多传感器多目标跟踪的JPDA算法

传统的联合概率数据关联算法(JPDA)是在密集杂波环境下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用,不能直接用于多传感器对多目标的跟踪。针对这一问题,文中提出了一种适用于多传感器多目标跟踪的JPDA算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优分划,然后采用JPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加的计算量小等优点。     

密集杂波环境下的快速数据关联算法

联合概率数据关联(JointProbabilisticDataAssociation,JPDA)是密集杂波环境下跟踪多目标最有效的算法之一。但当目标数目和有效量测数增大时,关联概率的计算出现组合爆炸现象一直是工程应用的瓶颈。基于JPDA算法的思想,提出了一种快速数据关联算法,该方法首先根据被跟踪目标相关门的相交情况将监视区域分成相互独立的空间,对同一空间内具有公共量测的目标和各目标相关门内的多个量测的概率密度值分别进行概率加权后再计算关联概率。不需要象最优JPDA算法中产生所有可能的联合事件,因此具有计算量小,易于工程实现的优点。仿真结果表明,在不同的杂波密度环境下和不同的目标运动形式下,此算法都可以取得令人满意的跟踪效果。     

基于速度方位约束的多传感器模糊数据互联

针对杂波环境下多传感器跟踪多目标的问题,提出了一种基于速度方位约束的多传感器模糊数据互联算法(multi-sensor fuzzy data association method based on velocity and azimuth, VA-MSFDA)。该算法首先利用方位速度信息对确认区域内的有效量测作进一步筛选,剔除部分虚假量测,然后基于模糊聚类方法计算候选量测与观测区域内各目标互联的概率,应用顺序结构多传感器联合概率数据互联(multi-sensor joint probabilistic data association algorithm,MSJPDA)原理,依次处理各传感器中的目标测量数据,实现对多目标的跟踪。仿真结果表明,与顺序MSJPDA相比,VA-MSFDA在算法耗时、估计精度、收敛速度和量测正确关联率等方面优势明显,能够更好地解决杂波环境下的多目标跟踪问题。     

基于概率数据关联与粒子滤波的多目标跟踪算法

提出一种基于概率数据关联和改进粒子滤波的多目标跟踪算法。该方法在分析关联区域内有效量测基础上,利用量测与目标预测位置的统计距离计算关联概率;然后,对粒子滤波器进行改进,将目标的最新量测和状态的高斯逼近组合在一起,对每个粒子采用类似于卡尔曼滤波的方式产生高斯建议分布。以比提高目标状态的估计精度;最后,将所有有效量测的估计结果按照关联概率进行咖权,从而实现多目标跟踪。仿真结果表明,该算法用于复杂环境下的多目标跟踪精度较高,不仅降低了关联概率的计算难度,而且可以准确地进行数据关联,具有一定的工程应用价值。     

基于FCM的多传感器融合多目标跟踪的数据关联

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提。本文采用改进的模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪。仿真实验结果说明了本文方法的有效性。     

基于群目标的多目标关联算法研究

针对群目标跟踪数据关联的特点以及多目标跟踪数据关联经典的联合概率数据关联算法存在的计算量大与假设条件苛刻等问题,提出了基于群目标的多目标概率数据关联算法GJPDA（Group-target joint probability data association）。该算法首先把跟踪空间内的所有回波看作一个群,跟踪空间中任一关联门内的所有回波看作一个子群,通过关联门是否交叉、多少回波位于关联门交叉区内的判别及其相对于不同关联中心概率的计算,确定交叉区域内回波的归属。以每一个关联门内所有回波的等效回波为量测实现多群目标跟踪。仿真结果表明了该算法的有效性。     

杂波环境下基于最大熵模糊聚类的JPDA算法

针对杂波环境下的多目标跟踪数据关联存在跟踪精度低、实时性差的问题,提出了一种基于最大熵模糊聚类的联合概率数据关联算法(joint probabilistic data association algorithm based on maximum entropy fuzzy clustering, MEFC-JPDA)。首先,采用最大熵模糊聚类求得的隶属度初步表征目标与有效量测之间的关联概率。其次,采用基于目标距离的量测修正因子对关联概率进行调整,并建立关联概率矩阵。最后,结合卡尔曼滤波算法,对目标的状态进行加权更新。仿真结果表明,所提算法在杂波环境下的跟踪性能相比现有的两种关联算法有较大提升,是一种有效的多目标跟踪数据关联算法。     

