基于密度模糊C均值量测集划分的多扩展目标跟踪算法

针对多扩展目标跟踪中的量测集划分问题,提出一种自适应门密度模糊C均值(fuzzy C-means,FCM)量测集划分算法.首先,该算法利用自适应门对量测集进行预处理,滤除部分杂波量测,在降低算法计算复杂度的同时提高了量测集划分的准确度.然后,采用密度函数法产生FCM的初始聚类中心,并给出自适应门密度FCM多扩展目标量测集划分算法的详细过程.最后,采用容积卡尔曼滤波求解非线性框架下具有封闭解的扩展目标高斯混合概率假设密度(ET-GMPHD)滤波算法.仿真实验验证了算法的有效性.     

基于椭圆RHM的扩展目标伯努利滤波算法

针对扩展目标跟踪中存在的扩展状态估计不准确和非线性问题,提出一种基于随机超曲面模型(RHM)的扩展目标伯努利滤波算法.首先采用RHM对目标量测源建模,然后在扩展目标伯努利滤波框架下,实现对单扩展目标运动状态和扩展状态的实时估计,最后引入Gamma分布以提高量测率估计的准确性.为了降低计算复杂度,在量测更新中采用距离划分来减少所有可能的划分总数.仿真结果表明,所提滤波算法在估计目标运动状态、扩展状态和量测率等方面优于单目标伯努利滤波算法.     

厚尾噪声条件下星凸形扩展目标student’s t滤波器

针对非线性非高斯厚尾噪声条件下的不规则形状的扩展目标跟踪问题,提出了基于随机超曲面模型(RHM)的星凸形扩展目标student’s t滤波算法.首先,在带有非高斯厚尾过程噪声和厚尾量测噪声的系统中, 基于student’s t分布给出鲁棒student’s t滤波器.其次,利用随机超曲面模型描述任意星凸形扩展目标的量测源分布, 提出带厚尾噪声的星凸形扩展目标student’s t滤波器.最后通过仿真验证了所提方法的正确性和有效性.     

多传感器粒子滤波融合跟踪算法

对于非线性非高斯环境中的多传感器分布式状态估计问题,提出了一种基于二阶中心差分粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,以在线自适应加权融合算法的方式得到系统最优估计.仿真结果表明,与采用扩展卡尔曼滤波的方法相比,该算法具有更高的估计精度.     

非均匀分布量测下的扩展目标跟踪方法

针对雷达方位角变化导致散射源统计特性改变的问题,提出了一种非均匀分布量测下的扩展目标跟踪方法.算法通过轮廓质心法和接受-拒绝采样法产生伪量测,并构建了分层无迹卡尔曼滤波器(hierarchical unscented kalman filter,HUKF)来估计运动状态和形状参数.实验结果表明,相比于传统的无迹卡尔曼滤...     

量测随机丢失下基于容积卡尔曼滤波的厚尾噪声处理方法

针对量测随机丢失和厚尾量测噪声条件下的非线性状态估计易发散问题,提出了一种新的非线性卡尔曼滤波方法。引入服从Gamma分布的辅助参数,将厚尾量测噪声建模为Student’s t分布,以解决厚尾噪声导致的状态估计易发散问题,并采用服从Benroulli分布的随机变量来描述量测信号随机丢失的现象;在量测随机丢失下,基于目标状态和未知参数建立联合后验分布,并使用变分贝叶斯方法,联合估计系统状态、量测丢失概率和未知的厚尾噪声。非线性目标跟踪仿真实验表明,提出的算法可自适应估计未知的量测丢失概率,在野值概率为5%的条件下,算法目标跟踪的位置、速度和转动速率均方根误差分别为对比算法的37%、28%和60%;在野值概率为10%的条件下,其他算法均出现了发散现象,而提出的算法依然能够以较低的误差跟踪目标,体现了所提算法良好的鲁棒性和优越性。     

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。     

基于箱粒子滤波的扩展目标伯努利跟踪算法

针对复杂环境下,扩展目标跟踪量测存在漏检以及量测不精确、模糊的问题,引入区间分析技术,提出了一种基于箱粒子滤波的扩展目标伯努利滤波算法.算法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,然后将箱粒子滤波应用到扩展目标伯努利滤波算法,推导了适用于不确定量测的扩展目标伪似然函数和状态更新方程,并用伯努利箱粒子滤波递推地对扩展目标的状态进行估计跟踪.仿真实验表明:与扩展目标伯努利粒子滤波算法相比,所提算法在保证扩展目标跟踪性能的同时,有效减少了算法的计算时间.     

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%.     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

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.     

多源二维测角信息的三维动态目标跟踪定位算法

针对纯角度非线性估计法对量测方程进行线性化处理后的运动要素估计出现发散或偏置现象等问题,提出了基于多源二维测角信息的三维动态目标跟踪定位算法.利用最大似然估计法对多基站提供的角度量测信息进行融合处理,由此获得的量测方程经伪线性化后的均方等效误差期望值最小,从而实现了目标运动要素无偏估计.通过仿真表明,利用所提算法获得的位置跟踪误差曲线能快速、准确地逼近Cramer-Rao下界,比扩展的卡尔曼滤波器的收敛速度快,精度高,跟踪精度可提高50%.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

