一种耦合检测和JPDA滤波的多目标跟踪算法

传统雷达信号处理中对目标的检测和跟踪是割裂处理的,通常为先检测后跟踪(DBT);当目标的信噪比较低时,检测过程中将出现大量的虚警及漏检,使得后继的跟踪算法失效。针对这一问题,在联合处理检测和跟踪方法的基础上,提出了一种耦合贝叶斯检测和联合概率数据关联(JPDA)滤波的多目标跟踪算法(JPDAF-BD)。JPDA滤波器将目标的位置分布信息反馈到贝叶斯检测器,继而贝叶斯检测器将该反馈作为先验信息用于检测判决。仿真结果表明,所提出的JPDAF-BD算法较之传统DBT体制下的多目标跟踪算法(JPDAF-NP)有显著的性能提升,可以实现更低信噪比下的多目标检测和跟踪。     

基于粒子滤波和联合概率数据关联的目标跟踪算法

为了解决非线性非高斯系统下多目标跟踪问题,对基于粒子滤波和联合概率数据关联的目标跟踪算法进行了深入研究。在多目标聚集且目标跟踪门可能交叉时,考虑使用基于多目标组合采样的JPDA算法,在多目标聚集不严重时,考虑使用基于独立采样的JPDA算法。仿真结果表明：该方法可以有效地解决非线性非高斯下多目标跟踪问题。     

一种基于变分推断的雷达多目标跟踪JPDA算法

针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法（Joint Probability Data Association,JPDA）。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k 近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN－JPDA) 算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。     

基于粒子滤波和数据关联的多目标跟踪算法

针对图像序列中低信噪比条件下的点状多目标跟踪问题,在已获得各个目标初始信息的基础上,结合粒子滤波和联合概率数据关联(JPDA),研究了一种基于单帧检测的实时多目标跟踪算法.介绍了其基本思想和具体算法实现步骤,并在MATLAB仿真环境下实现了该跟踪算法.实验仿真结果表明,该算法能够准确跟踪作任意轨迹运动的多个点状动目标,具有良好的实时性与准确性.     

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。      

基于中值移位的粒子滤波多目标跟踪算法

针对传统粒子滤波多目标跟踪过程中的发散问题,提出了一种基于中值移位的粒子滤波多目标跟踪算法。该算法采用具有优良特性的中值移位方法对重要性重采样后的中间结果进行聚类分析,得到相应的粒子子群,从而获得各个目标的最优状态估计,提高滤波精度,并对目标的进出场景和遮挡问题进行有效处理。视频跟踪仿真试验表明该算法是稳健的,能够在复...     

多传感器箱粒子PHD滤波多目标跟踪算法

针对目标检测概率较低导致单个传感器无法对目标进行有效检测并跟踪的问题,本文提出了多传感器箱粒子概率假设密度(multi-sensor box particle probability hypothesis density filter,MS-BOX-PHD)滤波器.MS-BOX-PHD滤波器首先将多个传感器的量测转换、融合成为一个量测集合,并利用箱粒子概率假设密度(box particle probability hypothesis density filter,BOX-PHD)滤波器对多个目标的状态进行预测和更新.数值实验表明,相较于单传感器箱粒子概率假设密度(Single-BOX-PHD)滤波器,MS-BOX-PHD滤波器在目标检测概率较低时,能够有效地对多目标的状态和数目进行估计;相较于区间量测下多传感器标准PHD粒子(multi-sensor standard probability hypothesis density particle filter with interval measurement,IM-PHD-PF)滤波器,在达到相同的跟踪性能时,计算效率提升了38.57％.     