一种基于粒子滤波的被动多传感器多目标跟踪算法

针对被动观测系统中非线性运动多目标跟踪问题,提出了一种基于交叉定位的模糊-概率双加权粒子滤波跟踪算法.算法利用多个被动传感器的角度观测信息进行交叉定位,得到目标的位置观测信息,通过模糊-概率双加权完成目标与定位点的关联匹配,最后利用粒子滤波对非线性运动的目标进行跟踪;其中关联算法和滤波算法的有效结合是该算法的创新点.仿真结果表明,所提出的算法可以准确地排除虚假定位点,可有效跟踪多个非线性运动目标.     

多目标跟踪中的数据关联算法

在目标的正确回落入其跟踪门内的概率PtG <1的情况下 ,推导了联合概率数据关联算法中联合事件发生概率的计算公式。提出了一种能容易地产生多目标和多回波的联合事件的方法———假设树方法。并且提出了一种新的多目标跟踪中数据关联的快速算法。此算法用于解决杂波环境中多目标跟踪的数据关联问题 ,取得了较好的结果。     

基于证据理论的联合概率数据关联算法

数据关联是目标跟踪技术中的核心部分,多目标情况下的数据关联技术更是研究的重点,由于多目标量测之间的互相干扰、外部环境干扰以及传感器性能等客观因素的约束,使得量测信息部分存在着相应的量测误差,密集环境中的多目标跟踪比较困难。针对这个问题,提出的新算法利用联合概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。     

Multi-target tracking algorithm of boost-phase ballistic missile defense

Considering the problem of multiple ballistic missiles tracking of boost-phase ballistic missile defense,a boost-phase tracking algorithm based on multiple hypotheses tracking(MHT) concept is proposed.This paper focuses on the tracking algorithm for hypothesis generation,hypothesis probability calculation, hypotheses reduction and pruning and other sectors.From an engineering point of view,a technique called the linear assignment problem(LAP) used in the implementation of M-best feasible hypotheses generation,the number of the hypotheses is relatively small compared with the total number that may exist in each scan, also the iV-scan back pruning is used,the algorithm’s efficiency and practicality have been improved.Monte Carlo simulation results show that the proposed algorithm can track the boost phase of multiple ballistic missiles and it has a good tracking performance compared with joint probability data association(JPDA).     

联合概率数据关联中双门限跟踪算法研究

基于拟方向的基本思想 ,提出了一种方向跟踪门 ,并给出了此方向跟踪门的具体构造方法。将椭圆跟踪门和方向跟踪门相结合 ,获得了基于双门限的跟踪算法 ,以此来减少可行联合事件的个数 ,达到降低联合概率数据关联计算量的目的。对此跟踪方法进行了仿真研究 ,给出了仿真结果 ,并对如何减少可行联合事件的个数进行了实例验算。     

基于m-best数据关联和小轨迹关联多目标跟踪算法

视频多目标跟踪中目标较多时,联合概率数据关联算法计算量大,实时性差。由于遮挡等问题,联合概率数据关联算法得到的往往是目标的轨迹片段。针对上述问题,首先利用线性规划自适应迭代求解m个最优联合事件简化联合概率数据关联算法,然后提出基于Kalman滤波及外推法的双向运动预测计算轨迹间的距离矩阵,用近邻传播聚类对目标的轨迹片段进行关联。实验结果表明,本文提出的方法在目标多且容易发生遮挡的情况下仍能够实时有效的跟踪,提高了跟踪准确度,具有一定的抗干扰能力。     

