GM-CPHD自适应门限目标跟踪算法研究

该文提出利用一种最大似然自适应门限的快速算法,该算法首先利用自适应的对观测进行门限处理,然后仅利用处于门限内的有效观测进行GM-CPHD算法的更新步计算,大大降低了算法的计算复杂度。     

基于观测数据聚类划分的扩展目标跟踪算法

针对高斯混合假设概率密度滤波扩展目标跟踪算法中的观测集合划分问题,本文分析了距离门限划分方法存在的问题,提出了一种利用聚类方法进行观测数据集合划分的方法。该方法利用极大似然方法获得目标数的估计值,以此作为聚类数利用K-means聚类对观测数据集合进行聚类划分,并利用椭球门限对观测数据进行处理以降低杂波观测对聚类划分的影响。实验结果表明,该方法能够获得正确的划分观测集合,计算复杂度较距离门限划分方法有较大降低,同时在多目标跟踪效果方面优于观测数据距离门限划分的假设概率密度滤波扩展目标跟踪算法。     

初等对称函数对GM-CPHD算法执行效率的影响

多目标跟踪问题中,GM-CPHD滤波算法能够同时递推估计势分布及强度分布信息,滤波精度较高。然而其缺点是时间复杂度较大,尤其是当杂波率较高时,滤波时间过长。导致该问题的主要原因是该算法更新步骤中的初等对称函数的计算复杂度很高。针对该问题,采用递推方法替换定义方法计算初等对称函数,提高了求解效率,降低了整个算法的时间复杂度。仿真结果表明,通过递推方法计算初等对称函数能够大大降低滤波时间复杂度,且不影响滤波精度。     

快速多目标跟踪GM-PHD滤波算法

传统的GM-PHD(Gaussian Mixture-Probability Hypothesis Density)滤波算法用当前时刻接收到的全部量测值对所有高斯项进行更新,使得大量的运算时间花费在使用无效量测对高斯项的更新上。针对此问题,提出一种快速多目标跟踪GM-PHD滤波器。首先在算法预测步骤中将高斯项 分为新生及存活目标两类;然后在更新步骤中先计算存活目标与所有量测之间的残差,使用椭球门限,用门限内的量测值来更新存活目标;接着计算新生目标与剩下量测之间的残差,再次使用落入椭球门限内的量测值来更新新生目标,这样可以最大限度地将无效量测排除掉,从而减少算法运算时间。实验结果表明,该方法在保证目标跟踪精度的同时降低了算法时间复杂度,其综合性能优于传统的GM-PHD滤波算法。     

近邻传播观测聚类的多扩展目标跟踪算法

由于传感器分辨率高或目标存在多个反射源等原因,一个目标可以同时产生多个观测数据,对于解决这种扩展目标的跟踪问题,概率假设密度(PHD)滤波算法是一种有效的方法.针对扩展目标概率假设密度滤波算法中观测集合划分,提出一种利用近邻传播聚类方法进行观测集合划分的多扩展目标跟踪算法.实验结果表明,所提出的方法不但能够获得正确的划分观测集合,而且计算复杂度较已有划分方法有较大降低,同时在多目标跟踪效果方面优于已有算法.     

基于自适应时空码书的粒子滤波多目标跟踪

提出一种基于自适应时空码书检测模型的粒子滤波多目标跟踪算法。使用时空码书模型进行前景背景分割,检测出前景目标,在该模型上加入目标自适应过程。将自适应时空码书检测的结果作为粒子滤波跟踪算法的初始目标状态,通过关联算法和粒子滤波实现多目标跟踪。自适应时空码书模型能明显降低对前景目标的误检率,抑制噪声干扰。实验结果表明,该算法能够在有干扰的复杂背景下实现对运动多目标的快速捕获,并有效提高跟踪的可靠性和精度。     

基于集员滤波的二阶Volterra自适应归一化最小平均P范数算法

针对Volterra非线性滤波算法计算复杂度呈幂级数增加的问题,提出了一种α稳定分布噪声下的基于集员滤波的二阶Volterra自适应滤波新算法。由于集员滤波的目标函数考虑了所有输入和期望输出的信号对,通过误差幅值的p次方的门限判决,更新Volterra滤波器的权向量,不仅有效降低了算法复杂度,而且提高了自适应算法对输入信号相关性的鲁棒性;并推导给出了权向量的更新公式。仿真结果表明,该算法计算复杂度低、收敛速度快,对噪声及输入信号相关性有较强的鲁棒性。     

