鲁棒标签多伯努利机动目标跟踪算法

针对未知杂波和检测概率的跟踪环境下,标准的标签多伯努利(LMB)算法对机动目标跟踪性能较差等问题,提出鲁棒标签多伯努利机动目标跟踪算法(R-LMB).首先建立真实目标、杂波与检测概率的增广空间模型,然后结合多模型(MM)系统,推导出基于蒙特卡罗(SMC)实现的带有状态标签和LMB元素标签的预测与更新方程.研究结果表明:在杂波和检测概率先验未知的情况下,所提出的算法可实现对目标数和目标状态的准确估计,同时在低检测概率和高杂波强度环境中仍可保证良好的多机动目标跟踪性能.     

约束仅方位跟踪粒子滤波器研究

该文研究了杂波干扰下适用于平面机动目标实时定位的粒子滤波器的设计和实现.运用贝叶斯递推方法,分析了通用粒子滤波算法.应用马尔可夫链理论,建立了目标机动的多模式模型.针对约束仅方位跟踪(CBOT)的实际条件,推导了粒子滤波器中的最优重要密度公式.综合粒子滤波算法和约束仅方位跟踪理论,得出了约束仅方位跟踪粒子滤波器的伪码.对约束仅方位跟踪粒子滤波器的研究表明:在目标受到道路图之类的约束假设下,可以去除对本站作特定机动的要求;可在杂波环境中、目标作任意非线性机动的情况下,实现仅方位跟踪;跟踪定位距离大、角度宽;采用最优重要密度,可大大减少粒子数,降低计算量.     

基于PHD的多扩展目标联合检测、跟踪与分类算法

针对杂波和噪声背景下空间距离较近的扩展目标数目和状态难以估计的问题,提出了基于扩展目标概率假设密度滤波器(ET-PHD)的多目标联合检测、跟踪与分类算法,并给出了该算法基于粒子滤波的实现方法.算法在滤波器中引入了属性量测信息,预测阶段的粒子按照其类别进行传播,更新阶段对所有粒子进行联合更新,更新结束后将粒子按照类别进行分类,各类别的粒子集表示了其相应类别目标的PHD分布.该算法具有模块化结构,计算复杂度为O(mn).数值仿真场景包含两类扩展目标并行运动和两类扩展目标交叉运动.结果表明,该算法可以同时估计扩展目标的类别、数目和状态,并且平均最优次模式分配距离相比传统算法的降低幅度超过50%.     

高斯混合扩展目标多伯努利滤波器

针对杂波环境下多扩展目标跟踪中数据关联过程复杂的问题,提出一种可同时估计扩展目标状态和目标数的高斯混合扩展目标多伯努利(GM-ET-MBer)滤波器,该滤波器无需对测量与扩展目标进行关联。首先采用伯努利随机有限集和泊松随机有限集分别描述扩展目标的状态和观测;然后结合扩展目标状态的预测信息,推导了扩展目标状态的更新方程,并在线性高斯条件下采用高斯混合方法递推地对扩展目标的状态进行估计跟踪。与高斯混合扩展目标概率假设密度(GM-ET-PHD)滤波器相比,GM-ET-MBer滤波器有效地提高了对目标数的估计精度。仿真结果表明,GM-ET-MBer滤波器和GM-ET-PHD滤波器对目标数估计的标准偏差分别为0.267 3和0.395 3,可知所提滤波器对目标数的估计更稳定。     

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

箱粒子广义标签多伯努利滤波的目标跟踪算法

针对序列蒙特卡罗广义标签多伯努利滤波(SMC-GLMB)算法计算效率低、实时性差的问题,提出了箱粒子广义标签多伯努利滤波的目标跟踪(Box-GLMB)算法。该算法使用带标签的随机有限集描述多目标的状态,包括目标的位置和速度,并且对每个目标用互不相同的标签进行区分;然后利用箱粒子滤波算法近似单目标状态的概率密度,即用一组带权值的均匀分布拟合单目标状态概率密度;最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新,从多目标状态后验概率密度中估计单目标的位置与速度,根据目标的标签可以实现航迹跟踪。BoxGLMB算法结合了箱粒子滤波与GLMB算法的优势,能够跟踪目标航迹,同时提高计算效率。仿真结果表明,Box-GLMB算法可以有效估计目标状态以及跟踪目标航迹,相比于SMC-GLMB算法,计算效率提升了62%。     

用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.     

采用随机矩阵的多扩展目标滤波器

针对杂波环境下多扩展目标的运动状态和形状信息的联合估计跟踪的问题,提出了一种基于随机矩阵的扩展目标跟踪算法。该算法采用具有噪声基于密度的空间聚类(DBSCAN)划分与预测划分相结合的联合划分算法对量测集进行划分,然后采用联合概率数据关联(JPDA)的软关联思想建立量测簇与扩展目标之间的对应关系,最后采用随机矩阵法对扩展目标进行估计获得运动状态和形状信息,特点是:将量测集划分为互不相交的几个簇,以使每个簇中的量测源于同一目标或杂波;建立量测簇与扩展目标之间的关联关系及状态更新。联合划分算法与DBSCAN划分的比较仿真实验表明,在有距离相近目标时采用联合划分算法比采用DBSCAN划分的滤波器的跟踪效果好得多。所提多扩展目标滤波器与ET-GMPDH滤波器的仿真实验表明,所提算法有较高的跟踪精度、较大的检测概率及较小的虚警概率。     

基于多模型GGIW-CPHD滤波的群目标跟踪算法

针对伽马高斯逆威夏特-概率假设密度(GGIW-CPHD)滤波算法跟踪机动群目标误差较大的问题,提出基于最适高斯近似(BFG)和强跟踪的多模型GGIW-CPHD滤波的群跟踪算法.首先,在对群目标量测分割的基础上,采用BFG方法实现CPHD预测阶段的多模型融合.其次,利用强跟踪滤波(STF)中的渐消因子来修正GGIW分量的预测协方差矩阵.最后,在CPHD更新阶段完成群质心和扩展状态估计的基础上,利用多个模型对应的似然函数完成模型概率的更新.实验结果表明:所提算法能够在GGIW-CPHD框架下实现多个模型的交互,有效降低机动阶段时群目标的状态估计误差,并能有效处理群目标的合并和衍生情况.     

一种新的多机动目标跟踪的GMPHD滤波算法

针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.