杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法

在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪 (PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显著的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。      

多目标滤波中的多传感器概率假设密度算法

多传感器情况下的多目标概率假设密度(PHD)滤波是建立在假设模型上实现的。该文用随机有限集(RFS)方法描述多目标状态空间和传感器量测空间,分析了多传感器通用假设模型下的探测概率、似然函数和杂波分布,在此基础上利用概率产生泛函(PGFL)推导出了多传感器PHD滤波递归式,进而提出粒子标记法多传感器贯序蒙特卡洛PHD(SMC-PHD)滤波等价实现算法,降低了多传感器PHD滤波的计算复杂度。最后给出了算法的具体实现,得到了良好的多目标数目和可跟踪多目标状态的估计。     

改进的概率假设密度滤波多目标检测前跟踪算法

基于概率假设密度滤波(Probability Hypothesis Density,PHD)的检测前跟踪(Track before detect,TBD)技术可以有效解决未知目标数的弱小点目标检测前跟踪问题.文章针对现有PHD-TBD算法存在目标数估计不准、目标发现延时较久的问题进行研究.从标准PHD滤波出发,更为合理地推导出PHD-TBD算法的粒子权重更新计算表达式,实现对目标数的准确估计;同时利用贝叶斯滤波理论,推导出基于量测的新生粒子概率密度采样函数,完成对目标的快速发现.仿真实验表明,与现有的PHD-TBD相比,改进算法能够适应目标扩散情况,准确估计目标数目,并实现对目标的快速发现和位置准确估计.     

MM-CBMeMBer滤波器跟踪多机动目标

多模型(Multiple Model,MM)概率假设密度(Probability Hypothesis Density,PHD)滤波器能同时估计机动目标个数及状态,但其序贯蒙特卡罗(Sequential Monte Carlo,SMC)实现运用粒子聚类算法提取目标状态,不仅引入额外计算量,且可能导致目标丢失。针对这一问题,该文提出一种基于多模型的势平衡无偏多目标多伯努利(Multiple Model Cardinality Balanced Multiple target Multi-Bernoulli,MM-CBMeMBer)滤波器,在每次扫描杂波数低于20,检测概率大于0.9的环境中,该方法利用一组伯努利参数近似机动目标状态的后验概率,并通过对伯努利参数的简单运算估计出目标状态,有效地避免了常规聚类算法。仿真结果表明,该方法与多模型概率假设密度滤波器相比,表征估计误差的最优子模型分配距离明显降低。     

基于概率假设密度滤波和动力学方程约束的空间群目标数量和位置分辨

空间目标具有射程远、速度快等特点,为了有效解决密集性高、可分性差的高速空间目标群饱和攻击问题,实现非合作空间群目标数量和位置的尽早分辨,该文基于随机有限集(RFS)理论和动力学方程约束研究了空间“团状”目标数量和位置分辨问题,提出目标监测早期解决大量距离靠近、运动特征差异不明显的高速空间群目标数量和位置估计的相关算法,该算法利用概率假设密度(PHD)滤波器能够解决未知时变环境下目标个数与状态估计的特点,将高斯混合PHD (GM-PHD)滤波和空间目标动力学方程相结合,在解决不可分辨空间群目标数量和位置估计问题的同时,充分利用空间目标动力学方程对群内目标状态进行实时调整,提高空间目标位置状态估计精度,解决不可分辨空间目标群边跟踪边分辨问题,相关算法可为空间群目标数量和群内特殊价值个体目标位置尽快分辨、连续稳定跟踪和可靠动向预报等提供数据基础。     

基于拟蒙特卡罗概率假设密度的卷积实现

本文提出了两种新的算法.第一,拟蒙特卡罗概率假设密度(QMC-PHD)滤波,主要思想是利用QMC方法来实现PHD滤波.在仿真实验中可以发现:在目标数目和状态估计方面,新算法比序贯蒙特卡罗概率假设密度(SMC-PHD)滤波器更精确.第二,卷积核拟蒙特卡罗概率假设密度滤波(CKQMC-PHD),主要思想是基于QMC-PHD...     

基于GM-PHD平滑器的检测前跟踪技术

雷达观测下弱小目标的检测前跟踪(TBD)问题中,针对基于高斯混合概率假设密度滤波器(GM-PHD)的TBD算法在信噪比降低时,存在目标的数目估计不准确、状态估计精度下降的问题,提出了基于GM-PHD平滑滤波器(SGM-PHD)的检测前跟踪算法(SGM-PHD-TBD)。该算法在TBD标准多目标观测模型框架下,采用平滑递归方法,利用多个量测数据对滤波值进行平滑,在牺牲一定运算效率的基础上提升了算法的估计精度。仿真结果表明,该算法在信噪比较低的情况下对目标数目估计的准确度和目标状态估计的精度均优于基于GM-PHD的TBD算法。     

一种GMPHD滤波改进算法及仿真研究

提出了一种面向快速多目标跟踪的多目标信息自适应提取算法。该算法引入子PHD表示单目标强度,其积分表征目标存在概率,并分类为存活子PHD、新生子PHD以及预备存活子PHD,对各子PHD进行预测及更新,另外构建多子PHD管理策略实现航迹提取,从而实现快速目标跟踪。仿真结果表明,此算法在状态估计的精度以及计算效率上具有非常明显的优势。     

基于交互式伯努利滤波的机动目标TBD算法

低信噪比环境下,原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli)检测前跟踪(TBD)算法,该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测,利用伯努利滤波对目标粒子进行递归,粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测,使得预测粒子更加接近目标真实运动状态,兼备了伯努利TBD算法和交互式多模算法的特点,可用于处理低信噪比环境下机动弱目标检测跟踪问题,且对目标状态的估计更加精准。仿真实验表明,该滤波器能够实时地估计出目标位置,比传统的伯努利TBD算法具有更好的滤波性能。     

三维空间纯方位多目标跟踪PHD算法

针对基于概率假设密度算法（Probability Hypothesis Density,PHD）的高维纯方位多目标跟踪,提出了新型的PHD算法-新型采样准则的基于无迹变换的粒子PHD算法（Unscented Particle PHD based on New Sampling Rule,NSRUP-PHD）.新算法对每个目标设计了基于无迹变换（Unscented Transform,UT）的粒子滤波器,不仅解决了非线性滤波估计的问题,而且还通过高斯混合的方式实现了非高斯噪声估计.此外粒子滤波器提出了一种新型的采样手段,通过基于三阶容积准则（Cubature Rule,CR）的粒子方位选择和概率累加的距离延伸,使得采样粒子遍布整个空间的同时保障了粒子概率分布的问题,提高了粒子使用的效率.仿真结果表明NSRUP-PHD能够实现多目标有效跟踪,相比于传统的算法和伪随机采样,新型滤波器和采样手段可改善跟踪效果.