用于机动目标跟踪的多模型高斯混合概率假设密度滤波器

提出一种多模型高斯混合概率假设密度(PHD)滤波器的实现方法.该算法使用多模型方法对高斯混合PHD滤波器中存在目标对应的高斯分量进行预测及更新,使用融合估计后的估计值描述机动目标PHD分布的高斯分量.该算法具有PHD滤波器和多模型方法的优点,可以用来处理目标数未知时的机动目标跟踪问题.该算法与单模型高斯混合PHD滤波器相比,可提高滤波器对目标发生机动时的跟踪精度;与已有的多模型PHD滤波器相比,节省计算时间30％以上.     

改进的高斯粒子概率假设密度滤波算法

高斯粒子概率假设密度滤波在预测和更新时需要进行粒子近似和重新采样,这在一定程度上降低了算法的精度和实时性．针对这一问题,提出一种改进的高斯粒子概率假设密度滤波算法．算法通过粒子的方式表示并传递目标的概率假设密度（PHD）预测值,然后直接利用这些表征PHD预测值的粒子进行更新,最后利用具有最大似然性的粒子将更新后的PHD表示为混合高斯形式．仿真实验表明,和高斯粒子概率假设密度滤波相比,改进算法的多目标误差距离减少了约30％,运行时间减少了约50％．     

高斯混合概率假设密度滤波器在多目标跟踪中的应用

实现了基于随机集和点过程理论在目标数未知或随时间变化的多目标跟踪滤波算法.研究成果包括:(1)分析了基于随机有限集的多目标跟踪模型;(2)分析推导了基于随机集和点过程理论的概率假设密度滤波递推表达式;(3)实现了在线性高斯条件下的概率假设密度滤波的一种解析滤波算法;(4)仿真实验验证了算法的性能,比较了在杂波强度和检测概率变化的情况下和联合概率数据互联算法相关性能;(5)指出了算法的一些不足以及改进的研究方向.     

高斯混合扩展目标概率假设密度滤波器的收敛性分析

研究了高斯混合扩展目标概率假设密度(Gaussian mixture extended-target probability hypothesis density, GM-EPHD)滤波器的收敛性问题, 证明了在杂波强度先验已知且扩展目标的期望测量个数连续有界的假设条件下, 若该 GM-EPHD 滤波器的 GM 项趋于无穷多, 那么它一致收敛于真实的 EPHD 滤波器. 并且, 本文还证明了该算法在弱非线性条件下的扩展卡尔曼(Extended Kalman, EK)滤波近似实现 —EK-GM-EPHD 滤波器, 在每个 GM 项的协方差趋于0时, 也一致收敛于真实的 EPHD 滤波器. 本文的研究目的在于从理论上给出 GM-EPHD 和 EK-GM-EPHD 滤波器的收敛性结果以及它们满足一致收敛性的条件.     

多目标跟踪的混合高斯PHD滤波

为解决目标数未知或随时间变化时的多目标跟踪问题,将多目标状态和观测信息表示为随机集的形式,建立了多目标跟踪的混合高斯概率假设密度（PHD）滤波方法。当目标初始的先验概率密度满足高斯分布的形式时,通过将状态噪声、观测噪声、目标的繁衍、新目标的产生、目标的存活概率和检测概率表示成混合高斯的形式,之后每个时刻的后验概率密度均能表示成混合高斯的形式。线性混合高斯PHD滤波方法将Kalman滤波引入到PHD滤波中,利用混合高斯成分预测和更新随机集的PHD,并估计出目标的状态。实验结果表明,在杂波环境下混合高斯PHD滤波方法可以有效地跟踪目标状态。     

基于概率假设密度的多目标视频跟踪算法

研究目标数变化的多目标视频跟踪问题.首先阐述了概率假设密度(PHD)滤波的基本原理;然后给出序列图像多目标跟踪系统的运动目标检测算法、状态方程、观测方程以及基于高斯混合概率假设密度(GM-PHD)的多目标视频跟踪算法的具体实现.该算法有效解决了新目标出现、目标合并、目标分裂及目标消失等多目标跟踪问题.实验结果表明,该算法在复杂场景下具有较强的鲁棒性,能有效实现目标数变化的多目标视频跟踪.     

高斯混合粒子Cardinalized概率假设密度滤波被动测角多目标跟踪

为解决目标数未知或随时间变化的多目标跟踪问题,通常将多目标状态和观测数据表示为随机集形式,通过Cardinalized概率假设密度(CPHD)滤波,递推计算目标的强度(即概率假设密度,PHD)及目标数的概率分布.然而对于被动测角的非线性跟踪问题,CPHD无法获得闭合解.为此,本文提出一种新的高斯混合粒子CPHD算法,利...     

