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。     

一种基于随机集的PHD多目标多传感器关联算法

针对复杂电磁环境下的多目标关联计算量大、准确率低的问题,提出了一种基于随机集概率假设密度(PHD)的多目标多传感器关联算法。该方法首先采用高斯混合PHD(GMPHD)对多传感器的量测信息进行滤波,再对滤波结果做最近邻数据关联处理,从而得到多目标航迹。杂波环境下的仿真实验表明,该方法在保证滤波精度的同时,能够有效降低运算量,提高数据关联的准确度。     

基于概率假设密度滤波法的3D目标位置跟踪

为了实现3D目标位置跟踪,提出了一种基于概率假设密度(PHD)滤波的跟踪方案。方案由2个阶段构成：单视图跟踪阶段和多摄像机融合阶段。单视图跟踪阶段,在时刻k每个摄像机上得到颜色观测值,采用高斯混合概率假设密度(GMPHD)滤波器估计出2D目标位置;多摄像机融合阶段,将得到的目标的2D估计值集合作为数据融合阶段的观测值,并通过GMPHD滤波器估计出目标的3D位置,从而避免观测值与目标状态之间的数据关联。仿真实验结果表明,提出的跟踪方案不但能够可靠地跟踪3D目标位置,而且能够解决在每个摄像机处目标的遮挡问题。     

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...     

面向OTHR多目标跟踪的多路径标记PHD滤波算法

针对天波超视距雷达(OTHR)多目标跟踪面临着多路径、低检测概率等问题,利用概率假设密度(PHD)滤波器在状态估计过程免数据关联的优点,提出了多路径标记PHD(MLPHD)滤波算法。该算法采用分布式PHD滤波策略,构建标记子PHD表征独立目标信息,同时引入多路径子PHD删剪及合并策略,避免标准PHD滤波在OTHR跟踪过程出现的目标数过估问题,进一步给出了该算法的序贯蒙特卡洛(SMC)实现。仿真结果表明,在OTHR跟踪中,SMC-MLPHD滤波器能够较准确的估计目标状态和目标数,缓解了直接利用SMC-PHD滤波器处理带来的目标数过估和较高计算量的问题。     

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。     

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.     

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。      

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。     

一种基于IPDA的航迹质量管理新算法

传统的航迹管理方法在处理航迹起始、跟踪和终结时需用到不同算法,这无疑增加了航迹管理的复杂性.文中借助综合概率数据互联(IPDA)算法中考虑目标存在概率的思想,结合打分方法提出了一种新的航迹质量管理算法.该算法利用目标存在概率的信息不仅能对目标航迹进行更好地跟踪,同时可以判定航迹的起始和终结.仿真结果表明该算法跟踪性能优于PDA算法,并能够通过调节初始存在概率和质量的满分值来达到合适的起始和终结反应时间.仿真结果验证了算法的正确性和有效性.     

A new data association algorithm using probability hypothesis density filter

Probability Hypothesis Density (PHD) filtering approach has shown its advantages in tracking time varying number of targets even when there are noise, clutter and misdetection. For linear Gaussian Mixture (GM) system, PHD filter has a closed form recursion (GMPHD). But PHD filter cannot estimate the trajectories of multi-target because it only provides identity-free estimate of target states. Existing data association methods still remain a big challenge mostly because they are computationally expensive. In this paper, we proposed a new data association algorithm using GMPHD filter, which significantly alleviated the heavy computing load and performed multi-target trajectory tracking effectively in the meantime.     

非线性高斯系统边缘分布多目标贝叶斯滤波器

为解决存在数据关联不确定、检测不确定和杂波情况下的多目标跟踪问题,提出了一种新的多目标贝叶斯滤波器.代替维持多目标状态的联合后验密度,所提出的贝叶斯滤波器联合传递各个目标状态的边缘分布和它们的存在概率.为了处理目标运动和传感器测量模型中的非线性,利用无迹变换技术提出了一种非线性高斯条件下边缘分布贝叶斯滤波器的近似实现算法.仿真实验结果表明,与PHD(Probability Hypothesis Density)滤波器相比,所提出的滤波器具有更好的多目标跟踪能力.     

