度强度多扩展目标跟踪算法。首先,根据下一时刻目标可能变化的情况缩小K值的遍历范围;其次,利用目标预测状态选择初始聚类中心点,为正确划分量测集提供依据,从而提高聚类算法的精度;最后,将所提改进K-means++聚类划分方法应用到高斯混合概率假设滤波器中,联合估计多目标的个数和状态。仿真实验结果表明：与基于距离划分和基于K-means++的多扩展目标跟踪算法相比,该算法在平均跟踪时间上分别减小了59.16%和53.25%,同时其最优子模式指派度量（OSPA）远小于以上两种算法。综上,该算法能在大幅度降低计算复杂度的同时取得比现有量测集划分方法更为优异的跟踪性能。     

多目标跟踪算法的研究与应用

将多目标跟踪算法用于水中絮体颗粒的跟踪,提出了一种代价函数结合改进MHT的算法,对出现异常的絮体颗粒用改进MHT算法跟踪,并通过分析絮体颗粒运动特性修正了改进MHT算法,有效解决了跟踪过程中出现的轨迹交叉、轨迹合并等情况,这样在保证跟踪精度的基础上又提高了跟踪速度;同时,采用跟踪絮体颗粒得到颗粒的沉淀速度信息来评价水处理混凝的效果,自动控制混凝剂的加注,从而达到自来水水质检测和净化的目的。     

Factor graph aided multiple hypothesis tracking

Since closely moving targets exist extensively in the ground moving target tracking, the uncertainty of data association greatly increases making the measurement-to-track association more difficult. Especially, traditional multiple hypothesis tracking （MHT） has high false tracking rate and track swap. This paper first investigates the measurement based factor graph in data association, and gives the corresponding message passing algorithm. Then, a factor graph aided multiple hypothesis tracking （FGA-MHT） method is proposed, which introduces factor graph based m-best hypothesis producing technique and exploits factor graph based probability refinement algorithm to reduce the uncertainty of measurement-to-track association. Experiment results demonstrate that FGA-MHT reduces times of track swap and increases the correct data association rate in closely moving target tracking.     

改进的Viterbi多目标跟踪算法

使用改进的Viterbi算法用于多目标跟踪,引入测量“门限”,使所跟踪的目标仅与“门限”内的测量值关联。该方法能够减少假设的个数、降低算法的计算负担,有利于对MHT算法进行剪枝和合并。用Kalman 滤波和先验概率计算各目标的最大后验概率。该算法是连续的,能够处理丢失的探测、虚警以及跟踪目标的数量,提供一系列最好的跟踪目标集。     

A 2D/3D model-based object tracking framework

This paper presents a robust framework for tracking complex objects in video sequences. Multiple hypothesis tracking (MHT) algorithm reported in (IEEE Trans. Pattern Anal. Mach. Intell. 18(2) (1996)) is modified to accommodate a high level representations (2D edge map, 3D models) of objects for tracking. The framework exploits the advantages of MHT algorithm which is capable of resolving data association/uncertainty and integrates it with object matching techniques to provide a robust behavior while tracking complex objects. To track objects in 2D, a 4D feature is used to represent edge/line segments and are tracked using MHT. In many practical applications 3D models provide more information about the object's pose (i.e., rotation information in the transformation space) which cannot be recovered using 2D edge information. Hence, a 3D model-based object tracking algorithm is also presented. A probabilistic Hausdorff image matching algorithm is incorporated into the framework in order to determine the geometric transformation that best maps the model features onto their corresponding ones in the image plane. 3D model of the object is used to constrain the tracker to operate in a consistent manner. Experimental results on real and synthetic image sequences are presented to demonstrate the efficacy of the proposed framework.     

适于高频地波雷达工程应用的数据关联方法

针对宽波束高频地波雷达监测海面低速移动目标的工程应用要求,采用一种新的跟踪门预处理的联合概率数据关联方法对目标进行跟踪.基于数据关联性能评价函数和运动定理相结合的跟踪门规则能够减少跟踪门内非本目标的回波;在此基础上采用简化的联合概率数据关联算法对波门内的回波进行关联滤波,从而降低错误关联的概率并减小关联计算负荷;雷达实测数据分析表明,该方法计算量小,能够稳定、有效的实现高频地波雷达系统中的目标跟踪,适于工程应用.     

A novel multiple maneuvering targets tracking algorithm with data association and track management

A novel multiple maneuvering targets tracking algorithm with data association and track management is presented in this paper. First, the variation of the generalized pseudo-Bayesian estimator of first order is designed. Then, the data association and track management via handling two matrices are given, which reflect the relationships between target trajectory and the output of the Gaussian mixture probability hypothesis density (PHD) filter for jump Markov system models (JMS-GM-PHD) filter. The tracking performance of the proposed algorithm is compared with two conventional algorithms. One is JMS-GM-PHD filter, the other is algorithm entitled hybrid algorithms for multi-target tracking using MHT and GM-CPHD which is denoted as hybrid method hereinafter. The results of Monte Carlo simulation show that the proposed filter has overall performance than the conventional.     

弹道导弹防御中的群目标跟踪算法

针对传统群目标质心跟踪算法不能提供群内单个目标的精确航迹信息的缺点,提出了一种基于多假设思想的群目标跟踪算法。该算法除维持群以外,利用多假设处理复杂数据关联问题的能力,将对群中的单个目标形成航迹,并对箔条干扰、有源干扰等极端情况进行了处理,保证跟踪的稳定性。通过实验对该算法进行了验证,结果表明该算法能对群内相互靠近的目标进行精确跟踪,在密度为1×10－6个/m2的杂波环境下也能保持跟踪稳定性。     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

基于面阵的多目标角度跟踪算法

为了实现移动目标的自动角度跟踪,提出了一种基于面阵的多目标角度跟踪算法.通过估计相邻时间段的协方差矩阵,求解方程组得到目标角度更新信息;同时引入了校正过程,降低了累积误差,提高了跟踪精度.该算法不需要更新信号子空间,相邻时段估计的角度是自动关联的,省去了数据关联过程,降低了运算量;不同于一维角度跟踪算法,该算法可以同时跟踪移动目标的方位角和俯仰角.仿真结果表明了该算法的有效性.