基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

用于目标跟踪的自适应粒子滤波算法

结合粒子滤波算法,提出了一种能够根据目标运动特征自动确定粒子数的自适应目标跟踪算法。为了准确表示后验概率密度,粒子滤波通常使用大量的粒子。当运动预测准确时,用少量的粒子就可以准确估计概率密度函数。提出的算法利用描述概率密度所需的粒子数和运动估计准确程度之间的关系,自动确定粒子滤波所需的粒子数及其提议分布,提高了粒子的使用效率,避免了由于使用过多粒子而增加跟踪器计算量的问题。实验结果表明该算法可以有效地估计出进行目标跟踪所需的粒子数目。     

基于SVM数据融合的实时粒子滤波算法

采用粒子滤波的目标跟踪算法在粒子数目较多时计算量大、实时性差,针对该问题提出了一种新的基于支持向量机数据融合的实时粒子滤波算法。该算法在估计窗实时粒子滤波的基础上,使用支持向量机融合窗内不同时刻粒子集,并根据融合的结果更新粒子权值,实现对目标状态的快速跟踪。相对于原算法采用最小化Kullback-Leibler距离来调整估计窗混合分布的权值,该方法的计算复杂度低、速度快,进一步提高了算法的实时性。对纯角度目标跟踪问题的仿真结果表明了该算法的可行性和有效性。     

基于粒子滤波的机动目标跟踪改进算法

粒子滤波是指利用Monte Carlo仿真方法处理递推估计问题的非线性滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波(EKF)算法,融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布。仿真结果表明,该算法对机动目标有更好的跟踪效果。     

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。     

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。     

非线性"当前"统计模型及自适应跟踪算法

针对"当前"统计模型中人为设定时间常数的倒数α值的不合理性,对机动参数α进行建模,并基于粒子滤波的思想,结合UKF滤波算法给出适用于强机动目标跟踪的CS-UKF算法。整个算法能够实时估计参数α,并从这里出发估计目标状态。仿真结果表明在目标强机动时CS-UKF算法比经典CS-KALMAN算法收敛速度更快,状态估计更精确。     

基于卷积粒子滤波的交互式多模型算法

针对噪声分布未知环境下的非线性目标跟踪,提出了基于卷积粒子滤波的交互式多模型算法。该算法利用卷积粒子滤波器并行地运行多个模型,对前一时刻每个模型的状态后验概率密度进行交互,从交互后的概率密度中采样作为当前时刻滤波器的初始粒子,对当前时刻每个模型的状态后验概率密度进行加权作为系统输出。与基于粒子滤波的交互式多模型算法相比,算法消除了对量测噪声分布的依赖,提高了效费比,理论分析和仿真结果证明了该算法的有效性。     

无迹粒子滤波在基于色彩的视频目标跟踪中的应用

在视频目标跟踪中把视频象素点的色彩值(RGB值)作为跟踪系统的观测量,用无迹粒子滤波算法估计活动目标在每一帧视频画面中的位置.在粒子滤波的重要性采样步骤中以色彩相似度作为更新粒子权值的标准.采用一种判断是否需要进行重采样的方法.在MATLAB环境下仿真时采取调用预先编译得到的DLL文件的方式减少仿真时间.实验结果表明,取300个粒子时,能以每秒24帧的速率跟踪随机运动的视频目标.     

一种姿态角辅助的IMMPF算法

交互式多模型粒子滤波(IMMPF)算法把粒子滤波(PF,Particle Filter)引入交互式多模型估计(IMM)算法,从而能够有效地解决非线性、非高斯机动目标跟踪问题.首次把姿态角信息引入到针对空中机动目标跟踪的IMMPF算法中,通过姿态角测量与当前运动模式的模糊关联来辨识目标的机动模式,然后把辨识结果与IMMPF算法的后验粒子权值相融合,以提高算法本身的模型分辨能力;对机动目标跟踪的仿真实验表明,该方法能够有效地改善原跟踪算法的跟踪精度和稳定性.     

