基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息, 基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法, 提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中, 对各高斯项编号, 进行航迹提取, 在滤波处理的同时形成带有航迹编号的明确航迹, 并进行航迹管理; 同时, 根据目标运动模型, 联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时, 对目标航迹进行有效类型识别.     

扩展目标GMPHD滤波器的航迹维持算法

概率假设密度(PHD)滤波器提供了各目标在每个时刻的状态信息,但未形成航迹。该文提出了扩展目标高斯混合PHD(GMPHD)滤波器的航迹维持算法。首先对后验概率强度的每个高斯分量添加标签;其次在后验概率强度随着时间进行演化时,标签也随之演化;并通过航迹管理方案为扩展目标提供航迹。为提高GMPHD滤波器性能,提出了自适应的量测集划分法。最后通过仿真验证了提出算法的有效性。     

基于随机集的RBPF多目标关联跟踪算法

针对大量杂波环境下数量变化的纯角度多目标航迹关联跟踪问题,提出一种新的基于Rao-Blackwellized粒子采样(RBPF)航迹关联的高斯混合概率假设密度(GMPHD)滤波算法.算法首先利用GMPHD在每时刻对多个目标组成的随机集合进行估计;然后利用基于随机有限集的RBPF对GMPHD所得到的目标集合进行检测和关联...     

密集杂波环境下多目标跟踪算法

在密集回波环境下对多目标进行航迹起始和跟踪是一个很难解决的问题，对此提出一种基于m-best 2-D分配算法和广义似然比判决的多目标跟踪算法。数值仿真实验表明提出的多目标跟踪算法能够有效解决“量测-目标”数据关联问题，并且能在较短时间内发现假航迹，确认真航迹，大大减轻对系统的存储量、计算量的要求。     

密集杂波和未知数目条件下的多目标检测算法

针对低信杂比和目标数鼍未知条件下的多目标检测问题,提出了一种基于Hough变换及扩展网络的检测前跟踪算法.首先采用标准Hough变换及最小距离法生成候选航迹,然后以每条候选航迹为单位构成扩展网络,对候选航迹进行杂波滤除,并利用功率均值法对候选航迹进行二次筛选.最后通过剔除野点得到准确的航迹数及航迹参数.实验表明该方法不但实时性强,而且较好地解决了以往检测前跟踪算法在未知目标数量的条件下要求目标数量上限先验已知的问题.     

多目标跟踪的动态多维分配算法

多目标多传感器的数据关联问题一直是目标跟踪领域的核心和难点之一.数据关联是在一定准则下,连接具有共同源的测量或航迹的分配过程.具有代表性的数据互联方法都可以归结为特定的分配问题.然而现有的S-D分配算法只考虑同一时刻各传感器测量的互联,是一个静态结果.本文将静态分配推广到动态跟踪中,通过对测量集合和航迹集合的合并,把S维转变为S+1维问题,从而实现了分配的动态化.在此基础上考虑了有新目标出现的情况,并讨论了动态分配与静态分配的关系.最后对本文算法进行了仿真分析,结果表明,该算法能够对多目标进行稳定的跟踪.     

一种具有信息保持能力的GM-PHD滤波器

概率假设密度(PHD)滤波器是解决虚警、漏检和目标数未知情况下多目标跟踪问题的新方法.然而在该滤波器中已存在的目标一旦在某个时刻不能被传感器检测到,漏检目标的大量信息会被滤波器丢弃.为解决漏检目标的信息丢失问题,对PHD滤波器的预测和更新方程进行了修正,提出了一种具有信息保持能力的PHD滤波器.在此基础上提出了适用于线性高斯模型的修正PHD滤波器高斯混合(GM)实现算法.仿真实验结果表明,与现有的PHD滤波器相比,在存在漏检的情况下所提出的GM-PHD滤波器能够提供更好的多目标跟踪能力.     

具有形状信息的多个群目标跟踪算法

针对杂波和漏检环境下多个群目标跟踪中形状估计精度低的问题,提出一种具有形状信息的多个群目标跟踪算法。该算法首先进行量测集划分进而起始航迹,随后对传统的群目标Bayesian递推算法进行改进,并融合群航迹关联等算法,利用改进的算法对多个群目标的运动状态和形状信息同时进行估计,大大提高了形状的估计精度。仿真结果表明,该算法不仅可以对多个群目标的运动状态同时进行跟踪,并且可以有效估计每个群目标的形状信息,大大提高了形状估计精度。     

