基于雷达辐射源信号特征的类别信息辅助GM-PHD滤波器

雷达辐射源目标跟踪在军事应用领域具有重要的意义。结合目标类别信息有助于提高高斯混合概率假设密度(Gaussian mixture-probability hypothesis density,GM-PHD)滤波器多目标跟踪的性能,但电子侦察系统获得的雷达辐射源信号信息无法直接应用于上述滤波器。为此,先利用辐射源信号特征进行雷达类型识别,然后基于可传递信度模型根据雷达平台的配属关系将该识别结果转换到与已知类别信息相同的辨识框架内。在此基础上,采用相容系数度量其相似度用以近似GM-PHD滤波器中的量测似然值,从而实现类别信息的辅助目标跟踪。仿真实验表明,在不同的杂波密度下所提方法能够有效提高GM PHD滤波器的跟踪性能。     

基于GM-PHD滤波的空间邻近多目标跟踪算法

针对传统的高斯混合概率假设密度(Gaussian mixture probability hypothesis density, GM-PHD)滤波器在跟踪空间邻近目标时存在错误估计、虚警和漏警问题, 本文提出了一种改进算法。首先, 提出一种权值重分配方案, 对目标的高斯分量权值进行重分配, 以提高目标邻近时GM-PHD滤波器的跟踪精度; 然后, 利用目标航迹的连续性, 对于当前时刻丢失的目标, 利用上一时刻的目标预测值进行修正以减少漏警情形; 最后, 充分利用多帧已估目标状态对估计目标进行分类, 检测估计中存在的虚警并对其进行删除。仿真结果表明, 与现有算法相比, 本文改进算法具有更优的跟踪性能。     

基于高斯混合概率假设密度滤波器的扩展目标跟踪算法

针对杂波环境下多扩展目标跟踪中航迹起始和量测集划分问题,提出了一种基于高斯混合概率假设密度滤波器的扩展目标跟踪算法。在航迹起始阶段利用最近邻指数法对量测集进行聚类趋势分析,接着通过改进OPTICS (ordering points to identify the clustering structure)算法,建立一个增广数据集排序来表示量测集的密度结构,该算法对参数选择、初始点选择均不敏感,可以滤除量测集中的杂波。仿真结果表明,在航迹起始阶段本文所提算法在保证起始性能的同时计算代价明显减少,在量测集划分过程中,所提算法能够有效划分不同形状、密度的扩展目标,自适应地确定划分数目,减少算法运行时间。     

基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类

为了解决杂波和漏检下多目标的联合跟踪与分类问题,提出了模型类型匹配概率假设密度(probability hypothesis density,PHD)滤波器,同时将其与多传感器的可转移信度模型(transferable belief model,TBM)框架相结合,并用多个运动学雷达和粒子滤波递推实现。该算法对飞行器的先验信息进行估计,从而替代了属性传感器。在预测阶段,根据模型和类型对PHD滤波器进行粒子匹配;传感器得到观测结果后进行粒子权重的更新;再根据粒子对应的权重得到目标的后验状态模型类型分布;这些PHD滤波器可以同时得到目标的状态和类型;结合TBM和航迹粒子标签算法,得到多个传感器的融合结果。仿真表明,本文提出的模型类型匹配PHD滤波器的性能比传统多模型PHD滤波器更精确,同时多传感器的TBM框架也全面提升了算法的性能。     

基于关联的自适应新生目标强度CPHD滤波

量测驱动的自适应新生目标强度基数概率假设密度(adaptive target birth intensity cardinalized probability hypothesis density,ATBI-CPHD)滤波器可以在新生目标强度未知的情况下进行多目标跟踪,然而该方法利用所有量测产生新生目标,没有考虑关联问题。为此,本文提出了一种基于数据关联的改进算法。首先,给出了ATBI-CPHD在高斯混合CPHD(Gaussian mixture CPHD, GMCPHD)框架下的实现。其次,在GMCPHD滤波框架下采用一种基于量测标签的方法进行量测估计关联,并引入高斯元标签进行航迹保持,在此基础上提出了一种航迹管理方法。最后采用量测波门进行量测量测关联,利用关联后的量测产生新生目标。仿真结果表明,该算法可以在提高跟踪效果的同时提升计算效率。     

