一种分解式模糊聚类粒子滤波的WSN多目标跟踪方法

针对无线传感器网络环境下的多目标跟踪时近相距和轨迹交叉目标容易出现目标丢失和跟踪混淆的问题,提出一种分解式模糊聚类粒子滤波(DFCM—RPF)的多目标跟踪方法。把多传感器数据融合和多目标跟踪问题分解为单传感器数据融合和单目标跟踪问题,先对传感器节点量测用基于跟踪门限算法去除杂波,在各传感器节点的观测空间分别建立模糊聚类算法进行数据关联并最优融合,然后用正则化粒子滤波预测目标状态。仿真表明,DFCM—RPF算法与原FCM多目标跟踪方法相比,航迹关联正确率由85%提高到100%,目标预测位置的RMSE由4.437 7 m下降到1.307 3 m,DFCM—RPF算法体现了较好的跟踪性能,并集数据关联、数据融合和目标跟踪于一体,大大降低WSN多目标跟踪问题的复杂性和计算量。     

一种改进的基于FCM的目标跟踪数据关联算法

为了克服杂波环境下对多目标进行数据互联时,计算量出现组合爆炸现象,提出了改进的基于FCM的多目标跟踪数据关联算法.将航迹的预测值转换到各个传感器的观测空间作为各自的聚类中心,利用目标属于所有量测的隶属度,来代替JPDAF中的关联概率,将多目标数据关联问题可转化为模糊聚类问题,进行关联计算.改进的基于FCM的多目标跟踪数据关联算法,有效地利用了目标状态估计中的历史信息,实现量测与航迹的关联.该算法克服了JPDAF算法计算量大的缺点,实现杂波环境下多目标数据互联.仿真结果表明了该算法的有效性.     

基于模糊自组织神经网络的多目标跟踪算法

分析了多目标跟踪问题的数据关联算法复杂性，研究了基于模糊C均值聚类算法的模糊自组织神经网络的特性及其在多目标跟踪中的应用，提出了将FKCN算法、自组织神经网络与数据关联、滤波相结合的跟踪算法．仿真结果表明本算法能在多目标环境下取得较好的跟踪效果．     

多传感器多机动目标跟踪的CPHD滤波算法

针对单传感器在多机动目标跟踪系统中不能很好地处理目标数目变化与突发机动的问题,提出了多传感器多机动目标跟踪的概率假设密度滤波算法.以CPHD滤波算法为理论基础,同时递推概率假设密度(PHD)函数和基数分布,避免了多目标多传感器的数据关联问题.结合自适应当前统计模型,选择3个雷达作为跟踪目标的传感器,相比于单传感器降低了信息的模糊度,提高了可信度.仿真结果比较表明了多传感器CPHD滤波算法在多目标跟踪方面的性能优势.     

神经网络在多传感器多目标跟踪中的应用

首先研究了基于粗关联和精关联过程的多传感器多目标(MSMT)跟踪融合算法，精关联是联合概率数据关联(JPDA)算法的推广，JPDA算法存在随传感器数和目标数的增加而计算量迅速增加的缺点；其次提出了一种基于神经网络的MSMT联合概率数据互联(MNJPDA)算法，MNJPDA算法能克服计算量爆炸问题，基于MNJPDA的融合算法能提高跟踪的快速性．仿真结果证明了MNJPDA融合算法的有效性．     

多传感器跟踪的航迹关联

多传感器目标跟踪是信息融合技术在目标跟踪领域的应用范例,航迹关联是其中的关键技术之一.提出先用模糊C-均值算法对点迹聚类,然后根据聚类的结果定义航迹关联质量,选择航迹关联质量大的为关联对.这样使关联同时能考虑当前和历史航迹,提高了关联正确率.最后把多传感器航迹融合,得到了很好的跟踪效果.仿真结果表明,该算法是确实有效的.     

无线传感器网络多目标跟踪数据融合

在基于无线传感器网络多目标跟踪数据融合系统研究的基础上，提出了改进的模糊聚类平均算法，并给出了相应的集中式数据融合整体方案．算法将每一批观测数据按照航迹估计位置的关联门限进行划分，然后分别对航迹和关联门限内的采集信息进行模糊关联，再把获得的最大关联度数据分配给各条航迹作为目标的实际位置．数据融合的思路是，删除所有关联门限内的数据，将剩余数据再进行航迹起始模块处理．模拟实验表明，所提算法可解决多目标跟踪的误跟、漏跟和振荡问题，数据融合方案既能保存有用信息，又能去除冗余数据，进而有效避免了漏跟和重复跟踪的问题．     

基于最优划分的多传感器多目标跟踪NNJPDA算法

传统的最邻近联合概率数据关联算法(NNJPDA)不能直接用于多传感器对多目标的跟踪。针对这一问题,提出了一种适用于多传感器多目标跟踪的最邻近联合概率数据关联算法,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划分,然后采用NNJPDA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、附加计算量小等优点。     

