基于速度方位约束的多传感器模糊数据互联

针对杂波环境下多传感器跟踪多目标的问题,提出了一种基于速度方位约束的多传感器模糊数据互联算法(multi-sensor fuzzy data association method based on velocity and azimuth, VA-MSFDA)。该算法首先利用方位速度信息对确认区域内的有效量测作进一步筛选,剔除部分虚假量测,然后基于模糊聚类方法计算候选量测与观测区域内各目标互联的概率,应用顺序结构多传感器联合概率数据互联(multi-sensor joint probabilistic data association algorithm,MSJPDA)原理,依次处理各传感器中的目标测量数据,实现对多目标的跟踪。仿真结果表明,与顺序MSJPDA相比,VA-MSFDA在算法耗时、估计精度、收敛速度和量测正确关联率等方面优势明显,能够更好地解决杂波环境下的多目标跟踪问题。     

基于概率数据关联与粒子滤波的多目标跟踪算法

提出一种基于概率数据关联和改进粒子滤波的多目标跟踪算法。该方法在分析关联区域内有效量测基础上,利用量测与目标预测位置的统计距离计算关联概率;然后,对粒子滤波器进行改进,将目标的最新量测和状态的高斯逼近组合在一起,对每个粒子采用类似于卡尔曼滤波的方式产生高斯建议分布。以比提高目标状态的估计精度;最后,将所有有效量测的估计结果按照关联概率进行咖权,从而实现多目标跟踪。仿真结果表明,该算法用于复杂环境下的多目标跟踪精度较高,不仅降低了关联概率的计算难度,而且可以准确地进行数据关联,具有一定的工程应用价值。     

基于信息熵权的最近邻域数据关联算法

复杂环境下雷达数据关联算法是多目标跟踪领域研究的重难点问题之一。其中,最近邻域算法虽然是一种计算量小、工程易应用的有效数据关联算法,但是存在数据关联正确率不高,滤波结果不够精确和多目标跟踪时易产生错误关联的问题。为改善该算法的数据关联效果,提出了一种最近邻域数据关联算法,通过进一步深度挖掘已知量测信息的熵,按照熵权法分析并确定各自量测指标的权值,再利用权值对最近邻域算法的统计距离关联准则进行优化,从而改善原算法在单目标跟踪中存在的问题。通过仿真实验结果分析得出,该算法相比于原算法具有更高的数据关联正确率、更小的跟踪误差和更快的收敛效果。     

基于证据理论的联合概率数据关联算法

数据关联是目标跟踪技术中的核心部分,多目标情况下的数据关联技术更是研究的重点,由于多目标量测之间的互相干扰、外部环境干扰以及传感器性能等客观因素的约束,使得量测信息部分存在着相应的量测误差,密集环境中的多目标跟踪比较困难。针对这个问题,提出的新算法利用联合概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。     

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。     

密集杂波环境下的快速数据关联算法

联合概率数据关联(JointProbabilisticDataAssociation,JPDA)是密集杂波环境下跟踪多目标最有效的算法之一。但当目标数目和有效量测数增大时,关联概率的计算出现组合爆炸现象一直是工程应用的瓶颈。基于JPDA算法的思想,提出了一种快速数据关联算法,该方法首先根据被跟踪目标相关门的相交情况将监视区域分成相互独立的空间,对同一空间内具有公共量测的目标和各目标相关门内的多个量测的概率密度值分别进行概率加权后再计算关联概率。不需要象最优JPDA算法中产生所有可能的联合事件,因此具有计算量小,易于工程实现的优点。仿真结果表明,在不同的杂波密度环境下和不同的目标运动形式下,此算法都可以取得令人满意的跟踪效果。     

多传感器多目标跟踪的JPDA算法

传统的联合概率数据关联算法(JPDA)是在密集杂波环境下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用,不能直接用于多传感器对多目标的跟踪。针对这一问题,文中提出了一种适用于多传感器多目标跟踪的JPDA算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优分划,然后采用JPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加的计算量小等优点。     

基于量测转换序贯滤波的GMPHD机动目标跟踪

针对多普勒雷达杂波环境下的多机动目标跟踪, 提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性, 将位置量测进行无偏量测转换, 将多普勒量测进行去偏量测转换, 并通过序贯滤波方式提高跟踪精度。针对多目标的机动性, 在高斯混合概率假设密度(Gaussian mixture probability hypothesis density, GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示, 所提算法可以在杂波环境中实现有效的机动多目标跟踪, 与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%, 而且大大改善了算法效率; 与无迹卡尔曼最适高斯近似GMPHD相比, 在效率上有小幅度的增加, 且跟踪精度提升了36.47%。     

多目标跟踪中的数据关联算法

在目标的正确回落入其跟踪门内的概率PtG <1的情况下 ,推导了联合概率数据关联算法中联合事件发生概率的计算公式。提出了一种能容易地产生多目标和多回波的联合事件的方法———假设树方法。并且提出了一种新的多目标跟踪中数据关联的快速算法。此算法用于解决杂波环境中多目标跟踪的数据关联问题 ,取得了较好的结果。     

基于高斯混合概率假设密度滤波器的扩展目标跟踪算法

针对杂波环境下多扩展目标跟踪中航迹起始和量测集划分问题,提出了一种基于高斯混合概率假设密度滤波器的扩展目标跟踪算法。在航迹起始阶段利用最近邻指数法对量测集进行聚类趋势分析,接着通过改进OPTICS (ordering points to identify the clustering structure)算法,建立一个增广数据集排序来表示量测集的密度结构,该算法对参数选择、初始点选择均不敏感,可以滤除量测集中的杂波。仿真结果表明,在航迹起始阶段本文所提算法在保证起始性能的同时计算代价明显减少,在量测集划分过程中,所提算法能够有效划分不同形状、密度的扩展目标,自适应地确定划分数目,减少算法运行时间。     

