航迹起始算法及性能仿真

在深入研究基于逻辑的航迹起始方法和基于Hough变换技术的航迹起始方法的基础上,把基于逻辑的方法和Hough变换法相结合,提出了基于目标运动状态的航迹起始算法。该算法首先利用目标的位置信息形成候选目标航迹,在候选目标航迹扩展过程中,利用来自同一个目标的量测数据在较短时间内(相邻2个采样周期)具有相同的运动状态,利用目标的运动状态对候选航迹进行检验。进行了性能比较仿真,仿真结果表明:该算法在正确航迹起始概率上和基于逻辑的方法相当,但其虚假航迹起始概率远低于其他航迹起始方法;并且对存储要求低,适于工程应用。     

基于Hough变换和聚类的航迹起始算法

基于Hough变换的航迹起始是密集杂波环境中低信噪比目标起始的一种有效方法,但其存在阈值选取困难及一个目标起始多条航迹(航迹簇拥)等问题.提出了一种Mean Shift多尺度聚类Hough变换航迹起始算法(MSMSC-HT).该算法先用低阈值进行航迹初选;然后对初选航迹进行多尺度聚类,并用Mean Shift算法求取聚类中心;最后通过尺度寻优自适应地确定航迹数目和航迹参数.该算法通过聚类避免阈值设计的困难,解决了航迹簇拥下航迹的检测与估计问题.仿真结果表明了算法的有效性.     

基于减法聚类的两级Hough变换航迹起始算法

针对低信噪比、低信杂比环境下作匀加速直线运动的目标检测中随机Hough变换算法存在的采样次数总量大、无效采样多的现象,提出了一种改进的航迹起始算法-基于两级Hough变换的航迹起始算法.该方法首先采用标准Hough变换滤除原始数据空间上的大量杂波点,然后用随机Hough变换以较少的采样次数获取备选航迹参数,再对所得参数使用最小距离筛选的方法进一步减少虚警,最后利用减法聚类得到准确的航迹数及航迹参数.实验表明该方法不但能够明显降低随机Hough变换的采样次数、减少无效采样,而且对杂波干扰具有很好的鲁棒性,尤其适用于复杂环境中的目标检测.     

集中式多传感器群目标灰色精细航迹起始算法

为解决多传感器群内目标精细航迹起始的难题,提出一种集中式多传感器群目标灰色精细航迹起始算法。该算法首先基于循环阈值模型、群中心点完成群的预分割、预互联,然后将预互联成功的群按传感器分成子群,基于灰色精细互联模型剔除同一传感器子群内的虚假量测,并利用量测合并模型消除群内多传感器对同一目标的冗余信息,最后基于灰色精细互联模型、航迹得分完成群内量测的精细互联和航迹输出。经仿真验证,与分布式多传感器修正逻辑法、基于聚类和Hough变换的集中式多传感器多编队航迹起始算法相比,该算法综合性能更优。     

三维空间中基于Hough变换和逻辑的航迹起始

Hough变换法特别适用于杂波环境下的目标航迹起始,但目前的研究一般仅限于在二维空间中使用该方法。本文提出了一种三维空间中基于Hough变换和逻辑的航迹起始方法。其基本思想是,首先在三维空间中选择两个投影面,然后在两个投影面分别使用基于Hough变换和逻辑的航迹起始算法,最后将两个投影面上起始的航迹进行比较,进而确定三维空间中的航迹起始。仿真结果表明了这种算法在三维空间杂波环境中快速起始航迹中的有效性及优越性。     

异步被动传感器系统模糊Hough变换航迹起始算法

异步被动传感器系统由于不能通过视线交叉确定目标位置,因此使测量关联和航迹起始变得困难。为解决杂波、漏检和目标数未知情况下航迹起始问题,提出了一种用于异步被动传感器系统的航迹起始算法。该算法首先建立候选目标集,用极大似然法求出每一候选目标的初始状态估计、模糊Hough变换和模糊聚类实现航迹和目标的检测,最后用极大似然法估计出每一批目标的初始状态。仿真实验结果表明,提出的算法能有效实现航迹起始。     

杂波环境下基于Hough变换和逻辑的快速航迹起始算法

航迹起始是航迹处理中的首要问题，本文提出了一种新的航迹起始算法，即基于Hough变换和逻辑的航迹起始方法，这种新的算法首先利用Hough变换法排除大量的杂波点，创造一个虚警概率比较低的环境，然后利用3／4逻辑法起始航迹，因而特别适用于密集杂波环境下快速起始航迹，仿真结果表明了这种算法在快速起始航迹中的有效性及优越性。     