快速JPDA算法的递归和并行实现

联合概率数据关联算法（ＪｏｉｎｔＰｒｏｂａｂｉｌｉｓｔｉｃＤａｔａＡｓｏｃｉａｔｉｏｎ，ＪＰＤＡ）是密集杂波环境下一种良好的多目标数据关联跟踪算法。但是，当目标的数目增大时，关联概率计算时的计算量爆炸效应一直是一个难题。为降低计算量，有不少文献讨论了次优ＪＰＤＡ算法，但都是以降低关联跟踪性能为代价的。本文将从联合关联事件的构造出发，讨论关联假设事件的分层构造以达到降低计算量的目的。这里的层次可从０取值到某一Ｌ值，０层表示没有任何目标能够跟当前的观测数据关联。Ｌ层表示共有Ｌ个目标可以跟当前扫描得到的观测数据相关联。本文在关联事件的构造中，各层次的搜索具有递归性并可以独立进行，因而可以并行实现。文中还将本文的方法跟有关文献作了比较，并且给出相应的计算机仿真实验及其结果     

基于幅值信息的联合概率数据关联粒子滤波算法

针对非线性非高斯环境下多目标被动跟踪的低可观测问题,将粒子滤波、联合概率数据关联和量测的幅值信息相结合,提出了一种基于幅值信息的联合概率数据关联粒子滤波算法。将联合概率数据关联算法中的关联似然与幅值似然比相结合,利用粒子滤波算法进行跟踪滤波,用幅值量测来改善低可观测条件下的目标跟踪性能。仿真结果表明,该算法提高了数据关联的可靠性和目标跟踪的精度。     

速度信息辅助雷达目标数据关联方法研究

多目标数据关联时,联合概率数据互联(JPDA)算法是最常用的方法之一,与最优的贝耶斯算法需要对当前时刻以前的所有确认量测集合进行研究相比,其只对最新的确认量测集合进行研究,因此是次优的贝叶斯算法。为进一步提高JPDA算法的性能,基于最优贝叶斯算法的理论,将包含目标历史信息的速度信息引入JP-DA算法过程中,增加了近距离平行运动目标的正确关联次数,并提高交叉运动目标关联精度。     

Modified joint probabilistic data association with classification-aided for multitarget tracking

Joint probabilistic data association is an effective method for tracking multiple targets in clutter, but only the target kinematic information is used in measure-to-track association. If the kinematic likelihoods are similar for different closely spaced targets, there is ambiguity in using the kinematic information alone; the correct association probability will decrease in conventional joint probabilistic data association algorithm and track coalescence will occur easily. A modified algorithm of joint probabilistic data association with classification-aided is presented, which avoids track coalescence when tracking multiple neighboring targets. Firstly, an identification matrix is defined, which is used to simplify validation matrix to decrease computational complexity. Then, target class information is integrated into the data association process. Performance comparisons with and without the use of class information in JPDA are presented on multiple closely spaced maneuvering targets tracking problem. Simulation results quantify the benefits of classification-aided JPDA for improved multiple targets tracking, especially in the presence of association uncertainty in the kinematic measurement and target maneuvering. Simulation results indicate that the algorithm is valid.     

集中式多传感器无极联合概率数据互联算法

针对杂波环境下非线性系统中的多传感器多目标跟踪问题,提出了一种集中式多传感器无极联合概率数据互联算法。该算法中,首先采用无极卡尔曼滤波器实现非线性系统中状态分布的传递,在此基础上应用联合概率数据的思想将单个传感器的量测点迹与航迹互联,最后推广至顺序结构。由于无极卡尔曼滤波器可以获得比扩展卡尔曼滤波算法更高精度的近似,因此能减少非线性模型线性化引起的近似误差对联合概率数据互联概率及状态估计的影响,与基于扩展卡尔曼滤波器思想的顺序多传感器联合概率数据互联算法相比,该算法具有更高的跟踪精度和稳定性,最后通过仿真结果验证了该算法的优越性。     

元启发式数据关联的多目标跟踪方法

提出了一种元启发式数据关联的多目标跟踪方法。首先,该方法根据跟踪门逻辑确定目标的有效量测。然后,利用滤波信息的似然函数描述量测点与目标之间的关联关系,并建立约束条件下多目标数据关联模型。最后,对蚁群优化算法进行改进设计,引入量测剔除策略,将求解问题转化为无约束的组合优化形式,从而利用蚁群优化算法在离散空间的启发式机制搜索量测与目标的最佳关联。仿真结果表明,该方法可以有效实现多目标数据关联且计算量较小,具有一定的工程实用价值。