直方图概率多假设跟踪方法技术综述

直方图概率多假设跟踪(histogram probabilistic multi-hypothesis tracking, H-PMHT)算法是高效的多目标检测前跟踪(track before detect, TBD)方法, 其由概率多假设跟踪(probabilistic multi-hypothesis tracking, PMHT)算法发展起来。首先深入剖析了H-PMHT算法, 并重点分析比较了该算法和PMHT算法间的深刻联系, 分析了该算法的特点和适用条件; 其次, 介绍了近年来H-PMHT算法的改进和推广情况, 梳理了算法应用中的相关研究工作; 最后, 总结了算法的优缺点及需要改进的问题, 展望了其发展前景。     

修正并行式多传感器不敏多假设跟踪算法

为了有效解决非线性系统中的多传感器多目标跟踪问题,提出了一种修正并行式多传感器不敏多假设滤波算法。算法运用概率数据互联的思想对各传感器的估计量进行概率加权,克服了并行式多传感器算法的误差积累现象,得到了一种修正的多传感器并行式算法。各传感器中量测点迹与航迹的数据互联问题通过多假设方法予以解决,并通过不敏卡尔曼滤波器完成非线性系统中的目标跟踪。仿真结果表明,从跟踪精度及稳定性方面看,所提出的算法性能要优于MSJPDA/EKF算法。     

多假设跟踪的新方法——Nagarajan搜索法

为解决稠密目标环境中观测与航迹的数据关联问题,1974年,R.A.Singer等人提出了一种多假设跟踪方法MHT(multiplehypothesis tracking)。这种方法虽然是实现数据关联的重要途径之一,但是,由于这种最初的方法不仅要求存储过去的观测数据和许多假设,而且要求适当的假设修剪(pyuning)技术,所以难以实时地应用。 为寻找N个整体最好假设,需要比较两     

引入目标灰度信息的多假设跟踪方法

在传统的多假设跟踪(MHT)算法中,航迹置信度函数仅利用了目标的位置信息。对于红外搜索与跟踪(IRST)系统中的目标跟踪,还有目标灰度信息可以利用,因此在IRST系统的MHT算法中加入目标的灰度信息来重新构造航迹置信度函数和航迹启动条件,增强了算法抑制虚警的能力。通过跟踪5个高机动目标的仿真过程,对算法性能进行了检验,仿真结果表明,新的算法可以减少航迹数目、减少系统计算时间,并使算法具有更强的抑制噪声的能力。     

尺度自适应的多模型压缩跟踪算法

为了对复杂环境中的目标进行长时间的精确跟踪,在压缩跟踪算法的基础上提出一种尺度自适应的多模型压缩跟踪算法。该算法首先利用离线学习获得目标的尺度约束集,建立目标的多尺度模型,实现尺度的自适应选择;其次,利用随机投影矩阵对多尺度图像特征进行降维,减少算法计算量;最后,利用多模型分类器在线学习训练朴素贝叶斯分类器实现目标跟踪。实验结果表明,本文算法在跟踪尺度变化的目标和外观变化的目标时,跟踪性能有了较大改善,虽然处理时间有一定程度的增加但仍满足实时性的要求。     

基于先验信息的多假设模型中断航迹关联算法

针对经典的中断航迹关联算法在机动目标环境下航迹预测准确性差、关联效果恶化严重的问题,提出基于先验信息的多假设运动模型中断航迹关联算法。所提算法充分利用目标属性、目标运动特征、使用场景等先验信息,基于多假设思想,建立多种可能的目标运动模型并实施航迹预测,基于位置和速度信息的模糊相关函数描述预测航迹与新起始航迹的模糊匹配关系,最后基于多项式拟合原理连接满足关联关系的新、老航迹。经仿真验证,在中断区间目标发生机动运动的条件下,所提算法的关联效果相对于经典的中断航迹关联算法有显著提升。所提算法对于复杂环境具有较强的适应能力,经50次蒙特卡罗仿真,在中断时间小于18个滤波周期条件下,机动目标的平均正确关联率达到90%以上,机动环境的全局关联正确率达到85%以上。     

自适应数字电视跟踪

本文介绍的电视跟踪器采用了对目标图象尺寸归一化的误差信号处理技术,通过图象数字化和图象识别从特性相近似的真假目标中识别出真目标,进而测定目标型心的座标。在目标图象尺寸变化较大的情况下,系统的稳定性和跟踪精度不受影响。可供研究目标探测、图象雷达、靶场测量和导弹制导等参考。     

柔性航天器自适应多层神经网络跟踪控制方法

针对柔性航天器的姿态跟踪以及振动抑制问题,提出了一种自适应多层神经网络控制方法。利用自适应多层神经网络来补偿系统的非线性项,利用光滑变结构项来补偿神经网络逼近误差及外部干扰。柔性航天器为典型的一个中心刚体加柔性附件的结构,假设模型参数未知并且具有任意的有限维。控制器只利用姿态角和角速度信息进行反馈控制,不需柔性附件振动信息。最后,实验表明该方法可以有效地完成姿态跟踪和振动抑制。     