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。     

基于修正随机HOUGH变换的快速航迹起始研究

分析了随机Hough变换在特征点合并时的缺陷.以二维雷达为例,通过对特征点计算公式的分析,得到了特征点坐标误差方差的计算方法,并以假设检验为基础,获得了特征点合并的自适应方法.描述了雷达样点保存的数据结构,给出了完整的基于修正Hough变换的航迹起始算法.通过仿真验证,修正随机Hough法的性能比标准Hough法要好.而且,每次数据扫描的处理时间明显减少,这对多目标密集杂波的处理环境非常重要.     

基于模糊累积函数的航迹起始问题研究

为提取杂波环境下直线航迹,提出了使用模糊累积函数进行Hough变换的方法.考虑到雷达误差对累积函数的影响,该方法以模糊函数的隶属度为累积对象,在参数空间中进行峰值的累积,使累积函数的峰值更加明显.详细描述了航迹起始的算法,并采用衰减因子保证累积函数的时效性.为验证算法,设定了杂波环境下的直线航迹,对各种雷达误差取值下的参数空间累积效果进行了仿真.仿真表明,以累积峰值和峰值显著比为衡量指标,模糊累积法能提高直线航迹检测的准确性,从而减少候选航迹的数量,减轻后续航迹验证的计算量.     

自适应模板更新的粒子滤波实时跟踪算法

提出一种自适应模板更新的粒子滤波实时跟踪算法。在粒子滤波的跟踪框架下,目标模板的自适应观测模型采用含有三个分量的混合高斯模型来建模并用增量EM算法在线更新,很好地解决了模板更新问题。实验结果表明:该跟踪算法在光照变化条件下的红外目标、外观姿态快速变化、局部遮挡等情况下的目标跟踪实验均能长时间稳定地跟踪目标,且无需普通粒子滤波算法的重采样策略,计算简单,易于硬件并行实现。     

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...     

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。     

一种基于宽带雷达回波的航迹起始方法

宽带雷达回波能提供高距离分辨能力,有助于实现高精度目标跟踪。但高分辨导致的目标回波分裂效应和距离跨越效应给目标检测和关联提出严峻挑战。为此,提出一种基于层次聚类的宽带目标点迹凝聚方法,实现群目标场景下检测点迹的自适应凝聚。进一步地,提出了一种基于全局运动补偿的航迹起始方法,克服传统方法在宽带航迹起始过程中补偿效果差、航迹多分枝等缺陷。最后,采用群目标场景仿真验证了本文宽带点迹凝聚和航迹起始方法的有效性。     

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ET-GMPHD算法的编队目标跟踪方法

针对低检测环境下编队目标的跟踪问题,提出了一种基于扩展目标高斯混合概率假设密度(extended target Gaussian mix probability hypothesis density, ET-GMPHD)算法的编队目标跟踪方法。首先,保留修剪掉高斯项的同时将其外推,用Jensen-Shannon(JS)散度衡量下一时刻状态估计值与外推值间的相似程度,并以此反映是否有目标丢失,保证真实目标不被修剪,解决了因目标漏检导致跟踪结果不准确的问题。其次,结合循环阈值聚合法得到编队整体的状态估计,消除了估计状态集合中状态值过多造成的影响。最后,仿真实验表明,该方法能够在检测概率极低的情况下进行有效跟踪,并具有良好的跟踪性能。     

基于ET-GMPHD算法的编队目标跟踪方法

针对低检测环境下编队目标的跟踪问题,提出了一种基于扩展目标高斯混合概率假设密度(extended target Gaussian mix probability hypothesis density, ET-GMPHD)算法的编队目标跟踪方法。首先,保留修剪掉高斯项的同时将其外推,用Jensen-Shannon(JS)散度衡量下一时刻状态估计值与外推值间的相似程度,并以此反映是否有目标丢失,保证真实目标不被修剪,解决了因目标漏检导致跟踪结果不准确的问题。其次,结合循环阈值聚合法得到编队整体的状态估计,消除了估计状态集合中状态值过多造成的影响。最后,仿真实验表明,该方法能够在检测概率极低的情况下进行有效跟踪,并具有良好的跟踪性能。