基于演化网络模型的箱粒子CPHD群目标跟踪

提出一种基于演化网络模型和区间分析的群目标势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波算法。针对传统的粒子CPHD群目标跟踪算法中粒子数多、运算量大的问题,采用箱粒子实现CPHD滤波器,减少了粒子数,降低了运算量。算法通过对群目标状态采用CPHD滤波进行预测更新,并使用所获得的群信息修正群内目标的状态,进而实现对群质心的跟踪和群目标的势估计。仿真对比实验表明,所提算法在达到与传统算法相似估计性能的条件下,大幅降低了算法的运算量,同时在强杂波环境下也具有更为突出的优势。     

基于unscented粒子滤波的红外弱小目标跟踪

为有效解决非线性环境中的红外弱小目标跟踪问题,提出基于unscented粒子滤波的目标跟踪算法。状态转移先验概率中未考虑当前测量对状态估计的作用,为克服传统粒子滤波算法采用状态转移先验概率作为粒子滤波建议分布的缺点,采用UKF生成粒子滤波的建议分布(UPF),并从中抽样粒子。由于考虑到当前观测值在状态后验估计中产生的影响,改善了目标状态估计的性能,且实验所需粒子数目大大少于传统粒子滤波算法所需粒子数目。用实际红外图像对所提算法做了仿真实验,结果表明,用该方法得到的状态估计结果优于用传统粒子滤波算法和用扩展卡尔曼滤波作为建议分布的粒子滤波算法获得的结果。     

一种基于粒子滤波的被动多传感器多目标跟踪算法

针对被动观测系统中非线性运动多目标跟踪问题,提出了一种基于交叉定位的模糊-概率双加权粒子滤波跟踪算法.算法利用多个被动传感器的角度观测信息进行交叉定位,得到目标的位置观测信息,通过模糊-概率双加权完成目标与定位点的关联匹配,最后利用粒子滤波对非线性运动的目标进行跟踪;其中关联算法和滤波算法的有效结合是该算法的创新点.仿真结果表明,所提出的算法可以准确地排除虚假定位点,可有效跟踪多个非线性运动目标.     

基于量子遗传和无迹粒子滤波的人体运动跟踪

提出一种人体运动跟踪算法,用于解决多关节人体运动跟踪问题.由于无迹粒子滤波存在样本贫化现象,因而对目标运动估计产生影响,尤其估计模型为复杂的马尔可夫链的时域问题的影响尤为严重.通过分析产生该现象的原因,在无迹粒子滤波中引入量子遗传算法:一方面,增加样本集的多样性而缓解样本贫化现象的影响;另一方面,改善其估计、跟踪能力并有效缩短了计算时间.实验结果表明,所提出算法很好地减轻了样本贫化现象对无迹粒子滤波的影响,并提高了多关节人体运动跟踪的准确性,跟踪结果令人满意.     

基于压缩感知的粒子滤波跟踪算法

针对运动目标跟踪存在的目标遮挡和光照变化问题,提出一种基于压缩感知的粒子滤波跟踪算法。将改进的压缩感知跟踪算法提取的特征融合到粒子滤波跟踪框架中,并对压缩感知提取的特征和原始粒子滤波中的颜色特征进行可信度判定,能够较好地处理图像序列中由于目标遮挡和光照变化所带来的影响。此算法在公开数据库中进行测试,实验结果表明,提出的算法与已有改进压缩感知跟踪算法和粒子滤波跟踪算法相比,鲁棒性更好,能准确实时地对目标进行跟踪。     

机动目标跟踪的斯-厄米特粒子滤波算法

闪烁噪声环境下的机动目标跟踪实质上是一个非线性非高斯系统滤波问题,为了提高跟踪精度,应用高斯-厄米特滤波方法来产生粒子滤波器(PF)的重要密度函数,解决了PF算法的粒子退化问题,并给出了基于高斯-厄米特粒子滤波器(GHPF)的闪烁噪声机动目标跟踪算法。仿真结果表明,各种PF算法对闪烁噪声机动目标的跟踪精度远远好于卡尔曼滤波方法;同时GHPF不仅提高了估计精度,而且减少了粒子数目,降低了算法的复杂度,因此其综合性能要好于其他PF算法,具有较高的跟踪精度和较好的实时性。     

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。     

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.     

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。     

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。     

基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping, FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter, AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。     

基于改进灰狼算法的粒子滤波算法研究

针对传统粒子滤波算法易出现粒子贫化与权值退化现象和为了实现对非线性系统较为准确的状态估计,通常需要大量粒子的参与的问题,提出了基于改进灰狼算法的新型粒子滤波方法,该算法用粒子表征灰狼个体,模拟狼群捕猎的过程,使粒子向后验概率的高似然区域移动,提高粒子分布的合理性.在灰狼寻优算法中引入了莱维飞行策略,提高灰狼算法的收敛速...     

快速Metropolis-Hastings变异的遗传重采样粒子滤波器

为了解决传统粒子滤波器粒子退化与贫乏问题,提出了快速变异的遗传重采样粒子滤波算法.该算法将快速Metropolis-Hastings(MH)移动作为遗传算法的变异算子,使得快速变异算子与传统交叉算子、传统选择算子组合为一种新的粒子重采样算法.快速MH变异能对粒子进行移动,使得粒子的稳定分布为目标的后验概率密度分布.快速变异能有效解决一般变异算法易发散的问题,可以更快地提取到反映目标概率特征的典型粒子.实验证明,基于快速MH变异的遗传重采样方法可以快速提高粒子的多样性,避免粒子退化,减小跟踪误差.     

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。     

基于最优分配的多目标滤波系统性能评估

针对现有多目标滤波性能评估方法中存在的目标源分配不合理问题,提出一种新的目标源最优分配方法。所提方法首先利用估计目标的协方差矩阵和标准椭球波门初步检测出虚假估计和漏检目标,然后利用最优分配法完成剩余估计目标和剩余源目标间的分配。由于采用马氏距离测度和标准椭球波门,使得目标源分配不受量纲选取的影响且与具体应用背景无关。在此基础上,推广了一种多目标误差距离测度对多目标滤波性能进行评估。实验分析和比较验证了所提方法的合理有效性。     

基于容积卡尔曼的粒子PHD多目标跟踪算法

标准粒子概率假设密度(standard particle probability hypothesis density, SP-PHD)滤波在预测粒子状态时没有考虑最新的观测信息,因而存在估计精度较低、粒子退化严重的问题,针对上述问题,提出基于容积卡尔曼的粒子概率假设密度(cubature Kalman particle probability hypothesis density, CP-PHD)滤波算法,该算法基于球面-径向容积数值积分准则,利用容积卡尔曼滤波(cubature Kalman filter, CKF)产生建议密度函数,并对其进行采样得到当前时刻的粒子状态,从而使粒子分布更接近于真实的多目标后验概率密度函数。同时,CP-PHD算法性能不受目标状态维数影响,与无迹卡尔曼粒子概率假设密度(unscented Kalman particle probability hypothesis density, UP-PHD)滤波相比,具有更强适应性和更好的跟踪性能。实验结果表明,CP-PHD算法的跟踪精度优于SP-PHD和UP-PHD。