基于高斯混合PHD滤波的多目标状态提取方法

高斯混合概率假设密度滤波(GM-PHD)方法可有效解决线性高斯模型下的多目标跟踪问题,在估计目标个数的同时提取多目标状态。但当杂波浓度过高、目标过于密集时,GM-PHD的状态提取精度有所下降。针对GM-PHD滤波算法在复杂环境下性能下降的问题,提出一种改进的GM-PHD滤波多目标状态提取方法,通过修正高斯分量更新权值,强化合并规则,降低密集目标和杂波造成的干扰。仿真实验表明该方法能在不同杂波环境下提高多目标状态估计的准确度。     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

概率假设密度高斯混合实现的分量删减

针对概率假设密度(Probability hypothesis density, PHD)高斯混合实现算法中的分量删减问题, 提出了基于Dirichlet分布的分量删减算法以改进概率假设密度高斯混合实现算法的性能. 算法采用极大后验准则估计混合参数, 采用仅依赖于混合权重的负指数Dirichlet分布作为混合参数的先验分布, 利用拉格朗日乘子推导了混合权重的更新公式. 算法利用负指数Dirichlet分布的不稳定性,在极大后验迭代过程中驱使与目标强度不相关的分量消亡. 该不稳定性还能够解决多个相近分量共同描述一个强度峰值的问题, 有利于后续多目标状态的提取. 仿真结果表明, 基于Dirichlet分布的分量删减算法优于典型高斯混合实现中的删减算法.     

基于MMPHDF的多机动目标联合检测、跟踪与分类算法

针对场景中存在新目标出现、旧目标消失(即目标数目变化)和密集杂波的复杂情形,利用多模型概率假设密度滤波器(MMPHDF)在多机动目标联合检测与跟踪上的优势,加入类别辅助信息,提出了一种多机动目标联合检测、跟踪与分类算法.该算法的基本思想是在MMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,从而改善了目标数目及状态的估计精度;在更新目标状态后,对目标属性信息进行更新,更为精确的目标数目及状态估计又保证了目标分类性能.本文给出了该算法的粒子实现方法.仿真结果验证了上述结论.     

无人机多机动目标自主探测与跟踪

无人机机载相机图像中机动目标尺寸较小而且会发生显著变化,加上大量的背景噪声干扰,给目标探测和跟踪带来很大困难.针对这些问题,本文提出了一种在无人机机载相机图像序列中自主探测与跟踪多个机动目标的方法.首先,提取目标的图像数字特征并采用级联分类算法进行特征分类,得到目标的强分类器,对目标进行自主探测搜索.然后,基于全局最优关联算法对探测回波进行关联滤波,实现对多个机动目标的跟踪与识别,其中最优关联代价矩阵融合了距离和方向信息,提高了关联和跟踪的鲁棒性.将无人机航拍图像序列中的地面坦克作为目标进行实验,结果表明本文算法可以实现对多个机动目标的自主探测和跟踪,并具有较好的跟踪鲁棒性.     

Resolution and parameters estimations for multiple maneuvering targets

Resolution and parameters estimations for multiple maneuvering targets in the same range cell is addressed in this work. The low-resolution radar cannot distinguish multiple targets in both distance and angle, but the detection of Doppler frequency variation of the multiple maneuvering targets can be used to resolve this problem. At present, most of researches on detection of Doppler frequency variation are carried out with time-frequency analysis methods, such as Fractional Fourier transformation （FRFT）, Adaptive Chirplet transformation （ACT）, and Wigner-Ville distribution （WVD） and so on, which need satisfy enough time duration and sampling theorem. This paper proposes a new method of resolution and parameters estimation for multiple maneuvering targets based on Compressive Sensing （CS） and clustering technique, which samples at low rate and short time duration without sacrificing estimation performance. Simulation results validate the effectiveness of the proposed algorithm, and also show that the performance of the proposed method is superior to that of FRFT in the condition of multiple targets.     

