跟踪密集多回波环境下多机动目标的IMM-PC算法

跟踪密集多回波环境下的多机动目标不论是对数据关联方法，还是对滤波算法来说都是一个具有挑战性的问题，根据已有研究成果，采用交互多模型结合全局最优关联体制的方法是目前解决该问题的推荐方法。本文提出的交互多模型一投影收缩(IMM-PC)算法符合上述想法，采用当前优化算法前沿中简单有效的投影收缩算法，来解决全局最优关联问题，因此对跟踪密集多回波环境下的多机动目标是实用有效的，大量的仿真试验也验证了这一点。     

基于神经网络的机动多目标数据关联问题研究

本文通过对联合概率数据关联的性能特征的分析,将其归结为一类约束组合优化问题,在此基础上,利用Hopfield神经网络求解典型的约束组合优化问题(旅行推销员问题)的方法,解决了传统的联合概率数据关联中出现的计算量组合爆炸现象,仿真结果表明,该方法效果良好,在密集多回波环境下,其优越性能更为突出。     

基于核聚类的机动多目标数据关联问题研究

针对新型作战样式条件下空中多机动目标密集回波的数据关联问题,采用核学习方法和K-均值聚类相结合的算法,即基于核的K-均值聚类来解决此问题.该方法的主要思想是,将原空间中的样本通过一个非线性映射,映射到高维的核空间中,以突出各类样本之间的特征差异,然后在核空间中进行K-均值聚类.仿真结果表明,该方法有效提高了密集回波环境下系统跟踪机动多目标的关联精度和可靠性.     

一种新的杂波环境下多机动自适应跟踪算法

针对密集杂波环境下对多个高机动并有轨迹交叉的目标进行跟踪的问题,由于交互式多模型联合概率数据关联算法在目标密集和多模型情况下会出现计算组合爆炸的情况,提出了一种结合交互式多模型算法IMM和简化的联合概率数据关联算法Cheap JPDA的自适应跟踪算法.Cheap JPDA算法节省了JPDA算法中确认矩阵的拆分过程,降低关联概率计算难度及计算量.通过Monte Carlo仿真表明,算法能够很好的实现机动目标的跟踪性能,从而说明了算法的有效性.     

多回波环境中多机动目标跟踪的新算法*

目标的状态估计与数据关联是机动多目标跟踪中的关键问题.针对杂波环境中多机动目标的跟踪问题,本文首先引入一种自适应滤波算法,并与快速概率数据关联算法结合,提出一种适于实际应用的密集回波环境下机动多目标跟踪的新算法-快速自适应概率数据关联(FAPDA)算法,利用近似概率数据关联(PDA)算法的计算量达到优于联合概率数据关联(JPDA)算法的跟踪效果,并能快速检测到机动.通过与JPDA算法的仿真结果进行对比,表明了该算法的有效性和快速性.     

基于模拟退火粒子群算法在数据关联上的研究

在高密集多回波环境下,数据关联问题仍是多机动目标跟踪难点问题之一。为了提高跟踪的精度和可靠性,应用智能的优化算法将数据关联问题表达为一类函数求近似最优解的问题。模拟退火粒子群算法是对模拟退火算法和粒子群算法取长补短,相互结合的一种优化算法。仿真结果表明,模拟退火粒子群算法能有效的解决数据关联问题,并且明显的优于独立地使用模拟退火和粒子群算法。     

密集多回波环境下的机动多目标跟踪终结决策

本文研究密集多回波环境下的机动多目标跟踪终结决策问题,提出一种在高密集多回波环境下确定机动多目标跟踪终结的“全邻”Bayes跟踪终结算法ABTT.Monte Carlo仿真表明,本文给出的算法不仅克服了一类概率数据关联滤波方法没有跟踪终结机理的缺陷,而且能可靠快速地作出跟踪终结决策,消除多余目标档案。     

一种改进的联合概率数据关联算法

对于多目标跟踪问题,数据关联是其核心部分,联合概率数据关联算法(JPDA)是多目标跟踪的典型方法。当目标较为密集,计算量剧增,会出现计算组合爆炸现象,而其本质就在于确认矩阵拆分成可行矩阵的计算量。为了降低JPDA的计算量,本文提出了一种改进的JPDA算法,在拆分确认矩阵时引入分支定界算法的思想,以确定每个目标的最后一个回波。当搜索到最后一个回波时停止搜索,执行下一个目标回波的搜索,直至结束。利用该改进算法对杂波环境下多目标跟踪进行仿真实验,结果表明,该算法使其时间代价减少。     

基于CHNN的机动多目标跟踪算法及其参数特性研究

关于密集多回波环境下机动多目标跟踪,因其JPDA问题计算量出现的组合爆炸的现象,从而导致实时跟踪效果极差的问题.引入能解决组合优化问题的连续型Hopfield神经网络方法,来减少其计算量,并结合改进的模拟退火算法来优化网络收敛性和全局最优问题.其中,在已知网络能量函数下,对应的网络参数对网络性能产生了直接影响.因此,在实验的基础上,对神经网络参数进行分析研究,并充分证实了该方法解决JPDA问题的有效性,并给出了相应的积极结论.     