基于TDOA测量的多目标P-GMPHD跟踪算法

针对传统的到达时差(Time difference of arrival,TDOA)多目标跟踪算法计算量大,估计精度低,虚警值较多等问题,提出了一种预关联高斯混合概率假设密度(P-GMPHD)多目标跟踪算法.该算法利用随机集理论对TDOA的目标状态和观测值进行建模,通过递推高斯混合来预测和更新各状态后验概率密度,避免了复杂的数据关联问题.为减轻高斯混合滤波的计算量,提出了将预测信息与观测值进行预关联的思想,剔除虚警值,从而显著地降低了计算量.仿真结果表明,该算法能在杂波环境下有效地利用TDOA测量值跟踪未知数目的多个运动目标,并且在不影响跟踪性能的情形下,其计算量比一般GMPHD有了较大的降低.     

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.     

基于概率假设密度的无线传感器网络多目标跟踪算法

针对无线传感器网络多目标跟踪过程中杂波难以去除以及由数据关联复杂带来的计算复杂度高的问题,将概率假设密度滤波器应用于无线传感器网络,以更好地对多目标状态信息进行融合估计;首先,建立簇-树型无线传感器网络模型,并运用随机有限集理论对目标状态模型和传感器观测模型进行描述;然后,根据目标与节点之间的距离设置观测阈值,当传感器节点测量值小于观测阈值时,概率假设密度滤波器将实时对该组测量数据进行处理,从而实现传感器网络对目标状态的联合检测与跟踪;仿真结果表明,在无线传感器网络的多目标跟踪应用中,该算法比粒子滤波算法具有更高的跟踪效率和精度。     

基于概率假设密度的近邻目标快速跟踪算法

针对杂波场景中多个目标相互近邻时,标准概率假设密度滤波器难以正确估计目标状态且计算复杂度高等问题,提出一种基于概率假设密度的近邻目标快速跟踪算法。所提算法首先采用自适应门技术从传感器观测集中划分出源于真实目标的观测集,随后利用真实目标观测集来更新预测强度,最后应用检测导向的近邻目标权重校正方法有选择地重分配各离散时刻后验强度中不精确的分量权重。实验结果表明,所提算法不仅具有高效率的目标跟踪,而且具有良好的鲁棒性。     

基于Mean Shift迭代的新生未知多扩展目标跟踪

针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题,在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法.首先,对聚类后量测数据进行关联,得到新生目标状态,解决目标新生问题;然后,通过Mean Shift迭代获得目标量测集质心,将扩展目标的多量测问题转化为点量测处理;最后,给出其粒子实现方式.仿真实验表明,所提出的算法可以降低跟踪复杂度,提高跟踪效率,在交叉时刻具有稳定的跟踪性能。     

量测不确定下多传感器自适应粒子滤波算法

针对量测不确定条件下多传感器量测数据的有效利用问题,提出一种多传感器自适应粒子滤波算法.利用随机采样策略和量测模型转移概率实现当前时刻多传感器量测集合的采样,通过粒子滤波中重采样步骤完成估计状态和量测集合的更新,进而依据重采样后单个传感器量测数目在传感器量测集合中的比重实现当前时刻传感器量测的确认.该算法通过有效量测的合理选择,改善了扰动对滤波精度和计算量的不利影响.理论分析和仿真实验均验证了所提出算法的有效性.     

基于CODHD聚类划分的多扩展目标跟踪算法

杂波环境下,利用概率假设密度滤波器进行扩展目标跟踪存在量测集划分难且计算效率低的问题,提出基于层次划分密度的聚类优化（CODHD）算法对扩展目标进行量测集划分的方法。先利用自适应椭球门限的方法对量测集进行预处理,通过簇合并方式生成量测划分;计算各划分聚类质量并构造为质量曲线;将得到的聚类数和聚类中心通过模糊C-均值（FCM）运算获得量测划分。仿真结果表明,利用所提方法对量测集进行划分,能够得到准确的划分结果且计算代价得到降低。     

一种改进的高斯混合概率假设密度SLAM算法

针对高斯混合概率假设密度SLAM(GMPHD-SLAM)算法存在的估计精度低和计算代价高的问题,提出一种无迹高斯混合概率假设密度SLAM算法(unscented-GMPHD-SLAM).其主要特点在于:将无迹卡尔曼滤波器应用于机器人位姿粒子权重计算及概率假设密度更新过程中,可提高算法整体估计性能;将更新的高斯项按照传感器视域分类,有效降低了算法计算量.通过仿真实验,将所提出算法与传统PHD-SLAM算法进行比较,结果表明该算法在提高估计精度和降低计算负担方面是十分有效的.     

