面向扩展目标跟踪的网格聚类量测划分方法

针对扩展目标跟踪中量测集划分困难及目标数目估计不准的问题,提出了一种面向扩展目标跟踪的网格聚类量测集划分方法。首先,由目标之间的时空关联性,将当前时刻的量测划分为存活目标量测与新生目标量测。然后,针对高斯混合概率假设密度滤波器与扩展目标高斯混合概率假设密度滤波器,分别推导出改进的模糊C均值算法与改进的网格聚类算法用于划分存活目标量测集与新生目标量测集。仿真结果表明本文方法可实现量测集的准确划分,有效完成扩展目标跟踪,避免了漏检与过检。     

基于时空关联—网格聚类的多扩展目标跟踪算法

针对多扩展目标的跟踪问题,提出了基于时空关联—网格聚类的多扩展目标跟踪算法。根据时空相关性,将当前量测分为存活目标量测和新生目标量测。对存活目标,利用模糊C均值(FCM)算法进行量测划分,由高斯混合—概率假设密度(GM-PHD)滤波器得到存活目标轨迹。对新生目标,用网格聚类完成量测集划分,由扩展目标—高斯混合—概率假设密度(ET-GM-PHD)滤波器得到新生目标的轨迹。仿真结果表明:所提算法能够对多扩展目标进行准确跟踪,特别是在目标交叉时刻,估计目标数目更准确,算法实时性更好。     

基于目标预测的扩展目标量测集划分算法

扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）跟踪算法是扩展目标跟踪领域内最为重要的跟踪算法之一。然而当多个目标邻近时,该算法的状态估计精度降低,这是由于距离-Kmeans++（Distance Partitioning-Kmeans++,DP-Kmeans++）量测集划分算法无法输出正确的结果所导致。为解决该问题,提出了改进的DP-Kmeans++量测集划分算法,利用目标预测信息来分割量测集,从而提高了划分精度。仿真结果表明,当目标邻近时,使用提出划分算法使ET-GM-PHD跟踪算法的OSPA误差距离减小。     

基于均值漂移聚类的扩展目标量测集划分算法

在噪声环境下,存在扩展目标数未知且变化的多扩展目标跟踪量测集难以划分、计算代价高的问题。为此,提出一种基于均值漂移聚类的量测集划分算法。通过迭代更新中心点,使其收敛于局部最优,并引入极大似然估计技术估计每个划分子集中的目标数,对于目标数大于1的子集采用模糊C均值聚类算法进行二次划分,使得划分的量测子集与各个扩展目标一一对应。实验结果表明,该算法在多扩展目标量测集划分性能上明显优于传统的距离划分和K-means++划分算法,尤其是在保持跟踪精度的前提下量测集划分数和计算代价明显降低,且能较好地划分紧邻扩展目标的量测集。     

基于CODHD聚类划分的多扩展目标跟踪算法

杂波环境下,利用概率假设密度滤波器进行扩展目标跟踪存在量测集划分难且计算效率低的问题,提出基于层次划分密度的聚类优化（CODHD）算法对扩展目标进行量测集划分的方法。先利用自适应椭球门限的方法对量测集进行预处理,通过簇合并方式生成量测划分;计算各划分聚类质量并构造为质量曲线;将得到的聚类数和聚类中心通过模糊C-均值（FCM）运算获得量测划分。仿真结果表明,利用所提方法对量测集进行划分,能够得到准确的划分结果且计算代价得到降低。     

基于概率模型的非均匀数据聚类算法

针对传统K-means型算法的"均匀效应"问题,提出一种基于概率模型的聚类算法。首先,提出一个描述非均匀数据簇的高斯混合分布模型,该模型允许数据集中同时包含密度和大小存在差异的簇;其次,推导了非均匀数据聚类的目标优化函数,并定义了优化该函数的期望最大化（EM）型聚类算法。分析结果表明,所提算法可以进行非均匀数据的软子空间聚类。最后,在合成数据集与实际数据集上进行的实验结果表明,所提算法有较高的聚类精度,与现有K-means型算法及基于欠抽样的算法相比,所提算法获得了5%~50%的精度提升。     