集中式多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了集中式多传感器模糊联合概率数据互联算法。该算法应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度,运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,提出了集中式多传感器模糊联合概率数据互联算法的状态估计模型。对该算法与已有集中式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者提高了43.7%,同时有效地降低了周期耗时,综合性能更优越。     

集中式多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了集中式多传感器模糊联合概率数据互联算法。该算法应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度,运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,提出了集中式多传感器模糊联合概率数据互联算法的状态估计模型。对该算法与已有集中式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者提高了43.7%,同时有效地降低了周期耗时,综合性能更优越。     

基于改进粒子滤波的声图像多目标跟踪方法

摘要：
针对利用声图像实现水下多目标跟踪问题,提出一种改进的粒子滤波多目标跟踪算法.通过引入联合概率数据关联算法,建立了联合概率数据关联 粒子滤波算法模型,使粒子权值中得以反映量测与目标轨迹间的关联概率,有效保证了各目标跟踪轨迹的连续性.采用了包含距离及角度的双重跟踪门得到确定矩阵,使跟踪精度得以提高.补充了轨迹起始及轨迹终结方法,以对跟踪过程进行完善.最后,通过水下多目标跟踪试验,对比分析了不同数据关联算法的试验结果,验证了所提方法的有效性,为基于前视声纳的多目标跟踪提供了一种更为有效的方式. 关键词：
联合概率数据关联; 粒子滤波; 目标跟踪; 前视声纳 中图分类号： TP 39
文献标志码： A     

Cubature Kalman probability hypothesis density filter based on multi-sensor consistency fusion①

The GM-PHD framework as recursion realization of PHD filter is extensively applied to multi-target tracking system .A new idea of improving the estimation precision of time-varying multi-target in non-linear system is proposed due to the advantage of computation efficiency in this paper .First, a novel cubature Kalman probability hypothesis density filter is designed for single sensor measure -ment system under the Gaussian mixture framework .Second , the consistency fusion strategy for multi-sensor measurement is proposed through constructing consistency matrix .Furthermore, to take the advantage of consistency fusion strategy , fused measurement is introduced in the update step of cubature Kalman probability hypothesis density filter to replace the single-sensor measurement .Then a cubature Kalman probability hypothesis density filter based on multi-sensor consistency fusion is proposed .Capabilily of the proposed algorithm is illustrated through simulation scenario of multi-sen-sor multi-target tracking .     

基于随机集的复杂境况下多目标测量

在多传感器多目标融合系统中,多传感器所提供的信息常常不同类,难以融合,建立多传感器多目标的随机集观测模型可以解决统一融合问题.基于随机集理论,根据虚警及漏测的情况,给出了目标的信任测度及其全局密度.从单传感器单目标推广到多传感器多目标,建立了实用的多目标随机集测量模型,并根据实例证明了该模型的实用性和有效性.     

A novel maneuvering multi-target tracking algorithm based on multiple model particle filter in clutters

To solve the problem of strong nonlinear and motion model switching of maneuvering target tracking system in clutter environment, a novel maneuvering multi-target tracking algorithm based on multiple model particle filter is presented in this paper. The algorithm realizes dynamic combination of multiple model particle filter and joint probabilistic data association algorithm. The rapid expan- sion of computational complexity, caused by the simple combination of the interacting multiple model algorithm and particle filter is solved by introducing model information into the sampling process of particle state, and the effective validation and utilization of echo is accomplished by the joint proba- bilistic data association algorithm. The concrete steps of the algorithm are given, and the theory a- nalysis and simulation results show the validity of the method.     

基于AM5708的智能多目标跟踪监控系统设计

监控系统的视频序列往往受到环境噪声、运动目标繁多和目标遮挡的影响,针对传统视频监控无法对人员实施有效检测、跟踪和计数的问题,设计一种基于ARM的智能多目标跟踪监控系统.从整体性角度阐述系统硬件设计方案和软件环境搭建.在算法实现方面,基于改进的自适应高斯混合模型和卡尔曼滤波实现了目标检测和跟踪,引入匈牙利算法进行数据关联来解决多目标跟踪的任务指派问题,同时利用检测目标和预测目标之间的欧式距离以及卡尔曼滤波解决了遮挡问题.实验结果表明,系统在场地和摄像头视角有限的情况下可以有效跟踪到6个运动目标,其平均处理能力保持在18帧/s.     

基于蚁群聚类的多目标跟踪航迹起始方法

针对杂波环境下的航迹起始的NP难问题,提出了一种基于蚁群聚类的数据关联方法.为每个测量数据赋予给定的特征值,利用基于拾起和放下的蚁群聚类算法确定所需起始目标航迹数目,利用模糊蚂蚁聚类算法提取目标航迹.数值仿真结果表明:在杂波密度稀疏、目标交叉运动的条件下,目标航迹起始的成功率为100％,最大运行时间为2.131 s;在密集杂波条件下,航迹起始的成功率为100％,最大运行时间为12.378 s.