基于量测转换序贯滤波的GMPHD机动目标跟踪

针对多普勒雷达杂波环境下的多机动目标跟踪, 提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性, 将位置量测进行无偏量测转换, 将多普勒量测进行去偏量测转换, 并通过序贯滤波方式提高跟踪精度。针对多目标的机动性, 在高斯混合概率假设密度(Gaussian mixture probability hypothesis density, GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示, 所提算法可以在杂波环境中实现有效的机动多目标跟踪, 与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%, 而且大大改善了算法效率; 与无迹卡尔曼最适高斯近似GMPHD相比, 在效率上有小幅度的增加, 且跟踪精度提升了36.47%。     

结合聚类的GM-PHD滤波器辐射源群目标跟踪

群目标跟踪是一种情况更为复杂的多目标跟踪问题,由于军事辐射源目标经常出现雷达关机的情况,因此常用的多目标跟踪方法对于这类辐射源群目标的跟踪效果并不理想。为此,结合聚类技术提出了一种改进的高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GM-PHD)滤波器跟踪方法。该方法在GM-PHD滤波器的更新过程中,通过引入群中心产生的虚拟量测信息以提高目标跟踪性能,但不进行量测集划分。获得单一个体目标的估计状态后利用Jensen-Shannon divergence计算其相似度,然后再对估计目标进行聚类以实现群目标的跟踪。最后通过对相邻时刻的群中心轨迹点进行关联匹配,从而获得群目标的完整运动轨迹。仿真实验结果表明,所提方法能够对辐射源群目标进行有效跟踪,并具有较好的目标跟踪性能。     

基于混合粒子滤波的多目标跟踪

针对可变数量的多个红外弱小目标的检测与跟踪问题,提出了基于混合概率密度模型的多目标先跟踪后检测方法,开发了一种t分布混合粒子滤波器.在混合粒子滤波器中,利用每个分量粒子滤波器的输出信息,根据序列似然比假设检验,检测每个被跟踪目标的存在性.通过估计目标在离散占据网格上的出现概率,检测新目标的出现.混合粒子滤波器使用单独的粒子滤波器独立估计每个被跟踪目标的状态,避免算法的计算量随着目标数量增加呈指数增长的问题.仿真实验证明混合粒子滤波器能够跟踪目标数量可变的弱小目标,能够同时检测目标的消失和出现.     

高斯厄米特粒子PHD被动测角多目标跟踪算法

针对传统粒子概率假设密度（probability hypothesis density, PHD）滤波跟踪被动多目标时,估计精度不高,且存在粒子退化,容易导致滤波器发散的问题,提出一种新的被动多目标跟踪算法--高斯厄米特粒子PHD滤波算法。该算法采用一族高斯厄米特滤波产生的高斯分布拟合更优的重要性密度函数,充分考虑了当前时刻的最新量测,并将该方法融入高斯混合粒子PHD（Gaussian mixture particle PHD, GMP-PHD）滤波框架中,在解决观测非线性的同时,有效提高了被动多目标的跟踪精度。实验结果表明,该算法较传统的GMP PHD滤波算法具有更高的状态估计精度,且有效降低了目标的失跟率。     

基于贝塔高斯概率假设密度的扩展目标跟踪

基于二项分布的扩展目标概率假设密度(extended target probability hypothesis density based on binominal distribution, BET-PHD)算法能够获得比泊松ET-PHD更好的跟踪性能。然而,BET-PHD中作为先验信息的检测概率和量测数目最大值在实际应用中是未知的。参数严重不匹配会导致算法性能急剧下降。鉴于已有文献给出量测数目最大值的估计方法,提出一种能够在线估计检测概率的贝塔高斯ET-PHD (beta Gaussian -ET-PHD, BG-ET-PHD)滤波器。首先采用二项分布的共轭先验贝塔分布估计检测概率,并与BET-PHD相结合得到 BG-ET-PHD。仿真结果表明,BG-ET-PHD滤波器能够准确估计检测概率,能够获得比基于泊松模型的伽马高斯ET-PHD (gamma Gaussian ET-PHD, GG-ET-PHD)更好的跟踪性能。     

基于核密度估计高斯混合PHD滤波的多目标跟踪算法

针对多目标跟踪系统中传统算法目标估计精度较低的问题,提出了基于核密度估计的高斯混合概率假设密度（probability hypothesis density, PHD）滤波算法。在该算法中,经过剪枝、合并后,引入核密度估计理论的Mean shift算法,对高斯混合PHD分布密度函数进行核密度估计,取代了传统算法中的状态估计方法。最后,选择估计后得到的峰值作为目标状态估计值。仿真结果表明,基于核密度估计的高斯混合PHD滤波算法比传统算法具有更高的估计精度。     

