高斯和粒子滤波器及其在被动跟踪中的应用

为提高被动跟踪性能,提出了一种高斯和粒子滤波方法。在建立目标被动跟踪模型的基础上,使用高斯和滤波(GSF)近似目标状态的后验密度,利用粒子滤波方法处理GSF中的均值和方差计算问题,推导了高斯和粒子滤波器(GSPF)应用的具体算法步骤,使用机动目标被动跟踪仿真实例,与其它滤波器进行了仿真对比,分析了跟踪性能和RMSE误差。仿真结果表明,对于机动目标被动跟踪问题,GSPF不仅具有较高的跟踪精度,而且与一般粒子滤波器相比,GSPF具有较好的跟踪稳定性和较低的计算量。     

Passive target tracking using marginalized particle filter

A marginalized particle filtering(MPF)approach is proposed for target tracking under the background of passive measurement.Essentially,the MPF is a combination of particle filtering technique and Kalman filter.By making full use of marginalization,the distributions of the tractable linear part of the total state variables are updated analytically using Kalman filter,and only the lower-dimensional nonlinear state variable needs to be dealt with using particle filter.Simulation studies are performed on an illustrative example,and the results show that the MPF method leads to a significant reduction of the tracking errors when compared with the direct particle implementation.Real data test results also validate the effectiveness of the presented method.     

机动目标跟踪的斯-厄米特粒子滤波算法

闪烁噪声环境下的机动目标跟踪实质上是一个非线性非高斯系统滤波问题,为了提高跟踪精度,应用高斯-厄米特滤波方法来产生粒子滤波器(PF)的重要密度函数,解决了PF算法的粒子退化问题,并给出了基于高斯-厄米特粒子滤波器(GHPF)的闪烁噪声机动目标跟踪算法。仿真结果表明,各种PF算法对闪烁噪声机动目标的跟踪精度远远好于卡尔曼滤波方法;同时GHPF不仅提高了估计精度,而且减少了粒子数目,降低了算法的复杂度,因此其综合性能要好于其他PF算法,具有较高的跟踪精度和较好的实时性。     

基于随机集理论的模糊观测多目标跟踪方法

为解决传感器观测数据具有不确定性和模糊性的多目标跟踪问题, 首先给出了模糊观测的随机子集表示及其似然函数构造方法; 然后利用所构造的似然函数, 并结合概率假设密度(PHD)滤波器来实现模糊观测的多目标跟踪. 仿真结果显示, 标准PHD滤波器在模糊观测下会出现目标数目估计不准确的问题. 针对这一问题, 在分析了该问题产生原因的基础上, 通过改进PHD滤波器的更新过程, 提出了一种单量测独立更新的PHD滤波方法. 仿真结果表明, 在模糊观测下, 改进算法能得到比标准PHD滤波方法更准确的目标数目估计和更高的跟踪精度.     

Target tracking in glint noise using a MCMC particle filter

1.INTRODUCTION Insomeradarapplications[1～8],themeasurement noiseusuallyderivatesfromtheGaussianassumption.Forexample,complextargetsmightcauseirregular electromagneticwavereflection.Thisphenomenon variesthetargetcenterinaradarandgivesriseto outliersinangletracking,knownas“target glint”[1].Theglintnoisehasalong taileddistribu tionandcanseverelydegradetheKalmanfilterper formance[2～4].Filteringinnon Gaussianenviron mentshasbeenstudiedbymanyresearchers.Masre liez[5]usesascorefunctionbase…     

一种应用于二进制传感器网络的目标跟踪算法

针对采用集中式粒子滤波方法解决二进制传感器网络目标跟踪问题存在的实时性较差和网络能量消耗大的缺点，提出了一种基于动态分簇的分布式粒子滤波算法。以随着目标运动而动态变化的簇为信息处理结构，簇头节点收集簇成员的单跳测量信息，实时对目标状态进行估计，非簇内节点进入休眠状态以节省能量。仿真表明，合理设置簇转换距离和激活半径，算法的跟踪精度与集中式粒子滤波方法相当；在不影响跟踪效果的情况下，可适当减小簇转换距离和激活半径，从而节省网络能量。     

