排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
2.
针对现有的箱粒子概率假设密度(probability hypothesis density, PHD)群目标跟踪算法计算量大、在群数目较多时状态提取不稳定以及无法获得群的航迹等问题,提出标签箱粒子PHD群目标跟踪算法。该算法首先对量测进行预处理,剔除其中的杂波量测,以降低量测更新的计算量。然后,通过为箱粒子添加标签,区分不同的群目标,获得不同群的航迹。最后,依据不同标签提取群目标的状态,有效避免k-means聚类不稳定带来的影响。仿真实验表明,所提算法具有运算量小,在漏检环境下仍能很好地维持不同群的航迹,并在群数目较多时可准确提取群目标状态等优点。 相似文献
3.
多被动传感器UKF与EKF算法的应用与比较 总被引:2,自引:1,他引:2
针对多被动传感器条件下的目标跟踪问题,给出了推广卡尔曼滤波在多被动传感器条件下的具体算法;考虑到多被动传感器目标跟踪需要解决观测非线性的问题,故而将用于非线性系统的基于UT变换的UKF算法应用于所讨论的跟踪问题中,采用检测融合方案,将多个被动传感器的角度观测组合成量测向量,推导了多被动传感器的UKF滤波算法,实现了对目标在三维空间中的全被动跟踪.将两种算法进行了仿真比较,结果表明,采用多被动传感器的UKF算法可以获得比传统的推广卡尔曼滤波算法更为精确的跟踪效果. 相似文献
4.
传统的群结构模型(如群演化网络模型)通过比较两个目标间的马氏距离与根据先验知识所设阈值的大小来对群的分裂合并进行判断, 跟踪效果依赖于设定的阈值, 难以应对群目标跟踪中的各种复杂情况。本文将分群的问题看作一个二分类问题, 提出了一种基于核Fisher判别分析的群结构更新模型, 通过离线训练得到符合群分裂和群合并特性的群结构更新模型, 将其直接用于群结构更新。结合箱粒子概率假设密度滤波算法的群目标跟踪仿真实验表明, 对比群演化网络模型, 本文提出的群结构更新模型对群结构的估计更加准确, 其在数目估计方面更稳定, 对群目标的跟踪效果更好。 相似文献
5.
提出一种基于演化网络模型和区间分析的群目标势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波算法。针对传统的粒子CPHD群目标跟踪算法中粒子数多、运算量大的问题,采用箱粒子实现CPHD滤波器,减少了粒子数,降低了运算量。算法通过对群目标状态采用CPHD滤波进行预测更新,并使用所获得的群信息修正群内目标的状态,进而实现对群质心的跟踪和群目标的势估计。仿真对比实验表明,所提算法在达到与传统算法相似估计性能的条件下,大幅降低了算法的运算量,同时在强杂波环境下也具有更为突出的优势。 相似文献
1