密集杂波环境下多目标跟踪算法

基于快速数据关联FAFDA(fastalgorithmfordataassociation)滤波算法,根据Houles和Shalom将概率数据关联PDA(ProbabilisticDataAssociation)算法推广到解决两个传感器单目标的跟踪问题的思路,构造了一种两个同类传感器的序列观测数据的融合来跟踪多个机动目标的数据关联方法MSFAFDA(multiplesensorfastalgorithmfordataassoci ation)。本方法主要使用的是点 航迹联合和序列估计法,蒙特卡洛仿真结果表明方法对多机动目标的跟踪具有比FAFDA更好的跟踪性能。     

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。     

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。     

分布序贯最近邻多目标跟踪算法

本文提出了一种分布序贯最近邻多目标跟踪数据关联算法,它是基于最小统计间距的最近邻算法,该方法和多数决策逻辑一起作用,可解决多传感器密集多目标跟踪问题,计算机模拟了几个典型的例子,说明了该方法的可行性。     

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。     

分类信息辅助的多目标跟踪方法研究

多目标跟踪系统的关键技术之一是航迹关联。当传感器能同时得到目标分类信息和运动信息时，本文提出结合分类信息的综合概率数据关联算法，把目标不同信息相结合来提高关联效果。它通过分类混淆矩阵确定分类信息似然函数。再用谊函数调整传统的只利用运动信息的似然函数。使分类信息有效辅助综合概率数据关联．在杂波环境对多个邻近且不同种类目标跟踪情况仿真，比较仿真结果说明所提算法确实提高了多目标数据关联效果。     

基于蚁群算法的多目标跟踪方法

提出了一种新的基于蚁群算法的多目标跟踪方法.方法采用蚁群算法实现多目标跟踪中的数据关联,首先将多目标跟踪中的数据关联问题表示为具有约束条件的优化问题.用蚁群算法对该优化问题求解,得到的解即为最优关联.为验证该算法的有效性,在两种状态估计方法EKF(extended Kalman filter)和S1S(sequential importance sampling)的基础上进行了多目标跟踪实验,并且与传统的NN(nearest neighbor)方法进行了比较.在与SIS框架结合时,算法中采样粒子包括状态矢量和关联矢量,状态矢量通过序贯重要性重采样获得,关联矢量通过蚁群算法求得.实验结果表明,将蚁群算法融合进SIS算法进行多目标跟踪是有效的.     

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。     

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。     

一种新的信噪比自适应Viterbi译码算法

Viterbi译码算法的复杂度会随着状态数的增加而增加,因此一般适用于约束长度较小的卷积码的译码。提出了一种新的信噪比自适应Viterbi译码改进算法,在每个接收时刻通过门限值选择幸存状态,从而进一步减小译码网格中的路径搜索范围,提高译码速度。仿真表明,本算法并不会降低译码性能,而在高信噪比、大状态数的应用条件下,与传统译码速度相比,可提高译码速度最高至15倍。     

基于无锚框的红外多类别多目标实时跟踪网络

本文提出一种改进的红外多类别多目标实时跟踪网络, 在确保跟踪精度的同时, 重新设计无锚框网络结构, 进一步降低网络的参数量与推理时间。通过优化目标特征向量, 进一步提高识别精度, 同时简化与改进跟踪流程。此外, 通过细化分析相关流程执行时间, 选用GPU与CPU分别执行最优运算, 提升跟踪整体运行速度。上述方法被应用于低空海面红外目标跟踪数据集中。结果表明, 在本文所提的综合评价指标下, 所设计的网络相较其他轻量级网络评分提高1.78, 且运行速度在NVIDIA Jetson Xavier NX中达到52.37 FPS, 满足边缘端实时运行需求。     

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.     

特征自适应的精准目标跟踪算法

提出了一种能够自动选择最优特征、精准描述目标尺寸连续变化的新的序列图像目标跟踪算法.该算法首先计算由RGB分量线性组合而成的区分目标和背景的最优特征,将每一帧榆入图像按照此最优特征转换成目标概率分布图,然后通过检测该图在尺度空间中微分滤波器输出的极值,来决定目标的尺度.最后采用QP_TR信任城算法在尺度空间里和图像平面内快速搜索概率分布图多尺度规范化Laplacian滤波函数的极值,实现了目标的定位,从而完成了跟踪任务.通过与现有算法进行比较,并结合大量真实序列图像进行实验验证,结果表明算法不但能够更准确地描述目标的大小,而且显著提高了跟踪算法的精度.     

不确定非线性系统的鲁棒自适应跟踪简化算法

传统的Backstepping自适应控制方法需要对虚拟控制律进行求导,从而导致“计算复杂性膨胀”。动态平面控制技术能够克服这一缺陷。将这一技术扩展到一类具有参数严格反馈形式的不确定非线性系统输出跟踪,这类系统同时包含线性参数和未知非线性函数两种不确定性。所设计的控制算法比现有算法大大简化,解决了“计算复杂性膨胀”问题;运用Lyapunov理论证明了闭环系统一致最终有界,仿真结果表明了算法的有效性。     

面向快速多目标跟踪的协同PHD滤波器

考虑到存活目标与新生目标在动态演化特性上的差异性,提出了面向快速多目标跟踪的协同概率假设密度(collaborative probability hypothesis density, CoPHD)滤波框架。该框架利用存活目标的状态信息,将量测动态划分为存活目标量测集与新生目标量测集,在两个量测集分别运用PHD组处理更新基础上建立了处理模块的交互与协同机制,力图在保证跟踪精度的同时提高计算效率。该框架由于采用PHD组处理方式而具有状态自动提取功能。进一步给出了该框架的序贯蒙特卡罗算法实现。仿真结果表明,该算法在计算效率以及状态提取精度上具有明显优势。     

基于低轨星网的多目标协同跟踪滤波技术

低轨高密度星网因其覆盖范围广、能够对弹道目标进行全程跟踪而受到广泛的重视。针对低轨星网对多弹道目标协同跟踪问题,提出一种基于卡方分布和无迹卡尔曼滤波(unscented Kalman filter, UKF)的多目标协同跟踪滤波算法。该方法首先在卡方分布的假设下,设计了一种基于测量平面的数据关联指标函数,实现量测值的分配;在此基础上采用变结构滤波框架对多弹道目标进行状态更新;最后给出了多目标状态估计性能的评估指标。数值仿真实验证明,所提算法可以有效地实现多目标在测量平面上的数据关联,并以较少的计算量对多目标进行准确估计。     

基于广义似然比检验和二维分配的多目标跟踪方法

针对杂波环境下多目标跟踪形成问题,提出一种多目标跟踪方法,采用二维分配算法解决“量测-航迹”关联问题,采用广义似然函数比检验(generalize likelihood ratio test,GLRT)规则对航迹的真假作出判决,并且充分利用信号的强度信息来提高算法的可靠性和有效性。仿真分析表明,该方法能够有效地解决噪声环境下目标的航迹起始、确认、删除和维持问题,给出的递推形式可以满足实时计算的要求。     

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。