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.     

模糊数据融合在目标跟踪中的应用

在目标跟踪滤波算法的基础上,提出利用模糊理论进行数据融合的算法。应用模糊理论,对双传感器的滤波数据进行特征提取,并在一定的隶属函数和模糊规则下对其进行模糊推理,得到随目标机动情况自动调节加速度方差的系数调节值,使之保持对目标机动的快速响应。分析中采用蒙特卡洛仿真方法,对融合前后的滤波结果进行比较。模糊数据融合利用领域专家总结的相关知识,将融合结果反馈给单传器,以提高各单传感器的跟踪精度。     

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.     

多传感器数据融合与航迹预测的模型设计

文中建立了功能完整的多传感器数据融合模型,使用最邻近数据关联(NNDA)算法提取目标航迹,采用三次样条插值实现时间配准,并将传感器性能作为权重应用到航迹对的融合中,使用加权平均的方法融合航迹对.引用回声状态网络(ESN)技术实现航迹的预测.基于雷达数据在不同运动场景中测试模型性能,对于匀速直线运动和机动转弯的目标,模型具有较高的跟踪和预测精度.     

神经网络在多传感器多目标跟踪中的应用

首先研究了基于粗关联和精关联过程的多传感器多目标(MSMT)跟踪融合算法，精关联是联合概率数据关联(JPDA)算法的推广，JPDA算法存在随传感器数和目标数的增加而计算量迅速增加的缺点；其次提出了一种基于神经网络的MSMT联合概率数据互联(MNJPDA)算法，MNJPDA算法能克服计算量爆炸问题，基于MNJPDA的融合算法能提高跟踪的快速性．仿真结果证明了MNJPDA融合算法的有效性．     

多传感器在线自适应加权融合跟踪算法

针对多传感器机动目标的跟踪问题,提出了一种多传感器在线自适应加权融合跟踪算法.该算法依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,从而能在线适应传感器性能改变.仿真结果表明,该算法是一种有工程应用前景的融合跟踪算法.     

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.     

基于最优划分的多传感器多目标跟踪NNJPDA算法

传统的最邻近联合概率数据关联算法(NNJPDA)不能直接用于多传感器对多目标的跟踪。针对这一问题,提出了一种适用于多传感器多目标跟踪的最邻近联合概率数据关联算法,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划分,然后采用NNJPDA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、附加计算量小等优点。     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

基于模糊聚类的异类多传感器数据关联算法

针对异类传感器观测空间不一致的问题，提出了基于模糊聚类的异类多传感器数据关联算法．该算法首先通过在不同传感器的观测空间上建立多目标运动状态的投影，将多传感器多目标关联问题分解为多个单传感器多目标的关联问题，再对单传感器采用模糊聚类的方法求解关联概率，实现了在密集杂波环境中多目标的数据关联和精确跟踪．该算法降低了多传感器多目标跟踪的复杂性和计算量，有效地解决了异类多传感器可用公共信息少的问题．仿真结果表明，该算法的跟踪误差要小于传统的联合概率数据关联算法，且具有更优越的跟踪性能．     

运动车辆的多传感融合跟踪

针对单一传感器可靠性低、有效探测范围小的缺点,提出了采用雷达与机器视觉融合来实现路面运动车辆跟踪的新方法.该方法采用动力学模型对车辆运动进行描述,考虑了车体运动与车轮速率、转向角之间的关系,比用线性模型更符合车辆实际行驶时的复杂运动状况.通过基于雷达量测的扩展卡尔曼滤波估计建立视觉窗口,再根据图像灰度信息自适应调整窗口中心位置及尺寸,有效地限制了后继图像处理的工作区域,提高了系统的实时性.新方法采用数据融合技术,充分利用雷达与图像传感的量测信息,改善了对机动目标的状态估计.实验证明,该方法能明显提高路面运动车辆位置和方向角的跟踪精度.     

多传感器信息融合中的概率数据关联算法

多传感器信息融合是现代C3I系统中的一项关键技术,在军事和民用方面有着极为广泛的应用背景,是目前科技界的一个热门研究.本文提出利用PDA(Probabilistic Data Association)算法最优性能状态来有效减少目标跟踪门内无效观测的数量,达到改善算法性能的目的.通过理论分析,证明本方法的有效性,尤其在强干扰的环境中更为明显.     

基于修正扩展卡尔曼序贯滤波的信息融合算法

针对基于扩展卡尔曼滤波的融合算法存在滤波精度不高的问题,将修正扩展卡尔曼滤波算法与集中式序贯融合算法相结合,用于毫米波雷达和红外传感器目标融合跟踪。即先对毫米波雷达进行修正扩展卡尔曼滤波,再将滤波结果与红外传感器进行融合滤波。仿真结果表明该算法能够提高对机动目标的跟踪精度,增强跟踪系统对环境变化的适应能力。     

雷达、红外成像传感器数据融合方法的研究与应用

雷达与红外成像传感器所获取的信息能实现互补，可以改善对目标跟踪与识别的效果．提出了一种将数据修复与融合相结合的新方法．经过仿真验证了方法的有效性，并用以DSP为计算核心的电路实现，给出了编程思路，将异常数据的处理与数据融合结合起来，该方法可提高融合结果的稳定性、可靠性及工程实用性．     

基于多传感器数据融合的目标识别和跟踪

基于单传感器（雷达或红外）系统存在局限性,提出了基于多传感器（雷达和红外）信号融合的目标识别和跟踪系统,它能利用不同传感器的数据互补和冗余。特征层融合能通过利用其他传感器模块提供的目标特征信号来提高目标检测概率和降低虚警概率;决策层融合能矫正因受干扰等原因而失去目标跟踪能力的传感器模块的伺服跟踪回路,并提高抗干扰性。     

杂波背景下舰艇警戒系统的融合跟踪

探讨融合搜索雷达和红外警戒系统目标舰迹跟踪的新方法。该方法以球坐标系中三通道解耦自适应卡尔曼滤波为基础,结合最近邻（ＮＮ）方法或概率数据关联滤波（ＰＤＡＦ）方法实现杂波中的机动目标跟踪。     

数据融合中的概率数据关联算法

阐述了多传感器数据融合中的概率数据关联算法,并采用ＭＡＴＬＡＢ高级语言进行模拟,最后得到了满意的目标跟踪曲线和跟踪误差。     

一种用于多目标跟踪的改进PDA算法

对概率数据关联滤波(probability data association filter, PDA)算法进行了改进.新算法考虑了临近目标对航迹更新的影响,修正了关联门相交区域内回波来自被跟踪目标的后验概率.仿真证明,新算法在计算量和PDA算法接近的情况下减少了误跟踪和目标丢失现象.     

跟踪门对多目标跟踪系统性能的影响

讨论了密集目标环境下跟踪门门限对多目标跟踪系统性能的影响。在略去杂波的情况下,以方差压缩比作为跟踪系统性能的衡量指标,对跟踪门性能进行了理论分析。给出了矩形跟踪门配合K alm an滤波算法和PDA关联算法的仿真数据。提出了一种跟踪门门限的选取方法,将离线仿真得到的门限直接应用于跟踪系统,门限计算复杂减小,适用于对速度要求较高的跟踪系统。