基于幅值信息的联合概率数据关联粒子滤波算法

针对非线性非高斯环境下多目标被动跟踪的低可观测问题,将粒子滤波、联合概率数据关联和量测的幅值信息相结合,提出了一种基于幅值信息的联合概率数据关联粒子滤波算法。将联合概率数据关联算法中的关联似然与幅值似然比相结合,利用粒子滤波算法进行跟踪滤波,用幅值量测来改善低可观测条件下的目标跟踪性能。仿真结果表明,该算法提高了数据关联的可靠性和目标跟踪的精度。     

基于m-best数据关联和小轨迹关联多目标跟踪算法

视频多目标跟踪中目标较多时,联合概率数据关联算法计算量大,实时性差。由于遮挡等问题,联合概率数据关联算法得到的往往是目标的轨迹片段。针对上述问题,首先利用线性规划自适应迭代求解m个最优联合事件简化联合概率数据关联算法,然后提出基于Kalman滤波及外推法的双向运动预测计算轨迹间的距离矩阵,用近邻传播聚类对目标的轨迹片段进行关联。实验结果表明,本文提出的方法在目标多且容易发生遮挡的情况下仍能够实时有效的跟踪,提高了跟踪准确度,具有一定的抗干扰能力。     

天波超视距雷达的多路径融合多目标跟踪算法

针对天波超视距雷达(over-the-horizon radar, OTHR)的信号多路径传播特点,提出一种融合多路径信息的多目标跟踪算法。该算法利用概率多假设跟踪(probabilistic multi hypothesis tracker, PMHT)算法中量测与目标关联的“软”决策模型优势,并对多路径观测函数显式建模,推导了多路径量测融合处理公式。仿真实验结果表明,相比于标准PMHT算法,所提出算法实现了在低检测概率、高杂波的OTHR环境下对多个目标的更有效跟踪,获得更高的目标状态估计精度和更低的失跟率。     

杂波环境下目标无源跟踪算法

针对杂波（虚假量测）环境下的目标无源跟踪问题进行了研究,并给出了只测角情况下相应的跟踪算法。该算法在利用修正增益扩展卡尔曼滤波(modified gain extended Kalman filter, MGEKF)对目标进行无源纯方位跟踪的同时,通过建立波门对不同时刻的测量数据进行选择,然后利用角度测量数据计算落入波门内的有效测量数据的概率（包括波门内所有有效量测均为虚假量测的概率和第i个有效回波是正确的概率）,并以这些概率值作为权值对目标状态进行加权融合,实现杂波环境下对目标的实时纯方位无源跟踪。同时,仿真分析对文中所提算法的可行性和有效性进行了验证。     

基于证据理论的数据关联算法

数据关联技术是多传感器目标跟踪系统中最核心而且也是最重要的部分。由于缺乏跟踪环境的先验知识以及受传感器自身性能的制约,整个量测过程不可避免地引入量测误差,密集环境中的目标跟踪比较困难。针对这个问题,提出的新算法利用概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。     

一种改进的多传感器多目标跟踪联合概率数据关联算法研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增,会出现计算组合爆炸现象。因此,提出了一种改进算法,即对多传感器多目标量测进行同源划分,将多传感器对多目标的跟踪问题简化为单传感器对多目标的跟踪问题,然后将JPDA当作一种组合优化问题,采用连续型Hopfield神经网络求解关联概率。经仿真研究表明,该方法不仅克服了JPDA算法在多传感器多目标跟踪问题中的缺陷,还提高了跟踪精度。     

一种新的基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过模糊聚类得到测量点迹与目标预测位置之间的隶属度,并将其作为权值系数对有效回波的信息量进行加权,来实现目标的状态估计的更新。仿真结果表明,传统算法在多目标密集时易产生关联错误而导致跟踪发散,新算法通过加权过程保证了对多目标的高精度跟踪。     

基于FCM的多传感器融合多目标跟踪的数据关联

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提。本文采用改进的模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪。仿真实验结果说明了本文方法的有效性。     

基于关联的自适应新生目标强度CPHD滤波

量测驱动的自适应新生目标强度基数概率假设密度(adaptive target birth intensity cardinalized probability hypothesis density,ATBI-CPHD)滤波器可以在新生目标强度未知的情况下进行多目标跟踪,然而该方法利用所有量测产生新生目标,没有考虑关联问题。为此,本文提出了一种基于数据关联的改进算法。首先,给出了ATBI-CPHD在高斯混合CPHD(Gaussian mixture CPHD, GMCPHD)框架下的实现。其次,在GMCPHD滤波框架下采用一种基于量测标签的方法进行量测估计关联,并引入高斯元标签进行航迹保持,在此基础上提出了一种航迹管理方法。最后采用量测波门进行量测量测关联,利用关联后的量测产生新生目标。仿真结果表明,该算法可以在提高跟踪效果的同时提升计算效率。     

基于无迹变换的概率假设密度滤波算法

基于有限集统计理论的概率假设密度滤波算法运用于多目标跟踪时,不再考虑数据关联问题,突破了传统的跟踪方法.但该滤波公式在非线性条件下没有解析解,在非线性高斯条件下提出了基于无迹变换的概率假设密度滤波算法,实现了算法在强杂波环境下的多目标跟踪.仿真实验比较了该算法与基于粒子滤波的概率假设密度滤波算法的跟踪性能,验证了该算法的跟踪性能和精度.同时分析指出了此算法的不足,以及结合无迹变换与粒子滤波的概率假设密度滤波算法的改进研究方向.