基于unscented粒子滤波的红外弱小目标跟踪

为有效解决非线性环境中的红外弱小目标跟踪问题,提出基于unscented粒子滤波的目标跟踪算法。状态转移先验概率中未考虑当前测量对状态估计的作用,为克服传统粒子滤波算法采用状态转移先验概率作为粒子滤波建议分布的缺点,采用UKF生成粒子滤波的建议分布(UPF),并从中抽样粒子。由于考虑到当前观测值在状态后验估计中产生的影响,改善了目标状态估计的性能,且实验所需粒子数目大大少于传统粒子滤波算法所需粒子数目。用实际红外图像对所提算法做了仿真实验,结果表明,用该方法得到的状态估计结果优于用传统粒子滤波算法和用扩展卡尔曼滤波作为建议分布的粒子滤波算法获得的结果。     

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。     

UPF算法及其在目标跟踪问题中的应用

针对传统粒子滤波(PF)算法的缺陷,提出了一种改进的粒子滤波(UPF)算法。该算法以UKF方法生成替代分布并从中采样,解决了传统PF算法中以转换先验密度函数作为替代分布所引发的各种问题。对UPF算法进行了深入的分析研究,并给出了一个纯方位目标跟踪问题的仿真算例。理论分析与仿真结果均表明,改进算法提高了滤波的稳定性和精确性,具有较高的实用价值和广泛的应用前景。     

改进的辅助粒子滤波当前统计模型跟踪算法

提出了一种改进的辅助粒子滤波算法,采用基本的常规波束形成法对声信号函数进行处理,得到目标的方位谱估计,推导了以目标方位谱函数作为重要采样密度函数的辅助粒子滤波算法。并将此改进的辅助粒子滤波算法同当前统计模型相结合,提出一种基于目标方位谱的辅助粒子滤波当前统计模型自适应跟踪滤波(current statistical model improved auxiliary particle filter, CSM-IAPF)算法。最后通过仿真验证此方法能够减少跟踪误差,具有较好的实时性和稳定性。     

基于SVM数据融合的实时粒子滤波算法

采用粒子滤波的目标跟踪算法在粒子数目较多时计算量大、实时性差,针对该问题提出了一种新的基于支持向量机数据融合的实时粒子滤波算法。该算法在估计窗实时粒子滤波的基础上,使用支持向量机融合窗内不同时刻粒子集,并根据融合的结果更新粒子权值,实现对目标状态的快速跟踪。相对于原算法采用最小化Kullback-Leibler距离来调整估计窗混合分布的权值,该方法的计算复杂度低、速度快,进一步提高了算法的实时性。对纯角度目标跟踪问题的仿真结果表明了该算法的可行性和有效性。     

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UT变换的MMPHD机动目标跟踪

基于序列蒙特卡罗方法的多模概率假设密度(probability hypothesis density, PHD)滤波算法及其改进方法,在预测过程中依据多个并行的状态转移模型将大量粒子散布到下一时刻目标所有可能出现的状态空间,从而实现目标状态的捕获。由于这些方法大量使用粒子,造成计算量巨大、算法实时性差。为此,提出了基于无迹变换的多模PHD机动目标跟踪方法。该方法利用最新量测信息获得粒子预测过程中的建议密度函数,从而将粒子聚合在目标最可能出现的状态空间邻域中,充分实现粒子的有效利用。仿真实验表明,论文提出的算法不仅显著减少了多模PHD算法的计算量,而且在一定程度上提高了多模PHD算法的精度。     

空间注意机制下的自适应目标跟踪

针对现有的分层卷积特征跟踪算法在遭遇多种复杂环境时会发生跟踪失败的问题,提出一种空间注意机制下的自适应目标跟踪算法。在跟踪的过程中,根据当前帧的颜色直方图基于贝叶斯分类器建立空间注意机制,在提取VGGNet19中多层卷积特征后分别与空间注意图进行融合,从而构建稳健的目标表观模型。之后利用学习到的相关滤波器得到各响应值,通过加权求和准则求出最终响应,同时利用帧差法调整学习速率,最终实现自适应的目标跟踪。实验结果表明,所提算法在大多数复杂环境下的跟踪准确度和鲁棒性均优于现有的跟踪算法。     

δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture, GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli, VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题, 结合基于临近点算法(proximal point algorithm, PPA)和变分贝叶斯(variational Bayesian, VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering, CKF), 提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma, IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布; 利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新; 最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel, VB-CRTS)平滑。仿真结果表明, 对于量测噪声未知的非线性系统, 所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。     

闪烁噪声下的改进粒子滤波跟踪算法

在实际雷达目标跟踪系统中,雷达量测常受到闪烁噪声干扰,传统的滤波算法在闪烁噪声下,滤波性能急剧下降甚至发散。提出了一种改进的粒子滤波(particle filter, PF)算法,按照高斯牛顿迭代方法对迭代扩展卡尔曼滤波(iterated extended Kalman filter, IEKF)中的测量更新进行修正,利用修正的IEKF来产生PF的重要性密度函数。进一步,采用马尔科夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)方法来消除重采样引起的粒子贫化问题。在给出的闪烁噪声统计模型基础上,将所提算法与PF及MCMCPF算法进行了仿真比较,结果表明该算法具有更好的跟踪性能。     

基于无迹粒子PHD滤波的序贯融合算法

针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波（particle probability hypothesis density filter, P-PHDF）算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波（unscented particle PHDF, UP-PHDF）的序贯融合算法。利用无迹粒子滤波（unscented particle filter, UPF）实现PHDF,由UKF算法得到更好更优的重要性密度函数并从中采样,使粒子的分布更接近多目标概率假设密度分布;另外,为进一步提高滤波算法的性能,实现基于雷达和红外传感器的UP-PHDF序贯融合算法,通过两传感器交替滤波保证目标状态的可观测性。在复杂环境下,仿真结果表明该算法的估计精度和稳定性明显优于单传感器P-PHDF算法。     

基于随机集理论的多个声目标融合跟踪

针对杂波环境下,采用多个被动声传感器跟踪多个声目标的应用场合,建立了多个声目标跟踪的随机有限集模型,采用概率假设密度(probability hypothesis density, PHD)粒子滤波对该模型进行求解。针对PHD滤波器只适用于单传感器的问题,提出了一种实现多个声传感器融合跟踪的方法。该方法在序贯PHD滤波器的基础上进行改进,提高了目标检测率,通过仿真实验验证了该方法的有效性。     

复杂背景下基于改进粒子滤波的红外人体跟踪

为解决复杂背景下红外图像序列中的人体跟踪问题,提出了一种改进的粒子滤波跟踪方法。根据红外图像中人体目标的特点,首先建立人体的灰度直方图来提取其灰度特征,同时采用一种新的基于帧间差分和灰度概率分布图的方法提取其运动特征。然后将上述两种特征融合到粒子滤波框架中,用于粒子权值的计算,最终实现红外序列中人体的稳健跟踪。实验结果表明,和传统粒子滤波算法相比,该方法大大提高了复杂背景下红外人体跟踪的准确性和有效性,跟踪结果令人满意。

Abstract：

An improved particle filter tracking algorithm was proposed to solve the problem of human tracking in infrared image sequences under complex background.According to the characters of the human in the infrared images,the algorithm firstly constructed the gray histogram of the human to extract the gray feature,and at the same time utilized a new method based on the inter-frame difference and gray probability distribution image to get the motion feature.Then,the above-mentioned two features were fused into the particle filter frame to calculate the particle weights.Finally the robust tracking of human in infrared image sequences was achieved.The experimental results show that compared with the traditional particle filter algorithm,the presented method greatly improves the accuracy and effectiveness of the infrared human tracking under complex background,and the tracking results are satisfactory.     

基于新型的递归BLUE滤波器的IMM算法

雷达跟踪机动目标时，目标运动常被建模在直角坐标系内，同时目标量测可在传感器坐标系下获得。量测转换技术已被广泛使用在这类问题中，它使得卡尔曼滤波器得以应用于跟踪任务中。但上述技术忽视了卡尔曼滤波器的前提假设条件。提出一种基于新型递归BLUE滤波器的交互作用多模型算法，能近乎最优地估计出直角坐标系下的目标运动状态，同时保持传感器坐标系内所固有的量测误差。通过仿真，将它与基于传统的量测转换方法的交互作用多模型算法进行比较，表明了该算法的有效性和优越性。