UPF算法及其在目标跟踪问题中的应用

针对传统粒子滤波(PF)算法的缺陷,提出了一种改进的粒子滤波(UPF)算法。该算法以UKF方法生成替代分布并从中采样,解决了传统PF算法中以转换先验密度函数作为替代分布所引发的各种问题。对UPF算法进行了深入的分析研究,并给出了一个纯方位目标跟踪问题的仿真算例。理论分析与仿真结果均表明,改进算法提高了滤波的稳定性和精确性,具有较高的实用价值和广泛的应用前景。     

Modified unscented particle filter for nonlinear Bayesian tracking

A modified unscented particle filtering scheme for nonlinear tracking is proposed, in view of the potential drawbacks （such as, particle impoverishment and numerical sensitivity in calculating the prior） of the conventional unscented particle filter （UPF） confronted in practice. Specifically, a different derivation of the importance weight is presented in detail. The proposed method can avoid the calculation of the prior and reduce the effects of the impoverishment problem caused by sampling from the proposal distribution, Simulations have been performed using two illustrative examples and results have been provided to demonstrate the validity of the modified UPF as well as its improved performance over the conventional one.     

一种改进的不敏粒子滤波算法

提出了一种改进的不敏粒子滤波（UPF,Unscented Particle Filter）算法。和传统的UPF相比,该算法有两点改进,首先,在形成＂粒子云＂时,直接采用当前时刻各粒子的UKF（Unscented Kalman Filter）估计作为粒子,在保证粒子有效性的同时,减少了UKF之后的重采样过程;然后,结合新的粒子产生办法,重新定义了权值计算方法,避免了对各粒子重要概率的复杂计算。仿真表明,改进算法在减少计算量的同时,有效地提高了跟踪稳定性和跟踪精度。

Abstract：

An improved Unscented Particle Filter （UPF） algorithm was proposed.Compared with traditional UPF,it has been improved at two points.First,when producing particle cloudy,it directly uses the current particle estimation of Unscented Kalman Filter （UKF） as new particle,which guarantees the validity of particles and eliminates the re-sampling process after UKF as well;then,according to the new particle-producing method,a weight-calculating formula is re-defined,so as to avoid the complicated computation of proposal probability of every particle.A simulation shows that the Improved UPF （I-UPF） can effectively enhance the tracking stability and tracking precision and reduce computational cost at the same time.     

Optimization-based particle filter for state and parameter estimation

In recent years, the theory of particle filter has been developed and widely used for state and parameter estimation in nonlinear/non-Gaussian systems. Choosing good importance density is a critical issue in particle filter design. In order to improve the approximation of posterior distribution, this paper provides an optimization-based algorithm (the steepest descent method) to generate the proposal distribution and then sample particles from the distribution. This algorithm is applied in 1-D case, and the simulation results show that the proposed particle filter performs better than the extended Kalman filter (EKF), the standard particle filter (PF), the extended Kalman particle filter (PF-EKF) and the unscented particle filter (UPF) both in efficiency and in estimation precision.     

Bayesian target tracking based on particle filter

1 .INTRODUCTIONIn many fields including target tracking, robotics ,signal processing, ti me-series analysis , etc , theKal manfilter is one of the most widely used methodsfor esti mationinlinear Gaussiansystemand measure-ment models . However , the application of theKal man filter to nonlinear systems can be difficult .Most common approach is to use the extendedKal manfilter (EKF) .EKFsi mplylinearizes all non-linear models by using Taylor series expansions andcan, however , lead to p…     

基于改进高斯粒子滤波器的目标跟踪算法

针对现有机动目标跟踪中粒子滤波算法的不足,提出了一种改进的粒子滤波方法。该方法在高斯粒子滤波的基础上通过利用当前时刻量测值对量测误差的分布参数进行实时的统计和更新,并以此得到粒子的权值,从而考虑到了量测值对估计值的影响,该方法适合于量测误差分布为高斯白噪声且状态量与量测误差相关条件下的非线性估计。仿真结果表明,与传统的自举粒子滤波(boot trap particle filter, BPF)、高斯粒子滤波（Gaussian particle filter, GPF)以及无迹粒子滤波（unscented particle filter, UPF)相比,该方法具有较高的精度和较少的计算量。     

Quadrature Kalman particle fitler

In order to resolve the state estimation problem of nonlinear/non-Gaussian systems,a new kind of quadrature Kalman particle filter (QKPF) is proposed.In this new algorithm,quadrature Kalman filter (QKF) is used for generating the importance density function.It linearizes the nonlinear functions using statistical linear regression method through a set of GaussianHermite quadrature points.It need not compute the Jacobian matrix and is easy to be implemented.Moreover,the importantce density function integrates the latest measurements into system state transition density,so the approximation to the system posterior density is improved.The theoretical analysis and experimental results show that,compared with the unscented partcle filter (UPF),the estimation accuracy of the new particle filter is improved almost by 18%,and its calculation cost is decreased a little.So,QKPF is an effective nonlinear filtering algorithm.     

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。