基于密度的K-means算法在轨迹数据聚类中的优化

针对传统的K-means算法无法预先明确聚类数目,对初始聚类中心选取敏感且易受离群孤点影响导致聚类结果稳定性和准确性欠佳的问题,提出一种改进的基于密度的K-means算法。该算法首先基于轨迹数据分布密度和增加轨迹数据关键点密度权值的方式选取高密度的轨迹数据点作为初始聚类中心进行K-means聚类,然后结合聚类有效函数类内类外划分指标对聚类结果进行评价,最后根据评价确定最佳聚类数目和最优聚类划分。理论研究与实验结果表明,该算法能够更好地提取轨迹关键点,保留关键路径信息,且与传统的K-means算法相比,聚类准确性提高了28个百分点,与具有噪声的基于密度的聚类算法相比,聚类准确性提高了17个百分点。所提算法在轨迹数据聚类中具有更好的稳定性和准确性。     

基于Mean Shift迭代的新生未知多扩展目标跟踪

针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题,在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法.首先,对聚类后量测数据进行关联,得到新生目标状态,解决目标新生问题;然后,通过Mean Shift迭代获得目标量测集质心,将扩展目标的多量测问题转化为点量测处理;最后,给出其粒子实现方式.仿真实验表明,所提出的算法可以降低跟踪复杂度,提高跟踪效率,在交叉时刻具有稳定的跟踪性能。     

基于变分贝叶斯势均衡多目标多伯努利滤波的 多扩展目标跟踪算法

由于传统多扩展目标跟踪算法在量测噪声协方差未知情况下跟踪性能急剧下降,本文提出一种基于变分贝叶斯的势均衡多目标多伯努利滤波(VB--CBMe MBer)跟踪算法,并给出了高斯混合实现.该算法在未知量测噪声协方差的情况下,将量测看成随机分布在扩展目标上的量测产生点所产生,利用变分贝叶斯方法近似地求出各量测产生点状态和量测噪声协方差的联合概率密度,并给出其递归形式以估计量测产生点,继而将得到的量测产生点状态进行聚类得到扩展目标的状态.仿真实验表明,所提算法可以自适应地跟踪未知数目、未知量测噪声协方差的多扩展目标.其跟踪精度与传统的CBMe MBer跟踪算法相比,有明显提高.     

具有形状信息的多传感器群目标跟踪算法

针对多传感器环境下具有形状信息的扩展/群目标跟踪问题,提出了两种融合算法,即高斯逆韦氏并行PHD滤波算法和高斯逆韦氏序贯PHD滤波算法。新算法分别结合并行滤波和序贯滤波算法思想,能够对扩展/群目标的质心状态进行跟踪,对形状进行有效估计。高斯逆韦氏并行PHD滤波算法将各个传感器产生的量测集合并到一个量测集中,统一对量测集进行划分。在滤波更新阶段,对划分后的量测集进行扩维,从而在形式上将多传感器环境下的跟踪问题转化为单传感器环境下的跟踪问题。高斯逆韦氏序贯PHD滤波算法则先对各个传感器产生的量测集依次进行划分,再依次对每一个划分后的量测集进行滤波,从而达到融合多个传感器量测的目的。仿真结果表明该算法的可行性和有效性。     

结合支持向量机与半监督K-means的新型学习算法

半监督学习结合少量有标签样本和大量无标签样本,可以有效提高算法的泛化性能。传统的半监督支持向量机（SVM）算法在目标函数中引入无标签样本的依赖项来推动决策面通过低密度区域,但往往会带来高计算复杂度和局部最优解等问题。同时,半监督K-means算法面临着如何有效利用监督信息进行质心的初始化及更新等问题。针对上述问题,提出了一种结合SVM和半监督K-means的新型学习算法（SKAS）。首先,提出一种改进的半监督K-means算法,从距离度量和质心迭代两个方面进行了改进;然后,设计了一种融合算法将半监督K-means算法与SVM相结合以进一步提升算法性能。在6个UCI数据集上的实验结果表明,所提算法在其中5个数据集上的运行结果都优于当前先进的半监督SVM算法和半监督K-means算法,且拥有最高的平均准确率。     

