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.     

多传感器多机动目标跟踪的CPHD滤波算法

针对单传感器在多机动目标跟踪系统中不能很好地处理目标数目变化与突发机动的问题,提出了多传感器多机动目标跟踪的概率假设密度滤波算法.以CPHD滤波算法为理论基础,同时递推概率假设密度(PHD)函数和基数分布,避免了多目标多传感器的数据关联问题.结合自适应当前统计模型,选择3个雷达作为跟踪目标的传感器,相比于单传感器降低了信息的模糊度,提高了可信度.仿真结果比较表明了多传感器CPHD滤波算法在多目标跟踪方面的性能优势.     

基于概率假设密度的目标数变化视频跟踪算法

针对概率假设密度(PHD)滤波无法跟踪未知起始位置新生目标的问题,提出一种基于新生目标强度检测的PHD跟踪框架.针对原高斯混合PHD无法确定目标航迹问题,在跟踪框架中设计了基于auction的"航迹-状态估计"关联算法,给出了航迹识别的数学表述和具体实现方法.然后,给出了变目标数的多目标跟踪框架的高斯混合实现方法.采用MATLAB编程实现了所提出算法,并使用因目标新生和遮挡导致目标数变化的2种行人数据库进行了验证试验.结果表明,新算法通过目标位置观测值更新新生目标的强度函数,提高了PHD滤波对新目标和遮挡目标的响应性,能够有效跟踪任意时刻未知位置的新生目标,并能够输出目标航迹,提高了多目标跟踪的目标数估计准确性,降低了跟踪误差.     

基于雷达和红外的序贯粒子PHD滤波融合算法

针对粒子概率假设密度(PHD)滤波算法在虚警、漏检情况下,目标状态估计不稳定和目标可观测性较弱的问题,提出了一种基于序贯融合的粒子PHD滤波方法,利用雷达和红外传感器多目标进行融合跟踪.其基本思想是先对红外传感器进行粒子PHD滤波,再将红外传感器滤波结果作为雷达的预测值,然后利用雷达观测的数据进行更新,这样通过雷达和红外传感器交替工作保证目标状态的可观测性,从滤波器输出结果即可得到目标的状态信息.仿真结果表明,在虚警、漏检和密集目标环境下,该方法是有效的和稳健的.     

天波雷达短驻留时间下海杂波抑制的改进算法

在高频天波雷达的舰船目标检测中,为消除电离层变化带来的谱展宽效应,采用了短驻留时间下基于奇异值分解(SVD)的海杂波抑制算法.该算法对构造出的Hankel矩阵进行奇异值分解,将对应于海杂波分量的奇异值置零,再重新构造出数据序列,达到海杂波抑制的目的.相对于原有的迭代杂波对消算法,该算法无需估计众多参数及设置对消截止门限,并且可以获得更好的抑制效果.为了有效地识别分解后的海杂波与目标所对应的奇异值以避免错误对消,还提出了一种改进方案,可以在抑制前分辨出海杂波分量和目标所对应的奇异值,当回波目标的能量与海波处于相近量级以及多目标情况下,能够避免错误对消现象的出现.仿真结果验证了所提算法的有效性.     

基于K-近邻法和粒子滤波的多目标跟踪算法

针对多目标跟踪中目标与观测样本关联难的问题,提出了一种基于K-近邻法和粒子滤波的多目标跟踪算法.首先利用K-近邻方式将目标和观测信息进行数据关联,然后利用粒子滤波算法解决非线性问题的特点,单独对所有目标进行滤波,以完成对目标状态的更新.仿真实验表明,所提算法能够很好地对多目标展开跟踪,与联合概率数据关联算法(JPDAF)相比,能更好地逼近目标的真实轨迹,跟踪精度得到大幅提升.     

一种改进的红外多目标跟踪算法

为了实现对多个特性相似的红外目标进行精确跟踪,在均值场蒙特卡罗(MFMC)算法基础上,提出了一种改进的基于粒子滤波的红外多目标跟踪算法.对MFMC算法的粒子采样部分融合了Mean-Shift,在粒子权值计算之前用Mean-Shift将其迭代至候选目标相似度最大位置,增加了粒子的有效性;在MFMC算法信息评估机制中加入了目标大小因素,提高了机制的自适应性.实验结果表明,该改进的跟踪算法比原算法具有更好的鲁棒性和精确性,实时性得到了很大提高,能够有效解决多个红外目标的跟踪问题.     

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%.     

经验模式分解后海杂波的分形特性

针对实测海杂波数据信号进行分析,判定海杂波信号具有多重分形的特性.鉴于海杂波是一种非线性非平稳性的雷达回波信号,充分发挥经验模式分解(EMD)的优势,并结合多重分形的特性,提出一种新的海杂波背景下的目标检测方法.首先,使用EMD方法将海杂波信号分解为若干个固有模态函数分量(IMF);然后,利用多重分形趋势起伏分析法(MF-DFA)求主IMF分量的广义Hurst指数;最后,通过实测的海杂波数据进行训练和测试.研究结果表明,该方法可有效实现海杂波下的目标探测,且性能优于经典时域和分数阶傅里叶变换(FRFT)域下的广义Hurst指数的目标检测方法.     

一种分解式模糊聚类粒子滤波的WSN多目标跟踪方法

针对无线传感器网络环境下的多目标跟踪时近相距和轨迹交叉目标容易出现目标丢失和跟踪混淆的问题,提出一种分解式模糊聚类粒子滤波(DFCM—RPF)的多目标跟踪方法。把多传感器数据融合和多目标跟踪问题分解为单传感器数据融合和单目标跟踪问题,先对传感器节点量测用基于跟踪门限算法去除杂波,在各传感器节点的观测空间分别建立模糊聚类算法进行数据关联并最优融合,然后用正则化粒子滤波预测目标状态。仿真表明,DFCM—RPF算法与原FCM多目标跟踪方法相比,航迹关联正确率由85%提高到100%,目标预测位置的RMSE由4.437 7 m下降到1.307 3 m,DFCM—RPF算法体现了较好的跟踪性能,并集数据关联、数据融合和目标跟踪于一体,大大降低WSN多目标跟踪问题的复杂性和计算量。