一种粒子势概率假设密度滤波纯方位多目标跟踪算法

针对基于势概率假设密度算法(CPHD)的纯方位多目标跟踪,提出一种新型的多传感器粒子CPHD滤波算法.该算法通过分析混合线性/非线性状态模型的结构信息,结合粒子滤波(PF)与卡尔曼滤波(KF)对各个目标的状态进行预测与估计,运用Mean-Shift方法提取概率假设密度的峰值作为目标状态估计值,并对算法复杂度进行了分析.仿真结果表明,算法可改善目标跟踪效果.     

基于混合粒子PHD滤波的多目标视频跟踪

针对可变数目多目标视频跟踪,粒子滤波不能持续维持目标的多模态分布问题,本文提出一种混合粒子概率假设密度(PHD)滤波的多目标视频跟踪算法.该算法首先用K-means算法对粒子进行空间分布聚类,给各粒子群附加身份标签,使各粒子群分别对应混合粒子滤波的各分量,采用相互独立的各分量粒子滤波跟踪各目标,这样提高了目标状态估计的准确性,也能有效维持各目标的多模态分布.实验结果表明,该算法能有效处理新目标出现、合并、分离等多目标跟踪问题.     

改进的多模型粒子PHD和CPHD滤波算法

多模型粒子概率假设密度(Probability hypothesis density, PHD)滤波是一种有效的多机动目标跟踪算法, 然而当模型概率过小时,该算法存在粒子退化问题,而且它对目标数的泊松分布假设会夸大目标漏检对其势估计的影响. 针对上述问题,本文提出一种改进算法. 该算法并不是简单地对模型索引进行采样, 而是用粒子拟合目标状态的模型条件PHD强度, 在不对噪声做任何先验假设的前提下, 通过重采样实现存活粒子的输入交互,提高了滤波性能. 在此基础上, 进一步将算法在Cardinalized PHD (CPHD)的框架下加以实现,提高其目标数估计精度. 仿真实验表明,所提算法在滤波性能和目标数估计精度方面均优于传统的多模型粒子PHD算法,具有良好的工程应用前景.     

基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法

针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法.首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪.仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高.     

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统，针对非线性系统的多扩展目标跟踪问题，提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先，提出了将多扩展目标状态和关联假设进行联合估计的思想，解决了在估计目标状态和数据关联时相互牵制的问题；其次，根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数，并利用粒子滤波技术实现联合估计的Bayes框架；最后，为解决直接采用粒子滤波实现时存在的维数灾难问题，将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化，对每个目标的粒子集根据与其相关的权重单独进行重抽样，这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明，与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比，所提算法的状态估计精度较高，形状估计的Jaccard距离分别降低了30%、20%左右，更适合于非线性系统的多扩展目标跟踪。     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

基于自适应遗传PHD滤波的多群目标跟踪方法

针对标准的概率假设密度（PHD）滤波算法在杂波环境下对群目标跟踪误差较大的问题,提出一种基于自适应遗传PHD滤波的多群目标跟踪方法。该方法在PHD粒子滤波的基础上,利用选择概率减少了新生粒子的数量。为了有效抽取交叉粒子,在时间更新阶段引入当前量测与群目标间的马氏距离。为了提高预测粒子的鲁棒性,推导出自适应交叉与变异操作方案。仿真实验表明,所提出的方法能有效跟踪杂波环境下的多群目标,具有目标总数估计稳定、运动状态估计准确的特点。     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

基于交互式CPHD的多传感器多机动目标跟踪

针对多传感器高速多机动目标的跟踪问题,提出一种多传感器交互式贪婪势概率假设密度(MS-IMMGreedy-CPHD)滤波器.该滤波器在预测阶段,通过交互式多模(IMM)算法对势概率假设密度(CPHD)滤波中目标的状态、势分布和运动模型同时进行预测;在滤波的更新阶段,利用贪婪(greedy)量测划分机制选取多传感器量测子集和拟分区,并通过拟分区量测子集对不同模型下CPHD预测的目标状态和势分布以及模型进行交互式更新.仿真结果表明,所提出MS-IMM-Greedy-CPHD滤波能够对高机动多目标进行稳定有效的跟踪,相较于多传感器势概率假设密度(MS-CPHD)滤波,跟踪结果的OSPA误差更小且势估计更加准确.     

未知噪声统计下多模型概率假设密度粒子滤波算法

针对传统多目标概率假设密度滤波(PHD) 器在噪声先验统计未知或不准确时滤波精度下降甚至丢失目标的问题, 设计一种自适应多模型粒子PHD(MMPHD) 滤波算法. 该算法利用多模型近似思想, 推导出一种多模型概率假设密度估计器, 不仅能估计多目标状态, 而且能实时估计未知且时变的噪声参数, 并采用蒙特卡罗方法给出了MMPHD闭集解. 仿真实例表明, 所提出的算法具有应对噪声变化的自适应能力, 可有效提高目标跟踪精度.