基于改进K-means++聚类的多扩展目标跟踪算法

针对多扩展目标跟踪过程中量测集划分准确度低和计算量大的问题,提出一种基于改进K-means++聚类划分的高斯混合假设密度强度多扩展目标跟踪算法。首先,根据下一时刻目标可能变化的情况缩小K值的遍历范围;其次,利用目标预测状态选择初始聚类中心点,为正确划分量测集提供依据,从而提高聚类算法的精度;最后,将所提改进K-means++聚类划分方法应用到高斯混合概率假设滤波器中,联合估计多目标的个数和状态。仿真实验结果表明：与基于距离划分和基于K-means++的多扩展目标跟踪算法相比,该算法在平均跟踪时间上分别减小了59.16%和53.25%,同时其最优子模式指派度量（OSPA）远小于以上两种算法。综上,该算法能在大幅度降低计算复杂度的同时取得比现有量测集划分方法更为优异的跟踪性能。     

自适应快速弱敏无迹Kalman滤波算法

针对现有弱敏无迹Kalman滤波需要代数求解增益矩阵耗时长和不能实时调节敏感性权重的问题,提出一种自适应快速弱敏无迹Kalman滤波算法.该算法在弱敏控制技术的基础上,重新定义弱敏无迹Kalman滤波的敏感性权重矩阵,将状态估计误差对不确定参数的敏感性加入滤波的代价函数,并通过最小化该代价函数得到滤波增益矩阵的解析解,减少了滤波计算复杂度和计算时间.同时基于量测残差正交原理,设计敏感性权重的自适应渐消因子,实现滤波过程中敏感性权重的实时调节.典型算例的数值仿真结果表明:所提出的自适应快速弱敏无迹Kalman滤波算法能够提高计算效率和实时调节敏感性权重,有效地降低不确定参数对状态估计的不利影响;相较于传统的弱敏无迹Kalman滤波算法,所提出算法的状态估计误差和计算时间分别减少19.5%和99.9%.     

NFL:一种基于活动流参数估计的自适应模糊AQM算法

针对主动队列管理（AQM）机制面对动态突变的网络存在参数配置难问题,提出一种将模糊AQM和活动流参数估计策略相结合的白适应AQM算法（NFL）．在综合权衡各性能指标的基础上,设计了一组能适应一定网络变化的模糊规则,并对算法进行了运算优化．为捕获网络突发流,引入了一种基于Bloom滤波器的无状态维护活动流参数估计策略,并依此提出一个模糊AQM输出增益补偿器．实验结果表明,NFL能较好地适应网络变化,相对其他算法,具有更快的收敛速度和稳定的稳态队列控制性能．     

基于自适应LASSO先验的稀疏贝叶斯学习算法

为了提高稀疏信号恢复的准确性, 开展了基于自适应套索算子(Least absolute shrinkage and selection operator, LASSO)先验的稀疏贝叶斯学习(Sparse Bayesian learning, SBL)算法研究. 1) 在稀疏贝叶斯模型构建阶段, 构造了一种新的多层贝叶斯框架, 赋予信号中元素独立的LASSO先验. 该先验比现有稀疏先验更有效地鼓励稀疏并且该模型中所有参数更新存在闭合解. 然后在该多层贝叶斯框架的基础上提出了一种基于自适应LASSO先验的SBL算法. 2) 为降低提出的算法的计算复杂度, 在贝叶斯推断阶段利用空间轮换变元方法对提出的算法进行改进, 避免了矩阵求逆运算, 使参数更新快速高效, 从而提出了一种基于自适应LASSO先验的快速SBL算法. 本文提出的算法的稀疏恢复性能通过实验进行了验证, 分别针对不同大小测量矩阵的稀疏信号恢复以及单快拍波达方向(Direction of arrival, DOA)估计开展了实验. 实验结果表明: 提出基于自适应LASSO先验的SBL算法比现有算法具有更高的稀疏恢复准确度; 提出的快速算法的准确度略低于提出的基于自适应LASSO先验的SBL算法, 但计算复杂度明显降低.