拓展目标混合分量删减算法

针对拓展目标概率假设密度滤波器高斯混合实现中的混合分量增长问题,提出混合分量的极大似然删减算法.该算法利用期望极大化方法实现混合分量的极大似然删减;视量测在混合分量的来源指标集为缺失量;取混合参数的先验分布为依赖于混合权重的分布;在期望步,计算量测在混合分量来源指标的条件概率;在极大化步,通过混合权重置零来实现相关度较小混合分量的删减.仿真结果表明,该混合分量极大似然删减算法优于典型阈值删减算法.     

用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

拓展目标杂波概率假设密度估计

针对拓展目标概率假设密度滤波器中的未知杂波概率假设密度,提出了杂波概率假设密度估计算法。算法利用有限混合模型极大后验估计杂波概率假设密度,取混合权重的熵分布作为混合参数的先验分布;在渐进假设条件下,利用拉格朗日乘子推导了混合权重的递进估计公式;在混合权重递进估计过程中,通过混合权重置零操作来实现对有限混合模型中混合分量的删减。以二维场景为例对算法进行了仿真实验,结果表明:在拓展目标概率假设密度滤波器高斯混合实现的框架内,所提杂波概率假设密度估计算法的跟踪性能接近真实杂波概率假设密度时的跟踪性能。     

基于标记SMC-PHD滤波器的视觉多目标跟踪

提出了基于序贯蒙特卡罗概率假设密度滤波器( SMC -PHDF)的视觉多目标跟踪算法.W4算法对观测场景进行背景建模和运动目标检测,获取可能目标在观测场景中的位置信息作为PHDF的输入.SMC-PHD滤波器对检测结果进行滤波,实现对观测场景中运动目标数量和目标状态的估计.传统SMC-PHDF由于不对目标进行标记避免了数...     

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。     

基于随机有限集的视频SAR多目标跟踪方法

视频合成孔径雷达具有高分辨与高帧速率成像的特点，可以连续获取地面感兴趣区域目标近似视频的信息， 为基于SAR图像的目标识别与跟踪技术的快速发展奠定了基础。为了满足日益复杂的应用需求，多目标跟踪技术逐渐发展成熟，针对多目标跟踪过程中每个运动目标的状态都具有空时变性，并且目标的数量具有随机性的难题，首先建立了基于随机有限集的多目标跟踪算法，在此基础上讨论了贝叶斯框架下的概率假设密度算法，并在高斯混合模型下研究并实现了高斯混合概率假设密度滤波算法，进而实现了基于RFS的多目标跟踪算法，在复杂环境背景下验证了该算法的有效性。     

多个不可分辨目标群的联合检测与估计误差界

针对杂波和漏检同时存在时多个不可分辨目标群联合检测与估计的性能评价问题,在随机有限集框架下,利用信息不等式和最优子模式分配距离提出了该问题的误差(下)界。首先将多个不可分辨目标群的状态建模为多Bernoulli随机有限集,并利用Mahler提出的连续个体目标数假设建模群目标测量似然函数;然后,结合最大后验概率检测和无偏估计准则获得了建议的误差界。仿真实验展示了该误差界随杂波密度和传感器检测概率的变化趋势,并利用不可分辨目标群势概率假设密度滤波器和不可分辨目标群势平衡多目标多Bernoulli滤波器对该误差界的有效性进行了验证。实验表明,利用该误差界可以对现有的不可分辨目标群联合检测与估计算法的性能进行有效衡量,使其在不同杂波密度和检测概率下的平均相对误差不超过7%。     

基于EM算法的Dirichlet分布的参数估计

为了克服Dirichlet分布的传统估计算法复杂且不能保证有效性的缺陷,将基于Dirichlet分布的随机表示引入缺失数据,构造了EM算法计算参数的极大似然估计,算法简单的同时保证了估计的有效性.最后进行统计模拟,结果表明,本文提出的基于EM算法的Dirichlet分布的参数估计有很好的估计精度.     

拓展目标量测集合分割算法

针对拓展目标概率假设密度滤波器采用的量测集合所有可能分割方式在实际中几乎不能够实现的问题,提出了一种采用有限混合模型的量测集合近似分割算法,对所有可能分割方式进行近似处理。算法利用有限混合模型拟合量测集合以实现对量测集合的分割,首先利用期望极大化算法极大似然估计混合参数,然后利用量测来源的条件概率分割量测集合,最后以二维场景为例进行了仿真实验。仿真结果表明:新算法在所有时刻上的最优子模式分配和混合分量数目均小于现有的典型量测集合分割算法;在拓展目标跟踪性能上,新算法具有更好的多拓展目标跟踪性能。