     

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．     

Probability hypothesis density filter based on strong tracking MIE for multiple maneuvering target tracking

Taking into account the difficulties of multiple maneuvering target tracking due to the unknown target number and the uncertain acceleration, a novel multiple maneuvering target tracking algorithm based on the Probability Hypothesis Density (PHD) filter and Modified Input Estimation (MIE) technique is proposed in this paper. First, the unknown acceleration vector is added to the target state to form a new augmented state vector. Then, strong tracking filter multiple fading factors are introduced to the MIE method which can adjust the prediction covariance and the corresponding filter gain at different rates in real time, so that the MIE method can adaptively track high maneuvering targets well. Finally, we combine this adaptive MIE method with the PHD filter, which can effectively track multiple maneuvering targets without much prior information. Simulation results show that the proposed algorithm has a higher tracking precision and a better real-time performance than the conventional maneuvering target tracking algorithms.     

Amultiplemaneuvering targets tracking algorithm based on a generalized pseudo-Bayesian estimator of first order

We describe the design of a multiple maneuvering targets tracking algorithm under the framework of Gaussian mixture probability hypothesis density (PHD) filter. First, a variation of the generalized pseudo-Bayesian estimator of first order (VGPB1) is designed to adapt to the Gaussian mixture PHD filter for jump Markov system models (JMS-PHD). The probability of each kinematic model, which is used in the JMS-PHD filter, is updated with VGPB1. The weighted sum of state, associated covariance, and weights for Gaussian components are then calculated. Pruning and merging techniques are also adopted in this algorithm to increase efficiency. Performance of the proposed algorithm is compared with that of the JMS-PHD filter. Monte-Carlo simulation results demonstrate that the optimal subpattern assignment (OSPA) distances of the proposed algorithm are lower than those of the JMS-PHD filter for maneuvering targets tracking.     

多目标跟踪中一种改进的高斯混合PHD滤波算法

高斯混合概率假设密度（GM-PHD）滤波是一种杂波环境下多目标跟踪问题算法,针对算法中存在的目标漏检和距离相近时精度下降的问题,提出一种改进的高斯混合PHD滤波算法。该算法在高斯混合框架下通过修正PHD递归方程,有效地解决了漏检引起的有用信息丢失问题;利用权值判断高斯分量是否用于提取目标状态,避免了具有较高权值的高斯分量合并在一起,从而改善目标相互接近时的跟踪性能。仿真实验表明,改进算法在滤波精度和目标数估计方面均优于传统的GM-PHD算法。     

稀疏高斯厄米特PHD机动多目标跟踪算法

针对基于概率假设密度（probability hypothesis density，PHD）的非线性机动多目标跟踪精度低、滤波发散、目标数目估计不准确等问题，提出一种基于交互式多模型的稀疏高斯厄米特PHD算法.该算法在PHD滤波器下，采用稀疏高斯厄米特方法对目标进行状态预测和量测更新，构造一种稀疏高斯厄米特PHD滤波器；然后将交互式多模型算法融入稀疏高斯厄米特PHD滤波框架中，解决了目标机动过程中运动模式不确定的问题.仿真结果表明该算法能对机动多目标进行有效的跟踪，相比交互式多模型不敏卡尔曼PHD等滤波方法具有更高的状态估计精度，且目标数目估计更准确.     

Multi-target tracking with PHD filter using Doppler-only measurements

In this paper, we address the problem of multi-target detection and tracking over a network of separately located Doppler-shift measuring sensors. For this challenging problem, we propose to use the probability hypothesis density (PHD) filter and present two implementations of the PHD filter, namely the sequential Monte Carlo PHD (SMC-PHD) and the Gaussian mixture PHD (GM-PHD) filters. Performances of both filters are carefully studied and compared for the considered challenging tracking problem. Simulation results show that both PHD filter implementations successfully track multiple targets using only Doppler shift measurements. Moreover, as a proof-of-concept, an experimental setup consisting of a network of microphones and a loudspeaker was prepared. Experimental study results reveal that it is possible to track multiple ground targets using acoustic Doppler shift measurements in a passive multi-static scenario. We observed that the GM-PHD is more effective, efficient and easy to implement than the SMC-PHD filter.     

A novel multiple maneuvering targets tracking algorithm with data association and track management

A novel multiple maneuvering targets tracking algorithm with data association and track management is presented in this paper. First, the variation of the generalized pseudo-Bayesian estimator of first order is designed. Then, the data association and track management via handling two matrices are given, which reflect the relationships between target trajectory and the output of the Gaussian mixture probability hypothesis density (PHD) filter for jump Markov system models (JMS-GM-PHD) filter. The tracking performance of the proposed algorithm is compared with two conventional algorithms. One is JMS-GM-PHD filter, the other is algorithm entitled hybrid algorithms for multi-target tracking using MHT and GM-CPHD which is denoted as hybrid method hereinafter. The results of Monte Carlo simulation show that the proposed filter has overall performance than the conventional.     

高斯混合粒子PHD 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成随机集形式,并通过递推计算目标状态联合分布的概率假设密度(PHD)来完成.然而,对于被动测角的非线性跟踪问题,PHD无法获得闭合解,为此提出一种新的高斯混合粒子PHD算法.该算法利用高斯混合近似PHD,以避免用聚类确定目标状态,并采用拟蒙特卡罗(QMC)积分方法计算目标状态的预测和更新分布.仿真结果验证了所提出算法的有效性.