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。     

高斯粒子PHD滤波的多个弱小目标TBD算法

针对现有多个弱小目标检测前跟踪(track before detect, TBD)算法存在的跟踪精度低,算法复杂度高等问题,提出一种新的基于概率假设密度(probability hypothesis density, PHD)的TBD算法。所提算法通过高斯粒子滤波对PHD中的各高斯项进行递归运算、进行多帧能量累积,并提取高斯项的均值为目标的状态,达到检测与跟踪多个弱小目标的目的。算法在随机集滤波框架下完成未知数目的多个弱小目标跟踪,不仅充分利用粒子滤波的非线性估计能力,同时避免了传统算法利用模糊聚类进行目标状态提取所带来的跟踪精度低等问题。仿真结果表明,所提算法与传统方法相比,在降低算法复杂度的同时,对多个红外弱小目标具有更加良好的实时检测和跟踪性能。     

基于PHD滤波和数据关联的多目标跟踪

针对杂波环境下的多目标跟踪,概率假设密度（probability hypothesis density, PHD）滤波不能提供目标航迹信息的问题,提出一种基于PHD滤波和数据关联的多目标跟踪方法。利用PHD滤波消除杂波并得到各个时刻的目标个数和目标状态估计。将PHD滤波的结果重新定义为量测数据,通过数据关联进一步消除虚警和漏警并给出目标航迹。仿真结果表明,该算法可以在有效地提高杂波环境下多目标跟踪精度的同时提供各目标航迹信息。     

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。     

一种无迹粒子PHD滤波的多目标跟踪算法

针对粒子概率假设密度滤波(P-PHDF)算法估计精度低、滤波发散和粒子退化的缺陷,提出了一种无迹粒子PHD滤波(UP-PHDF)算法.该算法以UKF算法产生重要性函数并从中采样通过观测值更新粒子的权值,再用加权的粒子估计PHD函数,进而得到优化的状态估计均值和方差进行传播最后,对UP-PHDF算法进行了分析和实现,并将该算法和P-PHDF算法进行了比较.仿真结果表明,UP-PHDF算法不仅大大提高了滤波估计的精度,同时提高了跟踪系统的稳定性和鲁棒性.     

基于PHD滤波的相控阵雷达多目标跟踪算法

对于相控阵雷达方向余弦量测,采用扩展卡尔曼概率假设密度(extended Kalman probability hypothesis density, EK PHD)滤波进行多目标跟踪时,存在目标数估计偏高和目标状态估计准确度低的问题。针对上述问题,提出了一种新的多目标跟踪算法——无偏转换量测概率假设密度(unbiased converted measurements PHD, UBCM PHD)滤波算法。该算法采用方向余弦量测下的量测转换方法,保留了更多的量测信息;同时对转换后的量测偏差进行补偿,使量测转换误差的均值、方差准确近似原始量测高斯分布的一、二阶矩。仿真实验表明,所提算法可提高目标数和目标状态估计准确性。     

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。     

基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用

为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.     

条件线性状态空间模型Rao-Blackwellized卷积滤波算法

针对条件线性高斯状态空间模型,提出一种新的状态滤波方法,称为Rao-Blackwellized卷积滤波（Rao-Blackwellized convolution filtering, RBCF）算法,算法用卷积滤波器（convolution filter, CF）估计模型中的非线性状态,用卡尔曼滤波器 （Kalman filter, KF）估计线性状态;与Rao-Blackwellized粒子滤波器（Rao-Blackwellized particle filter, RBPF）相比,算法使用了基于核函数的CF,提高了在小噪声条件下的估计精度。RBCF滤波算法应用于机动目标跟踪的仿真结果表明：在小噪声条件下,RBCF的估计精度明显高于RBPF,其对位置和速度估计的均方根误差比RBPF低一个数量级以上。而且随着噪声进一步的减小,这种优势将更加明显。     

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

针对交互多模型(interacting multiple model, IMM)在多机动目标跟踪算法中存在的缺陷以及目标跟踪精度问题,提出了基于变结构多模型（variable structure multiple model, VSMM）的高斯混合基数概率假设密度（Gaussian mixture cardinalized probability hypothesis density, GMCPHD）滤波算法。该算法利用了VSMM具有自适应性、时变性的特点,达到了在某一时刻能够选取与目标运动模式相匹配的模型集合的目的,相比于IMM考虑的仅是固定的模式集合具有很强的优越性。此外,GMCPHD滤波算法不仅避免了数据关联问题,而且通过高斯分布递推PHD函数的同时递推基数分布。最后,利用雷达作为传感器,对跟踪机动目标进行仿真,证明VSMM相比于IMM对于多机动目标跟踪更具有优越性,同时验证了VSMM GMCPHD滤波算法具有提高机动目标跟踪精度,减小跟踪误差的作用。     

平方根递推更新GMP-PHDF

传统高斯混合粒子概率假设密度滤波器(Gaussian mixture particle probability hypothesis density filter,GMP PHDF)采用先验状态转移概率密度作为重要性密度函数,会出现粒子退化问题。而递推更新高斯滤波器依据测量函数梯度渐进式地进行状态更新,可获得更为接近于真实分布的后验估计,但其协方差矩阵易非正定而导致递推中断。对此,本文首先分析平方根递推更新高斯滤波器(square-root recursive update Gaussian filter,SR-RUGF)的实现思路,并给出基于容积卡尔曼滤波(cubature Kalman filter,CKF)的SR RUGF实现步骤。在此基础上,利用SR RUGF为GMP PHDF构建重要性密度函数,进而提出基于平方根递推更新的GMP-PHDF(square-root recursive update GMP-PHDF, SRRU-GMP-PHDF)算法。仿真结果表明,算法可以很好地利用量测信息,获得更高精度的估计结果。     

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。     

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。     

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。