融合集群度与距离均衡优化的K-均值聚类算法

针对传统K-均值算法对初始聚类中心选择较为敏感的问题,提出了一种基于融合集群度与距离均衡优化选择的K-均值聚类（K-MCD）算法。首先,基于"集群度"思想选取初始簇中心;然后,遵循所有聚类中心距离总和均衡优化的选择策略,获得最终初始簇中心;最后,对文本集进行向量化处理,并根据优化算法重新选取文本簇中心及聚类效果评价标准进行文本聚类分析。对文本数据集从准确性与稳定性两方面进行仿真实验分析,与K-均值算法相比,K-MCD算法在4个文本集上的聚类精确度分别提高了18.6、17.5、24.3与24.6个百分点;在平均进化代数方差方面,K-MCD算法比K-均值算法降低了36.99个百分点。仿真结果表明K-MCD算法能有效提高文本聚类精确度,并具有较好的稳定性。     

基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法

针对粗糙K-means聚类及其相关衍生算法需要提前人为给定聚类数目、随机选取初始类簇中心导致类簇交叉区域的数据划分准确率偏低等问题,文中提出基于混合度量与类簇自适应调整的粗糙模糊K-means聚类算法.在计算边界区域的数据对象归属于不同类簇的隶属程度时,综合考虑局部密度和距离的混合度量,并采用自适应调整类簇数目的策略,获得最佳聚类数目.选取数据对象稠密区域中距离最小的两个样本的中点作为初始类簇中心,将附近局部密度高于平均密度的对象划分至该簇后再选取剩余的初始类簇中心,使初始类簇中心的选取更合理.在人工数据集和UCI标准数据集上的实验表明,文中算法在处理类簇交叠严重的球簇状数据集时,具有自适应性,聚类精度较优.     

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统，针对非线性系统的多扩展目标跟踪问题，提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先，提出了将多扩展目标状态和关联假设进行联合估计的思想，解决了在估计目标状态和数据关联时相互牵制的问题；其次，根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数，并利用粒子滤波技术实现联合估计的Bayes框架；最后，为解决直接采用粒子滤波实现时存在的维数灾难问题，将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化，对每个目标的粒子集根据与其相关的权重单独进行重抽样，这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明，与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比，所提算法的状态估计精度较高，形状估计的Jaccard距离分别降低了30%、20%左右，更适合于非线性系统的多扩展目标跟踪。     

熵加权多视角核K-means算法

在基于视角加权的多视角聚类中,每个视角的权重取值对聚类结果的精度都有着重要的影响。针对此问题,提出熵加权多视角核K-means(EWKKM) 算法,通过给每个视角分配一个合理的权值来降低噪声视角或无关视角对多视角聚类的影响,进而提高聚类的精度。EWKKM算法中,首先用核矩阵表示不同的视角,给每个视角分配一个权重;然后,利用信息熵计算出各个视角的熵权重;最后,按照定义的目标函数对各个视角的权重进行优化,使用核K-means进行多视角聚类。在UCI数据集及人工数据集进行实验,实验结果表明熵加权多视角核K-means算法能够为每个视角分配一个最优的权重值,聚类的精确度优于已有的聚类算法,具有更稳定的聚类结果。     

一种基于椭圆RHM的扩展目标Gamma高斯混合CPHD滤波器

针对杂波环境下扩展目标形状难以估计、目标跟踪精度低等问题, 提出一种自适应估计扩展目标形状的伽玛高斯混合势概率假设密度算法(GGM-CPHD). 该算法将目标的扩展形状建模为椭圆随机超曲面模型, 并将其嵌入到GGM-CPHD 滤波器中, 更新扩展目标的质心、椭圆形状和方向等信息以完成对扩展目标的跟踪. 通过杂波环境下未知数目的扩展目标仿真实验, 表明了所提出算法在质心状态和椭圆长短轴的估计精度方面要优于传统的基于随机矩阵的伽玛高斯逆韦氏CPHD滤波器.

     

基于混合粒子PHD滤波的多目标视频跟踪

针对可变数目多目标视频跟踪,粒子滤波不能持续维持目标的多模态分布问题,本文提出一种混合粒子概率假设密度(PHD)滤波的多目标视频跟踪算法.该算法首先用K-means算法对粒子进行空间分布聚类,给各粒子群附加身份标签,使各粒子群分别对应混合粒子滤波的各分量,采用相互独立的各分量粒子滤波跟踪各目标,这样提高了目标状态估计的准确性,也能有效维持各目标的多模态分布.实验结果表明,该算法能有效处理新目标出现、合并、分离等多目标跟踪问题.