基于辅助粒子滤波的机动弱目标 TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波（ MMPF）相结合的检测前跟踪（ APF-MMPF）算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。     

基于粒子滤波的扩展目标检测前跟踪算法

针对扩展目标跟踪检测问题,把粒子滤波与检测前跟踪算法相结合应用于扩展目标。把目标强度和空间长度引入状态向量,解决粒子滤波易发散的缺点,实现对扩展目标的有效跟踪检测。最后,在对目标有效检测的基础上,对目标强度和空间长度进行估计。仿真表明,该算法能够较好地跟踪和检测扩展目标,并能有效估计目标强度和扩展长度。     

优化的多模型粒子滤波机动微弱目标检测前跟踪方法

在机动微弱目标的检测和跟踪方面,当前主要研究方法之一是多模型粒子滤波检测前跟踪（MMPF-TBD）,该方法以尽可能多的运动模型去匹配目标的机动,符合运动模型精细化研究方向,但存在模型数目与类别较多,模型之间转移计算复杂和有效模型使用效率低等问题。本文从多个运动模型结构上的相似性出发,提出一种优化的多模型粒子滤波检测前跟踪方法,通过粒子机动加速度的变化,在一个模型框架下模拟出类似MMPF TBD中的多种机动模型,简化了算法结构;在该方法实现过程中,采用辅助粒子滤波提高状态估计精度。仿真实验表明该方法相比MMPF-TBD具有更稳定的检测和跟踪性能以及在低信噪比环境中更好的适用性。      

基于辅助粒子滤波的机动弱目标TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波(MMPF)相结合的检测前跟踪(APF-MMPF)算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。     

粒子滤波在机动目标纯方位跟踪中的应用

文章将多模粒子滤波算法用于机动目标纯方位跟踪，通过估计模型的概率而不是寻找最优算法去进行局部线性化和表征非高斯后验密度，从而减小了近似误差。在仿真研究中，与IMM—EKF的比较验证了多模粒子滤波处理机动目标纯方位跟踪问题的优越性。     

一种多模型贝努利粒子滤波机动目标跟踪算法

交互式多模型贝努利粒子滤波器(Interacting Multiple Model Bernoulli Particle Filter, IMMBPF)适用于杂波环境下的机动目标跟踪。但是IMMBPF将模型信息引入粒子采样过程中会导致用于逼近当前时刻真实状态与模型的粒子数减少,而且每次递推各模型间的粒子都要进行交互,存在计算量过大的缺点。为提升IMMBPF中单个采样粒子对于真实目标状态和模型逼近的有效性,该文提出一种改进的多模型贝努利粒子滤波器(Multiple Model Bernoulli Particle Filter, MMBPF)。预先选定每一个模型的粒子数,且模型间的粒子不需要进行交互,减少了计算负荷。模型概率由模型似然函数计算得到,在不改变模型的马尔科夫性质的条件下避免了小概率模型的粒子退化现象。仿真实验结果表明,所提出的MMBPF与IMMBPF相比,用较少的粒子数就可获得更优的跟踪性能。     

弱目标检测前跟踪技术研究综述

该文阐述了弱目标检测前跟踪的基本原理,重点综述了近年来检测前跟踪技术的研究现状,包括动态规划、递归贝叶斯滤波、有限集统计学及直方图概率多假设跟踪等方法,对检测前跟踪技术的应用亦有相关介绍.最后在现有研究发展的基础上,着眼于提高针对弱目标的检测和跟踪性能及检测前跟踪算法鲁棒性的迫切需求,提出了检测前跟踪技术需重点关注和解决的若干问题,包括检测前跟踪算法的性能分析与评估、邻近弱目标检测前跟踪、机动弱目标的检测前跟踪、弱目标的多传感器融合检测和跟踪及弱目标的联合检测、跟踪与分类等方面.     