基于随机有限集理论的多扩展目标跟踪技术综述

随着传感器分辨率的不断提高,扩展目标跟踪技术在实际应用中的作用日益凸显。传统的基于数据关联的目标跟踪方法在对多扩展目标进行跟踪时难以适用,而基于随机有限集理论的方法由于避免了数据关联的困扰而得到了广泛的关注和大量的研究。通过对近年来基于随机有限集理论的多扩展目标跟踪技术研究现状进行了综合分析,包括外形建模方法、最优多目标跟踪贝叶斯滤波器的各类近似技术以及基于随机有限集的多扩展目标跟踪算法的性能评价指标等。最后在已有研究发展的基础上,提出了基于随机有限集理论的多扩展目标跟踪技术需重点关注和解决的若干问题,包括如何将外形建模与群目标轮廓建模进行结合、多机动扩展目标跟踪、多扩展目标跟踪性能评价指标、非线性非高斯下的扩展目标跟踪、非标准量测下的扩展目标跟踪等问题。     

有界噪声条件下基于集员滤波的扩展目标跟踪方法

现有概率框架下的扩展目标跟踪方法需要已知系统量测噪声统计特性,然而在实际过程中量测噪声大多为边界已知而统计特性未知的有界噪声,其难以利用概率方法对扩展目标运动状态与形态进行计算。针对有界噪声条件下的扩展目标跟踪问题,提出一种基于集员滤波的扩展目标跟踪方法,该方法通过UBB椭球集合对量测噪声进行表示,并采用集员滤波对运动状态集合参数进行计算。在对扩展目标形态估计过程中,结合凸包计算几何理论中的Graham scan算法,求解包含目标形态最大误差的最小边界矩阵,最后利用仿射变换和偏移超曲面计算椭球Minkowski差的边界参数,从而对目标形态矩阵进行更新。仿真结果表明,在有界噪声条件下,相比于传统概率框架下的贝叶斯滤波方法,文中所提出的方法对目标运动和扩展形态的跟踪精度更高。     

非线性滤波算法在无源定位中的应用

针对无源定位中量测方程非线性对滤波精度及稳定性的影响,分析了基于模型线性化的滤波算法,包括扩展卡尔曼滤波(EKF)、伪线性滤波(PLF)、修订增益的扩展卡尔曼滤波(MGEKF)算法的特点,重点论述了非线性滤波(UKF)与粒子滤波器(PF)这2种新的非线性滤波方法思想及其特点,指出了无源定位问题中,这2种算法有更好的滤波精度及稳定性.     

利用高斯混合概率假设密度滤波器对扩展目标量测集进行划分

针对杂波环境下多扩展目标高斯混合概率假设密度(ET-GMPHD)量测集划分难、计算量大的问题,提出了一种新的基于网格密度分布和谱聚类的扩展目标量测集划分方法。利用动态网格生成技术来获得量测集的网格密度分布;在获得网格划分后,将全部量测数据映射到网格单元中并统计网格单元的密度,且采用双密度阀值法来滤除量测集中的杂波;在谱聚类算法中利用密度敏感距离测度对去除杂波后的量测集构造相似矩阵,继而变换得到拉普拉斯矩阵;利用k-均值聚类算法对拉普拉斯矩阵的特征向量进行聚类划分。采用网格密度划分法滤除量测集中的杂波,使划分子集尽可能多地包含真实量测,增加划分子集与量测集合的近似度,从而在减少计算量的同时保证算法的跟踪性能损失不大。仿真实验表明,与典型的量测集划分算法相比,所提方法在跟踪误差损失约5%的前提下,计算效率提高了38%以上,具有更好的性能。     

基于快速密度峰值聚类的多扩展目标跟踪算法

为降低杂波对量测集划分的影响,提出了一种基于快速密度峰值聚类的多扩展目标跟踪算法.首先分析不同分区对跟踪结果的影响,得到最"信息"分区的形式,然后利用快速密度峰值聚类(FDPC)算法对量测集进行划分,减少杂波对量测集划分的影响.实验结果表明,所提算法能够有效抑制杂波的影响,在保证跟踪性能损失不大的情况下大大提高了算法的计算效率,具有较好的应用价值.     

不确定重尾量测噪声干扰下的鲁棒目标跟踪算法

在大多数目标跟踪方法中,通常假设量测噪声服从参数已知的高斯分布或对称重尾分布,但其非常受限并且在实际过程中常常无法得到满足。因此,针对存在不确定重尾量测噪声干扰下的目标跟踪问题,提出基于变分推理的鲁棒容积卡尔曼滤波算法。该算法利用Skew-T分布对不确定重尾量测噪声进行建模,在基于容积规则的数值积分过程中,结合变分推理将Skew-T分布量测噪声参数与系统状态变量进行联合递归计算,通过对近似后验概率密度函数进行变分迭代,获得系统模型和不对称重尾量测噪声参数。仿真结果表明,该算法相比变分贝叶斯扩展卡尔曼滤波算法具有较高的滤波精度。     

基于中心差分卡尔曼滤波的航天器视觉相对导航算法研究

在航天器视觉相对导航过程中,量测方程的非线性特性会影响航天器相对位姿的估计精度.分析了扩展卡尔曼滤波方法(EKF)将非线性模型线性化时存在的缺点,研究了中心差分卡尔曼滤波方法(CDKF),提出用中心差分卡尔曼滤波方法来解决视觉导航中两航天器的相对位姿估计问题,并给出了EKF与CDKF的仿真结果.仿真结果表明在相同条件下,CD-KF算法比EKF具有更高的精度和稳定性,该方法能够在航天器视觉相对导航中应用.