多特征融合的尺度自适应相关滤波跟踪算法

针对传统的核相关滤波跟踪算法特征表达不足且不能解决尺度变化导致的跟踪失败问题,提出了一种多特征融合的尺度自适应相关滤波跟踪算法。首先,在位置预测阶段,利用Hue和梯度方向直方图两种特征和各自的位置滤波器作用得到的输出响应值,自适应分配权重实现目标位置的预测。其次,在尺度预测阶段,通过在目标位置采集多尺度图像,组成样本独立训练尺度滤波器,并根据样本的尺度滤波响应值,对目标的尺度进行估计,使跟踪算法能够适应目标的尺度变化。最后利用两帧图像间的差异性,自适应调整学习率,进行位置滤波器的更新。实验结果表明,改进算法相较于传统的核相关滤波跟踪算法,在跟踪成功率和跟踪精度上分别提高了25%和13%。当目标尺度变化较大时,改进算法仍能稳定跟踪。     

自适应高斯模型与多基地雷达机动目标跟踪

为改善多基地雷达系统对高机动目标的跟踪性能,提出了基于自适应高斯模型和扩展卡尔曼滤波(EKF)的机动目标跟踪算法.将目标加速度的概率密度特性描述为一具有均值和方差的高斯分布,建立了系统的离散状态方程和非线性观测方程进行EKF滤波,并在每个采样周期实现对输入控制信号及过程噪声协方差的更新,使加速度符合目标的实际变化情况.Monte Carlo仿真结果显示,对目标的变加速轨迹,该算法在位置和加速度上的均方根误差均比Singer模型小,且误差曲线平滑,表明了该算法能对机动目标实现准确跟踪.     

元启发式数据关联的多目标跟踪方法

提出了一种元启发式数据关联的多目标跟踪方法。首先,该方法根据跟踪门逻辑确定目标的有效量测。然后,利用滤波信息的似然函数描述量测点与目标之间的关联关系,并建立约束条件下多目标数据关联模型。最后,对蚁群优化算法进行改进设计,引入量测剔除策略,将求解问题转化为无约束的组合优化形式,从而利用蚁群优化算法在离散空间的启发式机制搜索量测与目标的最佳关联。仿真结果表明,该方法可以有效实现多目标数据关联且计算量较小,具有一定的工程实用价值。     

跟踪窗自适应的Mean Shift目标跟踪算法

针对Mean Shift算法不能很好地跟踪尺度变化目标的缺点,提出一种将Mean Shift算法和目标几何特征相结合的目标跟踪算法。该方法在Mean Shift框架下提取目标的几何特征,根据目标的面积和型心坐标对跟踪窗的位置和大小进行修正,最后更新Mean Shift的目标模板。通过大量实验仿真证明,改进的算法能很好地跟踪尺度变化的目标,对目标的仿射变化和非刚性的形态变化具有有效性和鲁棒性。     

一种自适应多目标跟踪算法

给多目标跟踪滤波器引入一个自适应比例因子,用该比例因子描述目标运动过程中的不可预测性或机动性。并结合实际情况,针对传统的数据关联算法的可行性规则(量测与目标一一对应)所存在的问题,提出量测与目标是多-多对应的新可行性规则。在此基础上,给出一种自适应多目标跟踪算法。仿真结果表明:自适应算法的跟踪性能优于非自适应算法的跟踪性能。利用该方法对多目标进行跟踪,可以达到很好的跟踪效果。     

Multiple-target tracking with adaptive sampling intervals for phased-array radar

A novel adaptive sampling interval algorithm for multitarget tracking is presented.This algorithm which is based on interacting multiple models incorporates the grey relational grade (GRG) into the particle swarm optimization (PSO).Firstly,the desired tracking accuracy is set for each target.Secondly,sampling intervals are selected as particles,and then the advantage of the GRG is taken as the measurement function for resource management.Meanwhile,the fitness value of the PSO is used to measure the difference between desired tracking accuracy and estimated tracking accuracy.Finally,it is suggested that the radar should track the target whose prediction value of the next sampling interval is the smallest.Simulations show that the proposed method improves both the tracking accuracy and tracking efficiency of the phased-array radar.     

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。     

自适应网格跟踪微分器设计

针对传统跟踪微分器给大幅度变化的离散输入信号安排过渡过程时存在误差较大和相位滞后等问题,提出了一种自适应网格跟踪微分器。根据任务要求将整个跟踪过程分为上升段和稳定段。将滤波因子和速度因子扩张成二维网格,并按照设定的网格细化策略依次细化网格,直到满足精度要求为止。通过若干案例仿真验证了该自适应网格跟踪微分器的可行性和有效性。它能有效地处理大幅度变化的离散输入信号,具备快速、准确、无超调的跟踪性能,而且安排的过渡过程和提取的微分信号均无相位滞后。此外,在处理连续信号时,该跟踪微分器同样具备这些优越的跟踪性能,而且不受采样步长的影响,具备更好的适应性。     

Modified joint probabilistic data association with classification-aided for multitarget tracking

Joint probabilistic data association is an effective method for tracking multiple targets in clutter, but only the target kinematic information is used in measure-to-track association. If the kinematic likelihoods are similar for different closely spaced targets, there is ambiguity in using the kinematic information alone; the correct association probability will decrease in conventional joint probabilistic data association algorithm and track coalescence will occur easily. A modified algorithm of joint probabilistic data association with classification-aided is presented, which avoids track coalescence when tracking multiple neighboring targets. Firstly, an identification matrix is defined, which is used to simplify validation matrix to decrease computational complexity. Then, target class information is integrated into the data association process. Performance comparisons with and without the use of class information in JPDA are presented on multiple closely spaced maneuvering targets tracking problem. Simulation results quantify the benefits of classification-aided JPDA for improved multiple targets tracking, especially in the presence of association uncertainty in the kinematic measurement and target maneuvering. Simulation results indicate that the algorithm is valid.