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。     

基于无迹变换的概率假设密度滤波算法

基于有限集统计理论的概率假设密度滤波算法运用于多目标跟踪时,不再考虑数据关联问题,突破了传统的跟踪方法.但该滤波公式在非线性条件下没有解析解,在非线性高斯条件下提出了基于无迹变换的概率假设密度滤波算法,实现了算法在强杂波环境下的多目标跟踪.仿真实验比较了该算法与基于粒子滤波的概率假设密度滤波算法的跟踪性能,验证了该算法的跟踪性能和精度.同时分析指出了此算法的不足,以及结合无迹变换与粒子滤波的概率假设密度滤波算法的改进研究方向.     

基于核密度估计高斯混合PHD滤波的多目标跟踪算法

针对多目标跟踪系统中传统算法目标估计精度较低的问题,提出了基于核密度估计的高斯混合概率假设密度（probability hypothesis density, PHD）滤波算法。在该算法中,经过剪枝、合并后,引入核密度估计理论的Mean shift算法,对高斯混合PHD分布密度函数进行核密度估计,取代了传统算法中的状态估计方法。最后,选择估计后得到的峰值作为目标状态估计值。仿真结果表明,基于核密度估计的高斯混合PHD滤波算法比传统算法具有更高的估计精度。     

一种改进的多传感器粒子PHD滤波近似算法

概率假设密度（probability hypothesis density, PHD）滤波是一种有效的多目标跟踪算法。传统的PHD滤波只适用于单传感器,多传感器PHD滤波虽然理论上可行,但计算复杂度过高,实际中只能对其进行近似处理。迭代更新近似算法虽然简单易行,但滤波结果与参与更新的传感器顺序有很大关系,而乘积形式的多传感器PHD滤波近似算法由于存在缩放比例失衡问题,无法应用于工程实际。针对以上问题,提出了一种改进算法,先采用乘积形式计算联合似然,再采用求和形式计算缩放比例。仿真结果表明,该算法能够有效解决缩放比例失衡问题,在滤波性能和目标数估计方面均优于传统的迭代更新近似算法,具有良好的工程应用前景。     

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

针对交互多模型(interacting multiple model, IMM)在多机动目标跟踪算法中存在的缺陷以及目标跟踪精度问题,提出了基于变结构多模型（variable structure multiple model, VSMM）的高斯混合基数概率假设密度（Gaussian mixture cardinalized probability hypothesis density, GMCPHD）滤波算法。该算法利用了VSMM具有自适应性、时变性的特点,达到了在某一时刻能够选取与目标运动模式相匹配的模型集合的目的,相比于IMM考虑的仅是固定的模式集合具有很强的优越性。此外,GMCPHD滤波算法不仅避免了数据关联问题,而且通过高斯分布递推PHD函数的同时递推基数分布。最后,利用雷达作为传感器,对跟踪机动目标进行仿真,证明VSMM相比于IMM对于多机动目标跟踪更具有优越性,同时验证了VSMM GMCPHD滤波算法具有提高机动目标跟踪精度,减小跟踪误差的作用。     

基于双马尔可夫链的概率假设密度滤波器

隐式马尔可夫链(hidden Markov chain,HMC)是传统多目标跟踪的理论基础。在分析了HMC模型的局限性基础上,介绍了更具普适性的双马尔可夫链(pairwise Markov chain,PMC)模型,对基于PMC模型的概率假设密度(PMC-probability hypothesis density,PMC-PHD)滤波算法进行了推导,并对其高斯混合(Gauss-mixture,GM)实现进行了改进,利用椭圆波门给每一个高斯分量建立一个对应的缩减量测集合来对其进行更新。仿真实验证明在杂波密度较大的场景中,PMC-PHD滤波器GM实现的改进在不影响跟踪精度的情况下运行时间缩短为原来的三分之一;仿真实验还证明在HMC模型场景下PMC-PHD滤波器针对邻近目标的跟踪性能要优于HMC-PHD滤波器。     

一种无迹粒子PHD滤波的多目标跟踪算法

针对粒子概率假设密度滤波(P-PHDF)算法估计精度低、滤波发散和粒子退化的缺陷,提出了一种无迹粒子PHD滤波(UP-PHDF)算法.该算法以UKF算法产生重要性函数并从中采样通过观测值更新粒子的权值,再用加权的粒子估计PHD函数,进而得到优化的状态估计均值和方差进行传播最后,对UP-PHDF算法进行了分析和实现,并将该算法和P-PHDF算法进行了比较.仿真结果表明,UP-PHDF算法不仅大大提高了滤波估计的精度,同时提高了跟踪系统的稳定性和鲁棒性.     