基于动态显著性特征的粒子滤波多目标跟踪算法

针对复杂背景条件下图像序列中运动多目标跟踪问题,提出一种基于动态显著性特征的粒子滤波多目标跟踪算法,该算法借鉴心理学中关于视觉注意的研究成果,综合目标的灰度、细节和运动特性形成稳健的动态显著性特征,用来作为粒子滤波的状态向量。由于该算法中的显著性特征来源于目标的多种底层特性,因此算法具有很强的稳健性,同时,粒子滤波可实现非线性非高斯状态空间模型的最优估计。故而,该算法能够同时处理多个目标跟踪过程中的航迹管理问题,以及目标出现、消失、合并、分裂、被障碍物遮挡等问题。实验结果表明,该算法能够很好地实现复杂图像序列中的多目标跟踪。     

纯方位被动多传感器多目标跟踪算法

多传感器多目标跟踪中的数据关联问题是目标跟踪领域中的难点及核心。若传感器是只有角度量测的被动传感器,关联问题则变得更为复杂。针对纯方位多被动传感器系统的多目标跟踪问题,提出了一种基于高斯-厄密特滤波的动态多维分配方法。首先建立了直角坐标系下多被动传感器的高斯-厄密特滤波模型;在该模型的基础上,采用多维分配问题的思想,直接建立各传感器角度量测与目标角度预测值的候选关联组合,并将其进行动态地分配,提高了关联效率。仿真实验表明,该方法可以实时、高效地解决多被动传感器系统中的数据关联问题,并且能够对多目标进行稳定的跟踪。     

JPDA中联合事件概率的计算

文章讨论了多目标跟踪中广泛采用的联合概率数据关联方法的缺陷和数学上的不严格性,给出了该算法中新的联合事件概率计算方法,并给出两者计算对比实例。     

两类典型多目标跟踪算法的性能分析与比较

在处理目标跟踪的两类主要方法中,一类是通过数据关联来解决,如PDA和JPDA等;另一类则是绕过关联直接处理,如随机集、GM-PHD等。该文从两类典型方法中各选取一种有代表性的方法,如JPDA与GM-PHD,首先通过分析两种算法主要步骤的计算量,得到相应算法总计算量的解析表达式;然后根据观测与目标状态之间关联复杂程度,分3种情况对两类算法的计算量进行比较;最后以仿真说明算法的跟踪效果,并以算法运行时间来验证计算量公式的正确性。     

多元假设检验GMPHD轨迹跟踪

由于在军事和民事领域逐步广泛的应用,数目不定的多目标跟踪技术正受到越来越多的关注。概率假设密度(PHD)滤波方法,特别是具有闭式递归的高斯混合概率假设密度(GMPHD)技术,在噪声和漏警等影响下仍能形成优越的群目标跟踪性能。然而PHD滤波器并不能实现多目标航迹跟踪,而其与传统数据互联的结合,复杂度高且跟踪效果不尽如人意。在该文中,各目标的航迹信息以假设形式表述,数据互联则是通过使用经典的多元假设检测方法判决假设矩阵实现。其与GMPHD的结合不仅实现了数据互联和轨迹管理,还因为积累时间信息大大降低了杂波干扰的影响。实验结果证明,该算法可以对多个目标所形成的轨迹实施正确跟踪,同时,计算量的大幅度降低带来了跟踪系统可实现性的提高。     

一种新的避免航迹合并的联合综合概率数据关联滤波器

针对联合综合概率数据关联算法(JIPDA)存在的航迹合并问题,将目标建模为随机有限集(RFS)提出改进的JIPDA算法。传统JIPDA首先产生初始概率密度函数(PDF),之后对该PDF进行近似来估计目标状态。为了使目标状态估计PDF与初始PDF之间的相似性最大化,当目标标签无意义时,提出对JIPDA的初始PDF进行优化。将KL散度作为相似性的衡量标准,建立起优化过程的代价函数。仿真实验表明,所提方法可有效地抑制传统JIPDA引起的航迹合并。     

一种新的基于概率理论的概率数据互联滤波器

该文从理论上分析了用于目标跟踪的概率数据互联滤波器(PDAF)和联合概率数据互联滤波器(JPDAF)存在的不足,提出了一种新的概率数据互联滤波器(NPDAF)。NPDAF在数据关联时基于概率理论：一个测量可能源于目标,也可能源于杂波,但其源于目标的概率与其源于杂波的概率之和应为1。同时,给出了跟踪过程中NPDAF的数据互联模型及滤波器的实现方法。该实现方法首先计算测量与各目标的关联概率,然后用概率对跟踪滤波器的增益加以修正。仿真实验表明,在对多目标进行跟踪时NPDAF的性能优于JPDAF。     