一种高脉冲重复频率雷达微弱目标检测跟踪方法

针对高脉冲重复频率(PRF)雷达对微弱目标的检测跟踪问题,该文提出一种雷达测距模糊条件下基于检测前跟踪(TBD)的微弱目标跟踪方法.该算法借用TBD的思想精髓,对于每一时刻的量测,既不进行目标有无的检测也不解距离模糊,而是将目标检测和解距离模糊统一在目标真实航迹的获取中.首先通过批处理把目标的模糊量测在所有模糊区间进行多假设扩展,从而提取量测的时空相关信息;然后基于目标真实航迹在时空上的连续性和不同PRF量测之间的相关性,通过TBD方法得到目标航迹,同时实现解距离模糊.与同类研究相比,该方法将微弱目标解距离模糊问题统一到目标航迹的检测确认过程中,避免了低信噪比(SNR)造成的航迹漏检,为实现高脉冲重复频率雷达微弱目标的检测跟踪提供了一种新的思路.最后,通过仿真验证了该算法的有效性.     

高斯混合模型的遗传分基融合算法

作为分析数据的一种有效工具,高斯混合模型被广泛地应用到信号与信息处理领域中.然而,如何从数据中直接来确定模型中高斯分量的个数仍然是一个非常困难的问题.针对这一问题,本文提出了一种遗传型分裂融合优化算法,称之为分基融合算法.该算法以传统的EM算法为基础,通过类似遗传算法的随机分裂与融合操作,能够自动确定混合模型中高斯分量的数目.同时,它还能够估计出各个高斯分量的详细参数.实验表明,这种分基融合算法能够对于一般混合高斯数据建立合理的模型.     

A novel track maintenance algorithm for PHD/CPHD filter

Probability hypothesis density (PHD) filter and cardinalized PHD (CPHD) filter have proved to be promising algorithms for tracking an unknown number of targets in real time. However, they do not provide the identities of the individual estimated targets, so the target tracks cannot be obtained. To solve this problem, we propose a new track maintenance algorithm based on the cross entropy (CE) technique. Firstly, the particle filter PHD (PF-PHD) algorithm is used to estimate the target states and the target number. Then, the results of the estimation are used as vertexes to construct a connectivity graph with associated weights, and the CE technique is employed as a global optimization scheme to calculate the optimal feasible associated events. Furthermore, due to the advantages of the CPHD filter and the Rao-Blackwellized particle filter (RBPF), we propose another track maintenance algorithm based on the CE technique, named the RBPF–CPHD tracker, which can further improve the track maintenance performance due to the more accurate state estimates and their number estimates. Simulation results show that the proposed algorithms can effectively achieve the track continuity, with stronger robustness and greater anti-jamming capability.     

基于GM-PHD的目标空间分布感知算法

对边扫描边跟踪的认知雷达,目标的空间分布特性是实现对雷达信号控制的重要依据之一。本文介绍了一种基于高斯混合概率假设密度（GM-PHD）滤波算法的目标空间分布感知方法,利用该算法,可同时实现多目标高虚警环境下的目标数目和目标空间位置以及运动状态的估计。该算法实际是一种对标准GM-PHD滤波器的改进算法,能在新生目标强度未知的情况下完成对新生目标的检测跟踪。实验表明该算法不仅能在未知新生目标强度的情况下检测并跟踪新生目标,且在新生目标速度较大的情况下,该算法对新生目标的检测性能优于标准GM-PHD滤波器。     

基于势概率假设密度滤波的检测前跟踪新算法

基于势概率假设密度滤波(Cardinalized Probability Hypothesis Density, CPHD)检测前跟踪(Track before detect, TBD)算法能有效解决未知目标数的弱小目标检测跟踪.文章深入研究了CPHD算法, 从标准CPHD滤波的粒子权重更新出发, 结合检测前跟踪的实际, 合理地推导出CPHD-TBD算法的粒子权重更新表达式; 分析了CPHD滤波目标势分布的物理意义, 实现了目标势分布更新计算在检测前跟踪的应用.将CPHD滤波和TBD进行有效结合, 提出了基于势概率假设密度滤波的检测前跟踪算法, 并给出其详细实现步骤.仿真实验证明提出的CPHD-TBD算法与现有概率假设密度检测前跟踪(PHD-TBD)算法相比, 能更详细地传递目标分布信息, 从本质上改变了PHD-TBD对目标数估计的方式, 能更准确稳定估计目标数, 实现了对目标的发现和状态准确估计, 性能明显更优.     

