基于距离加权的概率数据关联机动目标跟踪算法

为了提高杂波环境下机动目标跟踪的实时性和精确性,在概率数据关联算法的基础上,引入距离加权的概念,以区分来自于目标的量测概率和来自于杂波的虚假概率,在一定程度上提高了概率数据关联算法在密集杂波环境下的非机动目标的跟踪性能.针对机动目标的跟踪,提出了一种适用于密集杂波环境下的联合交互式多模型概率数据关联跟踪算法,该算法利用距离加权的概率数据关联算法进行滤波.模拟实验结果表明:该算法可以在一定程度上提高密集杂波环境下机动目标跟踪的性能,能够更加有效、可靠地实现机动目标跟踪的目的.     

基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.     

一种新的多机动目标跟踪的GMPHD滤波算法

针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.     

飞行状态敏感的关联门调节算法

机动目标的跟踪精度受飞行状态、噪声等多种因素影响,机动目标发生强机动或者杂波干扰过大都会导致跟踪精度下降。关联门是数据关联算法筛选的有效量测和提高跟踪精度的重要环节。本文提出了一种飞行状态敏感的关联门调节算法(Flight-Status-Sensitive Tracking Gate Adjustment Algorithm, FSSTGAA)。该算法根据目标的飞行状态分析误差的来源及其变化趋势,在跟踪误差尚可接受的范围内,依据误差动态变化率动态调整关联门大小。仿真结果表明,相比于传统关联门自适应算法,本文算法能有效地降低目标丢失率,提高机动目标的跟踪精度。     

考虑目标航向机动信息的机动目标跟踪算法

传统的机动目标跟踪算法大多过于依赖所采用的目标运动模型,没有充分利用目标量测序列中携带的其它有用信息,当目标机动时跟踪性能下降较大。针对该问题,提出了利用目标航向机动序列修正传统跟踪算法滤波值的新算法。仿真结果表明,该算法比传统跟踪算法的跟踪精度高,是一种简单有效的自适应机动目标跟踪算法。     

IMM算法在车辆机动目标跟踪中的应用

针对高速公路车辆的机动目标跟踪问题,采用交互多模型算法(IMM)中的2个模型分别表示车辆的匀速运动状态和匀加速运动状态,并结合目标运动模型对目标当前加速度和其方差进行蒙特卡洛仿真.仿真结果表明该算法不仅可以在匀速运动时将关键测量噪声减低,而且在机动模型中保证状态估计量比未滤波的雷达测量值精确,同时可以对运动模型进行准确的识别,从而改善路面机动目标的跟踪性能,提高车辆的安全性和可靠性.因此,交互多模型算法可以满足高速车辆机动目标跟踪的要求.     

基于粗神经网络的并行自适应滤波算法

讨论了机动目标跟踪问题，针对机动目标并行自适应滤波特点，结合粗神经网络特有的同一神经元可以双输入的特点，利用全状态反馈，提出了基于“当前”统计模型的粗神经网络并行自适应滤波算法，仿真表明该算法对机动目标具有较强的跟踪能力。     

基于人工蜂群算法的多目标跟踪数据关联研究

为快速实现多目标跟踪的数据关联,将人工蜂群算法(ABC)与多目标跟踪数据关联相结合,实现快速的多目标跟踪数据关联.本文以跟踪门确定目标的有效量测,以新息的似然函数描述量测与目标的关联关系,建立多目标数据关联的组合优化模型,详细阐述了人工蜂群算法的基本原理,工作流程.利用人工蜂群算法寻找多目标数据关联优化组合模型的最优解,人工蜂群算法在离散空间的启发式机制实现搜索目标的量测与最佳数据关联.仿真表明,该算法与经典的JPDA算法以及基于元启发式的蚁群算法的数据关联算法进行比较,提高目标关联准确性和跟踪精度.     

杂波环境下基于红外传感器和雷达融合的机动目标跟踪算法

提出一种在密集杂波环境下多传感器机动目标跟踪算法,在利用雷达测量数据的基础上,融合红外(IR)传感器获得的精确角度信息来提高机动目标跟踪性能。通过计算机仿真,该算法较传统概率数据关联(PDA)对于航迹跟踪成功率和位置估计的准确率更为有效。     

引入多速率模型的变结构机动目标跟踪

变结构多模型方法(VSMM)能够根据目标机动的实际情况实时确定结构不断变化的模型集合,取代传统IMM方法中的固定模型集.使参与状态估计的模型分布更集中,模型数量相对较少,从而提高算法的跟踪精度.多速率模型(Multirate)能够对原始测量数据进行多分辨分解,有效的抑制量测噪声,从而提高原始数据的信噪比.文章将多速率模型引入变结构多模型方法,提出一种新的机动目标跟踪算法多速率变结构多模型方法(MRVSMM),该方法分别从改善原始数据与改善模型集合两方面对传统IMM方法进行了突破.同时,采用多个多速率模型,并将多个模型的滤波结果相互交织实现对机动目标的全速率跟踪.仿真实验证明,该算法较传统的IMM方法跟踪精度得到了一定程度的提高.     