基于修正贝努利滤波的被动多目标跟踪算法

针对势平衡多目标多贝努利(cardinality balanced multi target multi Bernoulli, CBMeMBer）滤波中的量测信息弱化问题,提出一种改进的多目标多贝努利（improved multi target multi Bernoulli, IMeMBer）滤波。该算法通过对漏检目标的多贝努利随机集进行修正,在解决目标数过估问题的同时,避免了CBMeMBer滤波中的量测信息弱化问题。在此基础上,将高斯粒子滤波引入IMeMBer算法中,通过一组高斯粒子近似多贝努利随机集中元素的概率分布,实现被动测角情况下的多目标跟踪。仿真结果表明,所提算法能够以较小的运算代价达到高斯混合粒子劳势估计的概率假设密度滤波相似的跟踪精度,具有良好的工程应用前景。     

基于关联的自适应新生目标强度CPHD滤波

量测驱动的自适应新生目标强度基数概率假设密度(adaptive target birth intensity cardinalized probability hypothesis density,ATBI-CPHD)滤波器可以在新生目标强度未知的情况下进行多目标跟踪,然而该方法利用所有量测产生新生目标,没有考虑关联问题。为此,本文提出了一种基于数据关联的改进算法。首先,给出了ATBI-CPHD在高斯混合CPHD(Gaussian mixture CPHD, GMCPHD)框架下的实现。其次,在GMCPHD滤波框架下采用一种基于量测标签的方法进行量测估计关联,并引入高斯元标签进行航迹保持,在此基础上提出了一种航迹管理方法。最后采用量测波门进行量测量测关联,利用关联后的量测产生新生目标。仿真结果表明,该算法可以在提高跟踪效果的同时提升计算效率。     

基于随机集理论的多个声目标融合跟踪

针对杂波环境下,采用多个被动声传感器跟踪多个声目标的应用场合,建立了多个声目标跟踪的随机有限集模型,采用概率假设密度(probability hypothesis density, PHD)粒子滤波对该模型进行求解。针对PHD滤波器只适用于单传感器的问题,提出了一种实现多个声传感器融合跟踪的方法。该方法在序贯PHD滤波器的基础上进行改进,提高了目标检测率,通过仿真实验验证了该方法的有效性。     

抗“飞点”的UKF GMPCPHD滤波算法

为实现被动测角目标状态和数目的实时估计,在高斯混合粒子（Gaussian mixture particle, GMP）的势化概率假设密度(cardinalized probability hypothesis density, CPHD) 滤波框架下,提出了基于抗“飞点”无迹卡尔曼滤波器（unscented Kalman filter, UKF）的GMPCPHD滤波算法,即抗“飞点”的UKF GMPCPHD滤波算法。在该算法中,粒子滤波的重要性采样函数由抗“飞点”UKF产生,粒子的预测与更新采用拟蒙特卡罗(quasi Monte Carlo, QMC)方式,目标状态的概率假设密度（probability hypothesis density, PHD）和势分布用一组高斯粒子滤波器（Gaussian particle filtering, GPF）近似。通过该算法与GMPCPHD、UKF-GMPPHD滤波算法的对比仿真,验证了该算法良好的跟踪性能。     

基于无迹粒子PHD滤波的序贯融合算法

针对在杂波、漏检和非线性情况下,粒子概率假设密度滤波（particle probability hypothesis density filter, P-PHDF）算法估计精度不高、滤波发散及粒子退化等问题,提出了一种基于无迹粒子概率假设密度滤波（unscented particle PHDF, UP-PHDF）的序贯融合算法。利用无迹粒子滤波（unscented particle filter, UPF）实现PHDF,由UKF算法得到更好更优的重要性密度函数并从中采样,使粒子的分布更接近多目标概率假设密度分布;另外,为进一步提高滤波算法的性能,实现基于雷达和红外传感器的UP-PHDF序贯融合算法,通过两传感器交替滤波保证目标状态的可观测性。在复杂环境下,仿真结果表明该算法的估计精度和稳定性明显优于单传感器P-PHDF算法。     

Novel blind source separation algorithm using Gaussian mixture density function

The blind source separation (BSS) is an important task for numerous applications in signal processing, communications and array processing. But for many complex sources blind separation algorithms are not efficient because the probability distribution of the sources cannot be estimated accurately. So in this paper, to justify the ME(maximum enteropy) approach, the relation between the ME and the MMI(minimum mutual information) is elucidated first. Then a novel algorithm that uses Gaussian mixture density to approximate the probability distribution of the sources is presented based on the ME approach. The experiment of the BSS of ship-radiated noise demonstrates that the proposed algorithm is valid and efficient.     

基于GM-PHD滤波的空间邻近多目标跟踪算法

针对传统的高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GM-PHD)滤波器在跟踪空间邻近目标时存在错误估计、虚警和漏警问题,本文提出了一种改进算法.首先,提出一种权值重分配方案,对目标的高斯分量权值进行重分配,以提高目标邻近时GM-PHD滤波器的...     

基于随机有限集的SLAM算法

提出一种基于随机有限集的同步定位与地图创建算法,该算法利用随机有限集对环境地图和传感器观测信息建模,建立联合目标状态变量的随机有限集。依据Bayesian估计框架,利用概率假设密度滤波的粒子滤波实现对机器人位姿和环境地图进行同时估计。新算法避免了数据关联过程,并能更加自然有效地表达同步定位与地图创建(simultaneous localization and mapping, SLAM)问题中多特征-多观测特性及多种传感器信息。在仿真实验中,利用FastSLAM2.0算法和新算法进行对比,实验结果验证了新算法的优越性。