基于修正贝努利滤波的被动多目标跟踪算法

针对势平衡多目标多贝努利(cardinality balanced multi target multi Bernoulli, CBMeMBer）滤波中的量测信息弱化问题,提出一种改进的多目标多贝努利（improved multi target multi Bernoulli, IMeMBer）滤波。该算法通过对漏检目标的多贝努利随机集进行修正,在解决目标数过估问题的同时,避免了CBMeMBer滤波中的量测信息弱化问题。在此基础上,将高斯粒子滤波引入IMeMBer算法中,通过一组高斯粒子近似多贝努利随机集中元素的概率分布,实现被动测角情况下的多目标跟踪。仿真结果表明,所提算法能够以较小的运算代价达到高斯混合粒子劳势估计的概率假设密度滤波相似的跟踪精度,具有良好的工程应用前景。     

改进的自适应新生目标强度PHD滤波

自适应新生目标强度（probability hypothesis density, PHD）滤波是一种新颖的量测驱动的多目标跟踪算法。然而,该算法存在归一化失衡问题,且在航迹生成方面存在一定的滞后现象。针对以上问题,提出一种改进算法。首先,在分析归一化失衡问题的基础上,提出一种归一化因子修正方法,有效解决该问题。其次,在高斯混合框架下对算法进行实现,并引入一种新的航迹回溯机制,通过对每个高斯分量进行标记,然后对存在概率超过确认门限的分量进行回溯,从而得到每个目标的完整航迹。实验结果表明,改进算法在新生目标搜索和多目标航迹生成方面均优于传统算法,具有良好的工程应用前景。     

基于双马尔可夫链的概率假设密度滤波器

隐式马尔可夫链(hidden Markov chain,HMC)是传统多目标跟踪的理论基础。在分析了HMC模型的局限性基础上,介绍了更具普适性的双马尔可夫链(pairwise Markov chain,PMC)模型,对基于PMC模型的概率假设密度(PMC-probability hypothesis density,PMC-PHD)滤波算法进行了推导,并对其高斯混合(Gauss-mixture,GM)实现进行了改进,利用椭圆波门给每一个高斯分量建立一个对应的缩减量测集合来对其进行更新。仿真实验证明在杂波密度较大的场景中,PMC-PHD滤波器GM实现的改进在不影响跟踪精度的情况下运行时间缩短为原来的三分之一;仿真实验还证明在HMC模型场景下PMC-PHD滤波器针对邻近目标的跟踪性能要优于HMC-PHD滤波器。     

利用多普勒信息的单步初始化GMCPHD滤波器

标准的带势概率假设密度(cardinalized probability hypothesis density, CPHD)滤波器是一个有效的多目标跟踪算法,但是它假定新生目标的强度函数先验已知,因而无法应用于新生目标在场景中任意位置出现的环境。针对此问题,提出一种单步初始化的高斯混合CPHD滤波器。该滤波器利用位置上远离当前时刻估计状态的观测值单步初始化新生目标。此外,多普勒信息一方面被用来初始化新生目标的速度,另一方面在滤波器更新步骤中,多普勒速度和位置观测信息采用串行更新方法处理。仿真结果表明,所提算法在目标数的估计精度和优化子模式分配距离方面优于已有算法。     

抗“飞点”的UKF GMPCPHD滤波算法

为实现被动测角目标状态和数目的实时估计,在高斯混合粒子（Gaussian mixture particle, GMP）的势化概率假设密度(cardinalized probability hypothesis density, CPHD) 滤波框架下,提出了基于抗“飞点”无迹卡尔曼滤波器（unscented Kalman filter, UKF）的GMPCPHD滤波算法,即抗“飞点”的UKF GMPCPHD滤波算法。在该算法中,粒子滤波的重要性采样函数由抗“飞点”UKF产生,粒子的预测与更新采用拟蒙特卡罗(quasi Monte Carlo, QMC)方式,目标状态的概率假设密度（probability hypothesis density, PHD）和势分布用一组高斯粒子滤波器（Gaussian particle filtering, GPF）近似。通过该算法与GMPCPHD、UKF-GMPPHD滤波算法的对比仿真,验证了该算法良好的跟踪性能。