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联（DIMM-MSGPDA-IDS）算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维（3-D）证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联（DIMM-MSJPDA-DS）算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。     

改进联合概率数据关联的视频多目标快速跟踪

针对监控范围较大、目标外观特征少的视频多目标数据关联及跟踪问题,本文仅利用目标运动特征,提出了一种基于联合概率数据关联（joint probabilistic data association,JPDA）的复杂情况下视频多目标快速跟踪方法．首先采用murty算法求JPDA的最优K个联合事件,大大降低了计算复杂度;然后根据JPDA的关联概率讨论目标的运动情况,分析在多目标新出现、遮挡、消失、分离（前景检测存在目标碎片）等复杂情况下当前帧量测与跟踪目标的数据关联问题,获取复杂运动的多目标跟踪轨迹．在多个监控视频上的实验结果表明,该方法能大大提高跟踪性能,实现复杂情况下的视频多目标快速跟踪．     

一种面向互联概率加权的JPDA多传感器数据融合方法

针对单传感器联合概率数据互联(Joint Probabilistic Data Association, JPDA)在复杂环境下难以跟踪多个目标的问题,提出一种基于JPDA量测目标互联概率统计加权并行式和序贯式多传感器数据融合方法。首先,给出单传感器JPDA算法。然后,介绍多传感器JPDA数学模型,基于这一模型,使用互联概率加权,推导并行式和序贯式多传感器数据融合公式,这对多传感器数据融合有一定指导意义。最后,对单传感器JPDA方法在不同杂波密度、不同过程和不同观测噪声下目标跟踪的距离RMSE进行仿真,结果表明,随着这3项指标皆增大,目标距离RMSE增大;同时,对本文的2类多传感器JPDA方法与其他几类跟踪方法在数据集PETS2009下有关行人跟踪性能进行仿真,结果表明,本文并行式和序贯式多传感器JPDA方法相较于其他方法在跟踪准确性、跟踪位置准确性、航迹维持以及航迹遗失上皆为最优,而且序贯式融合略优于并行式多传感器JPDA。     

Markov Chain Monte Carlo Data Association for Multi-Target Tracking

This paper presents Markov chain Monte Carlo data association (MCMCDA) for solving data association problems arising in multi-target tracking in a cluttered environment. When the number of targets is fixed, the single-scan version of MCMCDA approximates joint probabilistic data association (JPDA). Although the exact computation of association probabilities in JPDA is NP-hard, we prove that the single-scan MCMCDA algorithm provides a fully polynomial randomized approximation scheme for JPDA. For general multi-target tracking problems, in which unknown numbers of targets appear and disappear at random times, we present a multi-scan MCMCDA algorithm that approximates the optimal Bayesian filter. We also present extensive simulation studies supporting theoretical results in this paper. Our simulation results also show that MCMCDA outperforms multiple hypothesis tracking (MHT) by a significant margin in terms of accuracy and efficiency under extreme conditions, such as a large number of targets in a dense environment, low detection probabilities, and high false alarm rates.      

马尔可夫链蒙特卡洛重要度采样与多目标跟踪

针对强杂波环境下的多目标跟踪问题,提出一种基于马尔可夫链蒙特卡洛重要度采样的跟踪方法．通过马尔可夫链蒙特卡洛实现对联合关联事件的采样,据此计算目标可关联量测数据的边缘关联概率．在联合关联事件求解中利用单目标量测的概率密度进行重要度采样,提高采样效率．马尔可夫链蒙特卡洛重要度采样方法克服了联合概率数据关联中的“组合爆炸”问题,能够在强杂波干扰下较好地实现多目标实时跟踪．通过仿真实验对比分析了算法的跟踪精度和处理的时效性,验证了方法的有效性．     

Joint probabilistic data association in distributed sensor networks

A distributed multitarget tracking problem is considered. The joint probabilistic data association (JPDA) algorithm, which has been successfully used for tracking multiple targets in a cluttered environment, assumes a centralized processing architecture. It assumes that measurements are transmitted to a central site and processed. In some applications, however, it may be desirable for the sensor measurements to be processed at or near the sensors instead of transmitting them to the central processor. The local processed results are then sent over a communication network to be used by other processors. This paper presents a distributed version of the JPDA algorithm which is applicable under such a situation.     

弱点状多运动目标实时跟踪技术研究

根据确认的众多量测和众多目标跟踪窗之间的几何关系,引入确认矩阵并计算所有联合事件及其对应的参数,不论量测是否落入跟踪窗相交区域,根据JPDA算法计算每一个量测与其可能的各个源目标之间互联的概率。将互联的概率与Kalman滤波器相结合从而完成对每一个目标的预测和更新。理论及实验结果表明,该算法适用于序列图像密集杂波环境下的全程跟踪,并取得了一定的理论和仿真结果。