基于改进的PHD粒子滤波的多目标跟踪技术

有限集统计学（FISST）理论将任意时刻目标状态的集合视为多目标集值状态,而相应的传感器观测值集合被视为多目标集值观测。通过随机有限集建模并利用集合的微积分运算可推导出最优多目标贝叶斯滤波器。然而由于涉及集合微积分运算,最优多目标贝叶斯滤波器的运算量极大。概率假设密度（PHD）滤波器是最优多目标贝叶斯滤波器的一阶矩近似,可以实现在关联不确定、目标数目未知或变化情况下的多目标状态估计。相比于最优多目标跟踪技术,基于PHD滤波器的多目标跟踪技术的运算复杂度得到了有效的降低,更易于工程应用。但在密集杂波背景下PHD滤波器的粒子实现方法仍然存在运算复杂度过高的问题。本文针对密集杂波的情形,提出一种有效的杂波滤除方法,在不影响滤波性能的情况下,降低了运算复杂度,提高了滤波效率。      

观测最优分配的GM-PHD多目标跟踪算法

概率假设密度滤波器将目标的状态空间及观测空间描述为随机有限集合的形式,有效避免了多目标跟踪中复杂的数据关联问题。但对于不同类型的目标使用同样的全部观测数据集进行目标状态更新,未对观测数据进行合理分配,导致估计性能下降。该文提出一种观测最优分配的高斯混合概率假设密度多目标跟踪算法(MOA-GM-PHD),将目标分为已有目标和新生目标两类,推导极大似然门限来获得两类目标对应的最优观测数据,再分别进行目标状态更新。实验结果表明,该文方法目标跟踪效果优于传统GM-PHD滤波器。      

位移矢量一致下的多飞行器三维轨迹跟踪识别

合作靶标点三维轨迹的跟踪识别是实现室内环境中多飞行器位姿估计的关键,为此,提出了一种基于时空一致条件下的多目标三维轨迹跟踪识别算法。该方法包括运动轨迹跟踪与识别两部分,对于合作靶标点三维轨迹跟踪,提出了一种基于运动目标位移矢量一致的数据关联方法,该方法首先利用运动平滑性假设计算得到的数据关联概率值,结合匈牙利算法求解得到目标的数据关联关系,然后在贝叶斯滤波框架下实现合作靶标点的三维轨迹跟踪。对于合作靶标点的三维轨迹识别,又可以分为粗细两部分,利用运动轨迹Hankel矩阵的秩实现运动轨迹的粗识别,利用运动轨迹之间的Hausdorff距离实现运动轨迹的细识别,最终实现对每一个飞行器的轨迹识别与注册。实验结果表明,在三维测量手段为机器视觉,测量空间大小为2 m×2 m×2 m,提出的多目标跟踪算法的三维轨迹跟踪误差小于4 mm（3σ）时,轨迹识别正确率为100%。因此,所提出的算法可以有效地实现多飞行器上合作靶标点三维轨迹的跟踪识别。     

Penalized Gaussian mixture probability hypothesis density filter for multiple target tracking

Bayesian multi-target filter develops a theoretical framework for estimating the full multi-target posterior which is intractable in practice. The probability hypothesis density (PHD) is a practical solution for Bayesian multi-target filter which propagates the first order moment of the multi-target posterior instead of the full version. Recently, the Gaussian Mixture PHD (GM-PHD) has been proposed as an implementation of the PHD filter which provides a close form solution. The performance of this filter degrades when targets are moving near each other such as crossing targets. In this paper, we propose a novel approach called penalized GM-PHD (PGM-PHD) filter to improve this drawback. The simulation results provided for various probabilities of detection, clutter rates, targets velocities and frame rates indicate that the proposed method achieves better performance compared to the GM-PHD filter.     

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。