拟蒙特卡罗-高斯粒子滤波算法研究及其硬件实现

该文针对粒子滤波计算量大,难以在工程中应用的问题,用拟蒙特卡罗采样(QMC)代替蒙特卡罗采样(MC),减少了运算量。分析并给出了拟蒙特卡罗-高斯粒子滤波(QMC-GPF)算法的并行结构。在该并行结构的基础上,研究了基于FPGA的QMC-GPF的设计与实现。在实现过程中选取2作基数来产生Faure序列,将乘法运算、求模运算简化为便于在FPGA中实现的按位异或运算;采用查找表实现指数函数等复杂函数的计算,充分利用了FPGA中大量的Block RAM资源;给出了Cholesky分解矩阵各元素的并行计算结构。以红外图像弱小目标跟踪实验为例,验证了本设计的有效性和实时性。     

三维数据关联情况下外辐射源雷达多目标跟踪研究

不同于传统多目标跟踪,除了量测-目标数据关联模糊问题外,外辐射源雷达跟踪系统新增了量测-发射机数据关联模糊问题。针对此问题,该文通过引入一个新的关联变量来表示量测和发射机之间的数据关联关系,提出了目标-量测-发射机3维数据关联改进概率多假设跟踪(PMHT)算法。该算法利用期望极大化(EM)算法的独立性假设条件得到最大后验概率意义下的最优跟踪。为了增加目标-量测-发射机之间数据关联的准确性,提高多目标与量测后验关联概率的精确度,将量测信息设定为均值相同协方差不同的混合高斯分布。针对距离-多普勒量测的非线性性,利用无味卡尔曼平滑(UKS)算法进行多目标状态估计。仿真结果表明,对于FKIE外辐射源雷达数据集(杂波密度很高),所提算法的目标与航迹关联成功率高,抗杂波性能强,证明了算法的有效性。     

基于瑞利分布的粒子滤波跟踪算法

粒子滤波是一种非线性滤波算法,在目标跟踪中得到了广泛的应用。基本的粒子滤波算法中粒子散布是通过高斯分布实现的,对于低速运动且变化平缓的目标可以较好地捕获,但是当目标运动状态突然改变时(如突然加速、减速或转弯等),由于高斯分布曲线的拖尾比较轻,粒子散布范围比较小,经常发生目标丢失的现象。针对该问题,该文提出使用瑞利分布来散布粒子,实现粒子的繁殖与传播,同时根据目标的运动速率对瑞利分布参数进行自适应调节,并通过二次粒子滤波方法提高跟踪精度。实验证明,基于瑞利分布的粒子传播机制可以有效提升粒子滤波的目标捕获能力。     

基于格拉布斯准则和改进粒子滤波算法的水下传感网目标跟踪

水下无线传感网络(UWSN)执行目标跟踪时,因为各个传感器节点测量值对目标状态估计的贡献不一样以及节点能量有限,所以探索一种好的节点融合权重方法和节点规划机制能够获得更好的跟踪性能。针对上述问题,该文提出一种基于Grubbs准则和互信息熵加权融合的分布式粒子滤波(PF)目标跟踪算法(GMIEW)。首先利用Grubbs准则对传感器节点所获得的信息进行分析检验,去除干扰信息和错误信息。其次,在粒子滤波的重要性权值计算的过程中,引入动态加权因子,采用传感器节点的测量值与目标状态之间的互信息熵,来反映传感器节点提供的目标信息量,从而获得各个节点相应的加权因子。最后,采用3维场景下的簇-树型网络拓扑结构,跟踪监测区域内的目标。实验结果显示,该算法可有效提高水下传感器网络测量数据对目标跟踪预测的准确度,降低跟踪误差。     

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。