认知无线电中基于高斯混合概率假设密度滤波的主用户跟踪算法

基于随机集的高斯混合概率假设密度滤波算法是一种典型的多目标跟踪算法,可以在目标数目未知的情况下进行多目标跟踪,但是该算法要求已知目标的起始位置,在很多情况下,目标的起始位置信息是无法获得的。本文针对这一问题,提出了改进的高斯混合概率假设密度滤波算法,并将本文算法应用于认知无线电系统的主用户跟踪问题。该算法利用双向预测的方式对检测结果进行估计,即使用正向预测算法来估计现存主用户的位置,然后采用后向预测算法来搜索新生的主用户并估计出新生主用户的位置。本文算法的主要优点是在主用户的数目、出现的时间和起始位置均未知的情况下仍可以有效的跟踪目标。最后,通过仿真对本文算法的性能进行了分析。仿真结果表明,本文算法在误检率较高的情况下可以准确地跟踪主用户。     

Target Birth Intensity Estimation Using Measurement‐Driven PHD Filter

The probability hypothesis density (PHD) filter is an effective means to track multiple targets in that it avoids explicit data associations between the measurements and targets. However, the target birth intensity as a prior is assumed to be known before tracking in a traditional target‐tracking algorithm; otherwise, the performance of a conventional PHD filter will decline sharply. Aiming at this problem, a novel target birth intensity scheme and an improved measurement‐driven scheme are incorporated into the PHD filter. The target birth intensity estimation scheme, composed of both PHD pre‐filter technology and a target velocity extent method, is introduced to recursively estimate the target birth intensity by using the latest measurements at each time step. Second, based on the improved measurement‐driven scheme, the measurement set at each time step is divided into the survival target measurement set, birth target measurement set, and clutter set, and meanwhile, the survival and birth target measurement sets are used to update the survival and birth targets, respectively. Lastly, a Gaussian mixture implementation of the PHD filter is presented under a linear Gaussian model assumption. The results of numerical experiments demonstrate that the proposed approach can achieve a better performance in tracking systems with an unknown newborn target intensity.     

基于OpenCV的红外弱小运动目标检测与跟踪

针对信噪比低、背景和噪声干扰严重的红外图像,根据图像序列中运动目标的帧间相关特性以及噪声的不相关理论,基于OpenCV（Open Soure Computer Vision Library）计算机视觉库,提出了一种弱小目标的检测算法,并对检测到的目标进行了跟踪。采用能量累积的方法得到背景,然后从原始图像中去除背景,提高信噪比;利用目标的帧间相关特性以及运动信息去除噪声;最后通过Kalman滤波算法来对检测到的目标进行跟踪。实验结果表明:该检测算法能有效地从序列图像中提取出弱小运动目标,跟踪算法也能实时地进行跟踪并在目标被遮挡时准确地预测出目标位置。     

基于分治-贪心算法的高斯混合多观测站CPHD滤波器

针对现有的多观测站概率假设密度滤波器实现中存在依赖观测站处理顺序、计算复杂度高等问题,文中提出一种基于分治-贪心算法的高斯混合多观测站势概率假设密度滤波器.假设观测站个数为s,每个观测站的量测个数为n,相对于暴力分析法,分治算法使得子集选取问题的计算复杂度从O（n^s）降到了O（ns）.此外,在线性高斯模型假设条件下,给出多观测站势概率假设密度滤波实现的具体步骤.仿真结果证明,本文实现方法不受观测站处理顺序的影响,分治-贪心近似实现方法与暴力分析法的跟踪性能相当,但是运算耗时大大降低,提高了算法实现及应用的可行性.     

Detection-guided multi-target Bayesian filter

Multi-target Bayesian filter in the framework of finite set statistics (FISST) and its approximations, including probability hypothesis density (PHD) filter and cardinalized probability hypothesis density (CPHD) filter, are elegant methods for multi-target tracking by jointly estimating the number of targets and their states from a sequence of noisy and cluttered observation sets. PHD filter and CPHD filter can deal with the tracking scenario involving the surviving targets, the spawned targets, and the spontaneous births. One of the limitations of PHD and CPHD filter is that it is assumed that intensities of spontaneous birth targets are known at the initialization stage. To address the problem, a track initiation technique is proposed to detect the position unknown birth targets and is hybridized with PHD and CPHD filter. Once new targets are detected, the position estimates are employed to form intensities of spontaneous births for starting PHD and CPHD filter. Simulation results demonstrate that the proposed tracker can adaptively and efficiently track multiple targets especially in scenarios with birth targets of unknown position, which the PHD and CPHD filter are unable to do on their own.     

The Probability Hypothesis Density filter with evidence fusion

The original Probability Hypothesis Density (PHD) filter is a tractable algorithm for Multi-Target Tracking (MTT) in Random Finite Set (RFS) frameworks. In this paper, we introduce a novel Evidence PHD (E-PHD) filter which combines the Dempster-Shafer (DS) evidence theory. The proposed fil-ter can deal with the uncertain information, thus it forms target track. We mainly discusses the E-PHD filter under the condition of linear Gaussian. Research shows that the E-PHD filter has an analytic form of Evi-dence Gaussian Mixture PHD (E-GMPHD). The final experiment shows that the proposed E-GMPHD filter can derive the target identity, state, and number effectively.