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PHD滤波和数据关联的多目标跟踪

针对杂波环境下的多目标跟踪,概率假设密度（probability hypothesis density, PHD）滤波不能提供目标航迹信息的问题,提出一种基于PHD滤波和数据关联的多目标跟踪方法。利用PHD滤波消除杂波并得到各个时刻的目标个数和目标状态估计。将PHD滤波的结果重新定义为量测数据,通过数据关联进一步消除虚警和漏警并给出目标航迹。仿真结果表明,该算法可以在有效地提高杂波环境下多目标跟踪精度的同时提供各目标航迹信息。     

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。     

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。     

基于航迹概率假设密度的多传感器多目标跟踪

针对基于概率假设密度(probability hypothesis density, PHD)的分布式多传感器多目标跟踪(distributed multi-sensor multi-target tracking, DMMT)存在无法形成航迹、计算复杂度高、目标漏检等问题。本文基于航迹PHD后验估计提出了一种DMMT方法。为此,首先构建了各节点估计航迹间相似性度量矩阵,并采用匈牙利算法实现最优航迹匹配;其次采用协方差逆准则对关联航迹实现并行融合;最后基于概率生成泛函推导了一种鲁棒的DMMT方法。仿真实验验证了所提算法在目标状态估计精度、计算有效性和实时性方面的优势。     

高斯粒子PHD滤波的多个弱小目标TBD算法

针对现有多个弱小目标检测前跟踪(track before detect, TBD)算法存在的跟踪精度低,算法复杂度高等问题,提出一种新的基于概率假设密度(probability hypothesis density, PHD)的TBD算法。所提算法通过高斯粒子滤波对PHD中的各高斯项进行递归运算、进行多帧能量累积,并提取高斯项的均值为目标的状态,达到检测与跟踪多个弱小目标的目的。算法在随机集滤波框架下完成未知数目的多个弱小目标跟踪,不仅充分利用粒子滤波的非线性估计能力,同时避免了传统算法利用模糊聚类进行目标状态提取所带来的跟踪精度低等问题。仿真结果表明,所提算法与传统方法相比,在降低算法复杂度的同时,对多个红外弱小目标具有更加良好的实时检测和跟踪性能。     

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UT变换的MMPHD机动目标跟踪

基于序列蒙特卡罗方法的多模概率假设密度(probability hypothesis density, PHD)滤波算法及其改进方法,在预测过程中依据多个并行的状态转移模型将大量粒子散布到下一时刻目标所有可能出现的状态空间,从而实现目标状态的捕获。由于这些方法大量使用粒子,造成计算量巨大、算法实时性差。为此,提出了基于无迹变换的多模PHD机动目标跟踪方法。该方法利用最新量测信息获得粒子预测过程中的建议密度函数,从而将粒子聚合在目标最可能出现的状态空间邻域中,充分实现粒子的有效利用。仿真实验表明,论文提出的算法不仅显著减少了多模PHD算法的计算量,而且在一定程度上提高了多模PHD算法的精度。     

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。     

基于ET-GMPHD算法的编队目标跟踪方法

针对低检测环境下编队目标的跟踪问题,提出了一种基于扩展目标高斯混合概率假设密度(extended target Gaussian mix probability hypothesis density, ET-GMPHD)算法的编队目标跟踪方法。首先,保留修剪掉高斯项的同时将其外推,用Jensen-Shannon(JS)散度衡量下一时刻状态估计值与外推值间的相似程度,并以此反映是否有目标丢失,保证真实目标不被修剪,解决了因目标漏检导致跟踪结果不准确的问题。其次,结合循环阈值聚合法得到编队整体的状态估计,消除了估计状态集合中状态值过多造成的影响。最后,仿真实验表明,该方法能够在检测概率极低的情况下进行有效跟踪,并具有良好的跟踪性能。     

基于ET-GMPHD算法的编队目标跟踪方法

针对低检测环境下编队目标的跟踪问题,提出了一种基于扩展目标高斯混合概率假设密度(extended target Gaussian mix probability hypothesis density, ET-GMPHD)算法的编队目标跟踪方法。首先,保留修剪掉高斯项的同时将其外推,用Jensen-Shannon(JS)散度衡量下一时刻状态估计值与外推值间的相似程度,并以此反映是否有目标丢失,保证真实目标不被修剪,解决了因目标漏检导致跟踪结果不准确的问题。其次,结合循环阈值聚合法得到编队整体的状态估计,消除了估计状态集合中状态值过多造成的影响。最后,仿真实验表明,该方法能够在检测概率极低的情况下进行有效跟踪,并具有良好的跟踪性能。     

基于IMM的UK-GMPHDF算法在多机动目标跟踪中的应用

为解决非线性系统滤波的非线性和多机动目标跟踪问题,提出了一种基于交互多模型(IMM)的无迹卡尔曼实现的高斯混合概率假设密度滤波(UK-GMPHDF)算法.该算法结合了IMM算法对不同目标机动模型的自适应能力和UK-GMPHD滤波精度高、计算量小的优点.此外,滤波器利用UK-GMPHD滤波,不仅避免了难以解决的数据关联问题,而且可以联合估计目标数和目标状态.在非线性系统和杂波环境下,通过对多机动目标跟踪的应用仿真,将该算法和基于单模型的UK-GMPHDF算法进行了比较,仿真结果表明了基于IMM的UK-GMPHDF算法具有较好的跟踪性能,大大提高了多机动目标跟踪精度,减少了跟踪的多目标误差.     

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。     

基于改进粒子滤波的微弱目标检测前跟踪算法

研究高速微弱目标的积累检测问题,提出了一种改进粒子滤波的检测前跟踪算法。该算法采用与雷达距离-多普勒图像相匹配的量测数据模型,能克服传统点扩散函数的模型误差。采用“新生”粒子从强度最高的分辨单元集内均匀产生,且按概率对权重最低的部分“存活”粒子用“新生”粒子将其替换的粒子更新策略,在增加粒子多样性的同时缓解了粒子的退化。仿真实验表明,本文算法的检测与跟踪性能要优于标准的粒子滤波算法。     

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。