一种基于椭圆RHM的扩展目标Gamma高斯混合CPHD滤波器

针对杂波环境下扩展目标形状难以估计、目标跟踪精度低等问题, 提出一种自适应估计扩展目标形状的伽玛高斯混合势概率假设密度算法(GGM-CPHD). 该算法将目标的扩展形状建模为椭圆随机超曲面模型, 并将其嵌入到GGM-CPHD 滤波器中, 更新扩展目标的质心、椭圆形状和方向等信息以完成对扩展目标的跟踪. 通过杂波环境下未知数目的扩展目标仿真实验, 表明了所提出算法在质心状态和椭圆长短轴的估计精度方面要优于传统的基于随机矩阵的伽玛高斯逆韦氏CPHD滤波器.

     

Extensions of the CBMeMBer filter for joint detection,tracking, and classification of multiple maneuvering targets

This paper addresses the problem of joint detection, tracking and classification (JDTC) of multiple maneuvering targets in clutter. The multiple model cardinality balanced multi-target multi-Bernoulli (MM-CBMeMBer) filter is a promising algorithm for tracking an unknown and time-varying number of multiple maneuvering targets by utilizing a fixed set of models to match the possible motions of targets, while it exploits only the kinematic information. In this paper, the MM-CBMeMBer filter is extended to incorporate the class information and the class-dependent kinematic model sets. By following the rules of Bayesian theory and Random Finite Set (RFS), the extended multi-Bernoulli distribution is propagated recursively through prediction and update. The Sequential Monte Carlo (SMC) method is adopted to implement the proposed filter. At last, the performance of the proposed filter is examined via simulations.     

Joint range ambiguity resolving and multiple maneuvering targets tracking in clutter via MMPHDF-DA

It is difficult to track multiple maneuvering targets of which the number is unknown and time- varying, especially when there is range ambiguity. The random finite sets （RFS） based probability hypothesis density filter （PHDF） is an effective solution to the problem of multiple targets tracking. However, when tracking multiple targets via the range ambiguous radar, the problem of range ambiguity has to be solved. In this paper, a multiple model PHDF and data association （MMPHDF-DA） based method is proposed to address multiple maneuvering targets tracking with range ambiguous radar in clutter. Firstly, by introducing the turn rate of target and the discrete pulse interval number （PIN） as components of target state vector, and modeling the incremental variable of the PIN as a three-state Markov chain, the problem of multiple maneuvering targets tracking with range ambiguity is converted into a hybrid state filtering problem. Then, by implementing a novel ＂track-estimate＂ oriented association with the filtering results of the hybrid filter, target tracks are provided at each time step. Simulation results demonstrate that the MMPHDF-DA can estimate target state as well as the PIN simultaneously, and succeeds in multiple maneuvering target tracking with range ambiguity in clutter. Simulation results also demonstrate that the MMPHDF-DA can overcome the limitation of the Chinese Remainder Theorem for range ambiguity resolving.     

基于扩展量测混合坐标下多目标跟踪算法

摘要：文献[2,3]研究表明在二维直角坐标系中,速度量测的引入不仅可以加快跟踪系统的动态收敛速度,而且可使目标位置的估计精度提高一个数量级甚至更高。针对实际多目标跟踪系统中,由雷达、声纳得到的速度量测是一个相对径向速度,不能直接应用,本文提出了基于扩展量测混合坐标中多目标跟踪算法,导出了量测方程线性化公式,推导了基于扩展量测混合坐标系中目标跟踪算法,给出了Monte Carlo仿真。结果表明：和没有利用扩展量测的EKF算法相比,本文提出的跟踪算法不但能够提高目标状态估计的稳态跟踪精度,而且能够提高系统的动态收敛速度。     

高度机动目标的异步多传感器偏差估计算法*

异步多传感器偏差估计问题是数据融合系统中的常见问题.在已有算法中,由于忽略了伪量测方程中的加速度项,在高度机动目标条件下的偏差估计可能是有偏的,为此提出了一种针对高度机动目标的异步多传感器偏差估计算法.该算法在构造伪量测差分矢量时通过反求最适的伪量测同步时刻,可以建立无加速度项的伪量测方程,并通过Kalman滤波对系统...     

仅有角测量的被动式机动目标跟踪

以往的被动式跟踪研究往往假定目标作匀速直线运动, 采用目标与跟踪站的相对距离和速度为状态变量, 因而相应的跟踪滤波器不能跟踪机动目标. 研究了仅有角测量的机动目标跟踪问题, 采用目标的位置、速度及加速度作为状态变量, 并对测量方程进行适当变换, 推导出一种伪线性机动目标自适应跟踪算法, 可用于单站或多站被动式机动目标跟踪. 大量的仿真研究表明了本算法的有效性, 其中多站跟踪比单站跟踪具有更高的精度、算法稳定性和快速收敛性.