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

转换测量卡尔曼滤波在机动目标跟踪中的应用

在三维空间中推导了转换测量卡尔曼滤波算法,得到了在目标真实位置已知的条件下去偏转换测量值误差方差的表达式及在测量值已知条件下去偏转换测量值方差的表达式,并给出了在机动目标跟踪中,预测值与量测值的选择准则.运用“当前“机动模型和此算法给出了机动目标的仿真,取得了较好的跟踪效果.     

一种用于杂波中机动目标跟踪的自适应关联波门设计方法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟现象的问题,提出一种新的自适应关联波门设计方法。该方法在综合交互多模型概率数据关联算法的基础上进行关联波门设计,当波门内不存在有效量测时,首先以最大机动水平对应的模型误差协方差对关联波门进行适当扩大,确保量测点迹进入波门。然后假定目标的机动能力已知,在目标运动状态的预测范围内利用观测信息寻找最小均方误差意义下的最优波门中心。该方法可以从根本上改善关联概率,从而降低失跟率,提高目标跟踪精度。仿真结果表明,与传统关联波门设计方法相比,该方法的失跟率降低了30%~40%,而且目标机动时的跟踪精度提高了20%~30%。实测数据同样验证了该方法的有效性。     

标签多伯努利机动目标跟踪与分类算法

针对密集杂波下现有的多机动目标跟踪算法性能衰减严重的问题,提出了一种标签多伯努利目标跟踪与分类算法。首先,引入类别信息对目标状态进行扩维;然后利用类别属性对目标机动模型转移密度进行修正,并推导新的状态转移密度函数,抑制了错误机动模型对目标状态预测的影响;同时,建立目标位置与属性的联合量测似然函数,增大了目标与杂波的区分度,从而增强杂波抑制能力;最后,基于多模型标签多伯努利滤波器框架推导了新的预测、更新方程。仿真实验结果表明:所提算法在高杂波环境下仍能对多机动目标进行有效跟踪,其目标数估计误差及最优子模式分配距离分别约为多模型概率假设密度联合检测、跟踪、分类滤波器的1/2和1/4,为多模型势平衡多伯努利联合检测、跟踪、分类滤波器的3/4和1/2。     

基于多速率运动模型的多帧最近邻数据关联算法

为了提高标准最近邻数据关联算法的关联效果,提出了基于多速率运动模型的多帧最近邻数据关联算法．改正了Hong提出的多速率运动模型中关于过程噪声的一处错误,然后把该模型应用于最近邻数据关联算法,并推广到多帧情况．新算法使用序列关联量测更新目标状态,有效降低了最近邻算法中误关联对跟踪效果的影响．仿真结果表明,该算法在减少计算量的同时大大减少了跟踪丢失率。     

基于多特征融合的多摄像机人体跟踪方法

在非重叠视野摄像机网络中, 因视觉盲区等因素的存在, 难以对人体目标进行准确可靠的持续跟踪, 为此, 提出一种融合主颜色特征、 纹理特征和时空拓扑特征的目标跟踪算法。该算法将人体区域分割成上、 中、 下3个目标子块, 分别利用最近邻聚类算法提取每个目标子块的主颜色信息, 并计算主颜色匹配率; 通过提取目标的空间纹理特征获得纹理匹配率; 最后通过融合计算人体外观匹配模型。同时, 根据目标关联信息的累计统计信息, 采用增量学习思路建立和更新摄像机网络的时空拓扑关系。实际场景的实验表明, 该算法能有效地对非重叠视野多摄像机网络中出现的人体目标进行连续跟踪, 并随系统的持续运行和监控区域中新目标的不断出现, 其跟踪准确度也随之提高。     

机动目标的模糊多模型跟踪算法

设计了一种基于模糊逻辑推理的机动目标多模型跟踪新算法（FMMTA）,把量测新息对其协方差的逆的加权二次函数作为模糊推理系统的输入,并通过模糊逻辑推理得到模型集中各模型的匹配度,代替了交互式多模型（IMM）算法中的模式概率计算,降低了计算的复杂度。该算法将测量空间的不确定性映射到模糊空间,从而解决了从测量空间的不确定性到模式空间不确定性的模糊推理问题,并将模糊推理与多模型卡尔曼滤波结合,进行并行处理,有利于机动目标的实时跟踪。Monte Carlo仿真结果表明,在模糊规则设计恰当的情况下,FMMTA算法相对于IMM算法在降低机动目标位置和速度的跟踪误差方面更有效。     

目标机动性未知时的多平台交互式多模型融合算法

多平台的交互式多模型（IMM）Kalman滤波器是一种比较有效的机动目标跟踪估计方法．但当目标存在未知机动时,基于模型的估计器的精度就会下降．目标跟踪中的输入估计技术可对未知机动性进行估计．本文在给出过程噪声和量测噪声相关情况下最小方差无偏（MVU）输入、状态滤波估计的基础上,提出了基于上述滤波器的分布式IMM多传感器多平台融合算法．仿真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.     

基于混合坐标系下的自适应α-β滤波器

针对雷达目标,观测和处理了在不同坐标系下的数据,提出了一种混合坐标系下的自适应α-β滤波算法来跟踪机动目标。该算法以自适应α-β滤波器为基础,将直角坐标系和球面坐标系下的算法相结合,克服了这两种坐标系下滤波算法的不足,对机动目标有很好的跟踪效果。仿真表明,该算法的跟踪性能优于单一坐标系下的自适应α-β滤波器,尤其适用于TWS雷达多机动目标跟踪情况。