粒子流粒子滤波检测前跟踪方法

检测前跟踪通过在连续多帧观测中对目标信号进行非相参积累以检测和跟踪微弱目标。积累的关键在于对目标轨迹的准确估计和多帧迭代滤波。传统粒子滤波器过于依赖建议分布，对目标轨迹的估计不够准确。新提出的粒子流滤波器是一种很好的替代方法，但其过于依赖当前时刻的量测而弱化多帧迭代滤波。本文提出一种在粒子滤波框架下采用粒子流的检测前跟踪方法:采用粒子滤波器进行多帧迭代滤波，但在每一帧内，采用Localized Exact Daum-Huang粒子流进行滤波。为了应对目标量测的不确定性，本文改造了Localized Exact Daum-Huang滤波器，为每个粒子在其邻域内寻找最大似然量测，并利用该量测更新粒子状态。Rayleigh分布杂波下Swerling1型起伏目标的检测和跟踪实验证明了所提算法的性能。      

基于多特征融合的粒子滤波目标跟踪研究

针对目标跟踪方法,本研究提出了一种基于运动特征和颜色特征多特征融合的粒子滤波跟踪方法,在颜色直方图描述颜色特征的基础上,融合了目标的运动特征,验证了通过增加对目标特征描述信息,可以提高跟踪健壮性以及可靠性。     

多模型粒子滤波在机动目标跟踪中的应用

针对在非线性机动目标跟踪中存在的滤波器易发散,跟踪误差大等问题,在双机协同跟踪的基础上,提出了利用交互式多模型粒子滤波(IMMPF)对空中机动目标进行跟踪的算法。该算法将粒子滤波和交互多模型有效结合,基本解决了非线性机动目标跟踪中存在的问题。通过仿真表明,与扩展卡尔曼滤波(EKF)和交互式模型扩展卡尔曼滤波(IMMEKF)相比,IMMPF能够降低跟踪误差,提高收敛速度,且有很强的鲁棒性。     

多模型粒子滤波跟踪算法研究

针对机动目标跟踪问题,该文设计了一种改进的多模型粒子滤波(EMMPF)算法。与传统的多模型粒子滤波(MMPF)算法按照模型概率分配粒子数不同,该算法可根据用户定义的准则灵活控制各个模型的粒子数,且无需对模型间的粒子进行交互。模型估计和状态估计分开计算,并用模型似然函数更新模型后验概率。与MMPF进行的仿真比较表明,该算法能用较少的粒子数获得更好的滤波性能。     

改进的交互式多模型粒子滤波跟踪算法

通常的交互多模型卡尔曼滤波(IMMKF)或交互多模型扩展卡尔曼滤波(IMMEKF)对于非高斯问题无能为力;对于非线性问题,其性能不及交互多模型粒子滤波算法(IMMPF)。粒子滤波能够处理非线性/非高斯问题,其与交互式多模型结合用来获得更好的跟踪性能。然而,粒子滤波的主要问题是巨大的计算量,由于粒子滤波通常采用大量的粒子数目,将带来很大的计算负荷。该文提出了一种改进的交互多模型粒子滤波算法,其利用多模型综合使用了卡尔曼滤波和粒子滤波,与常规交互式多模型粒子滤波(IMMPF)相比,大大改善了计算效率。对于非线性/非高斯问题,其性能与IMMPF相当;对于线性问题,其性能与IMMEKF相当,并优于IMMPF的性能。     

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。     

一种新的基于似然比的弱目标TBD方法

在当前基于粒子滤波的检测前跟踪(PF-TBD)算法中,通常是利用累积似然比去检测目标,由于能量累积的效果,无法快速检测到目标的消失。针对这个问题,提出了一种新的基于似然比的检测前跟踪方法。该方法运用单个时刻的似然比进行目标有无判别,并结合多个连续时刻的判别结果给出最终的目标检测结果。仿真结果表明,与传统的基于似然比的弱目标检测前跟踪方法相比,该方法能够减小目标出现时的检测延时,并且能够有效地检测到目标消失。     

Amended Kalman Filter for Maneuvering Target Tracking

The conventional Kalman filter (KF) which uses the current measurement to estimate the current state is a posterior estimation.KF is identified as the optimal estimation in linear models with Gaussian noise.However,the performance of KF with incomplete information may be degraded or diverged.In order to improve the performance of KF,an Amended KF (AKF) is proposed by using more posterior measurements.The principle,derivation and recursive process of AKF are presented.The differences among Kalman smoother,adaptive fading method and AKF are analyzed.The simulation results of target tracking with different covariance of motion model indicate the high precision and robustness of AKF.