基于均值漂移和双层群结构模型的群目标GMPHD滤波

针对不可分辨群目标跟踪算法中群合并、交叉及分裂前后群目标数出现漏估及量测划分数多、计算量大两个问题,提出一种基于均值漂移(MS)和双层群结构(BGS)模型的群目标高斯混合概率假设密度(GMPHD)滤波算法.该算法采用MS进行量测划分,同时依据第2层群结构反馈回的群信息判断是否需要进行2次划分;然后,采用基于椭圆随机超曲面模型(RHM)的群目标GMPHD滤波进行预测更新和状态提取;最后,使用提取出的群目标状态进行第二层群结构更新,并将所得群信息反馈回量测划分步.仿真对比实验表明,所提出算法可获得更高的实时性,能够解决群目标合并、交叉及分裂前后群数目的漏估问题.     

箱粒子PHD演化网络群目标跟踪算法

群演化网络模型对群结构的构建和实时更新提供了良好的实现方式.针对粒子概率假设密度(SMC- PHD)滤波算法存在运算量大的问题,提出一种基于箱粒子概率假设密度(BP-PHD)滤波的演化网络群目标跟踪算法.将群演化网络模型得到的群结构信息反馈回BP-PHD滤波过程中,从而实现群目标的跟踪和群数目的估计.对比实验表明,所提出算法可以在保证跟踪效果的同时减少计算量,并且在杂波密集的条件下具有更好的跟踪精度和鲁棒性.     

基于高阶累积量的目标机动检测新方法

机动检测是多模型目标跟踪中的一个关键问题.在卡尔曼滤波中,当目标机动被噪声淹没时,传统的机动检测算法将失效,多分辨方法虽然能够有效地抑制噪声,可靠检测机动,但由于计算复杂导致严重的检测延迟,从而限制了它的应用.本文提出一种基于三阶累积量的机动检测新算法,它有效地克服了上述二者的缺陷.由于高阶累积量能够抑制高斯噪声,因此在三阶累积量域易于检测机动.同时通过采用逐点更新法,可实时进行机动检测.仿真结果表明,该算法优于传统算法和多分辨方法,特别是在低信噪比的情况下.     

多站测角的机动目标最小二乘自适应跟踪算法

为了避免被动跟踪中非线性带来的计算复杂化及精度的下降问题,该文首先采用最小二乘法对目标的状态进行粗估计,然后采用当前机动目标模型和自适应跟踪算法进行线性的卡尔曼滤波,以实现对目标较高精度的定位和跟踪。实验结果表明:该方法对于匀速和匀加速运动的目标都可以达到良好的跟踪效果,其误差远小于经典的singer方法;对于强机动目标,singer方法将失效,而本文方法仍能实时辨识出目标的速度和加速度,并且估计效果良好。     

基于箱粒子PHD滤波的多目标视频跟踪方法

针对粒子滤波运算量大的问题,提出一种基于箱粒子概率假设密度(Box-PHD)滤波的多目标视频跟踪方法.首先给出一种快速运动目标检测算法,通过阈值自动选取的帧差分法得到目标质心并作为量测,然后经箱粒子PHD滤波预测更新后,及时修正检测偏差实现多目标的跟踪和目标数目的估计;最后为所提算法设计了航迹识别步骤,通过颜色特征与纹理特征作为相似性度量,从而实现航迹识别,弥补了PHD滤波无法区分目标的不足.利用目标的特征区分出每个目标的航迹,同时进一步剔除了目标状态集中的杂波,保证了跟踪精度.箱粒子PHD滤波器不仅可以解决量测不确定性的问题,同时可以降低复杂度,减小运算量.实验表明,文中算法可以实现目标新生、消失、合并和分裂等复杂情况下的多目标视频跟踪,并实时区分不同目标的航迹,在保证跟踪效果的同时提高了实时性.     

基于箱粒子的多扩展目标PHD滤波

在高斯混合多扩展目标PHD 滤波的基础上, 结合最新兴起的箱粒子滤波, 提出一种基于区间分析的多扩展目标PHD 滤波算法. 采用大小可控的非零矩形区域来代替传统的多个点量测, 这样可降低权值计算中对量测分布的要求. 仿真对比实验表明, 采用区间分析方法在保证近似于传统滤波精度的同时可降低计算复杂度, 在目标数目估计及抗杂波干扰方面也具有较为突出的优势, 并且可解决在目标靠近时由于不能正确给出子划分而造成的漏检问题.

     

多站测角的最小二乘交互多模型跟踪算法

在多站测角的被动目标跟踪中,目标的状态与角度量测值之间存在非线性关系,现有的方法主要是对其进行线性化,但线性化过程会带来滤波精度的下降,甚至会产生滤波发散而丢失目标．针对这一问题提出一种新方法,采用最小二乘法对多个观测站测得的目标角度信息进行融合,估计出目标的状态,将状态估计作为卡尔曼滤波的伪量测,然后采用交互多模型算法跟踪机动目标．仿真结果表明该方法可实现多站测角机动目标的跟踪,其跟踪误差远小于现有的跟踪方法．     

基于概率假设密度的汽车防撞雷达多目标跟踪

基于毫米波汽车防撞雷达系统,考虑到雷达测量误差的存在以及道路前方车辆的行驶状态和数目的实时变化,包括新目标车辆出现、目标消失等多种情况,设计了一种多模型高斯混合概率假设密度算法实现对多个机动车辆的检测跟踪。针对高速公路上多个车辆行驶的情况,运用高斯混合概率假设密度算法以及多模型理论进行仿真实验,结果表明该算法不仅能够实时地对雷达探测范围内多个目标车辆进行准确跟踪,而且能够及时地判断出驶入或驶出雷达探测范围的车辆,从而在提高自车与前车之间相对距离、相对速度测量精度的同时,有效地对可探测目标车辆数目进行准确的判断,降低了雷达虚警率,提高了防撞雷达系统的可靠性。     

基于mean shift和图结构的GMPHD扩展目标跟踪

针对当前扩展目标跟踪算法中,量测划分数过多、计算量过大,目标交叉时刻易产生漏估等问题,提出一种基于mean shift和图结构的GMPHD扩展目标跟踪算法。首先,引入核密度估计剔除杂波量测;其次,采用mean shift算法对扩展目标量测集进行划分,并依据图结构更新后反馈回的信息判断是否需要进行子划分;然后,采用扩展目标GMPHD算法进行滤波处理;最后,对滤波结果进行一步预测,更新图结构,并使用更新后的图结构信息指导下一时刻的量测划分。matlab仿真表明,所提算法大幅减少了量测划分数,降低了运算量,解决了扩展目标交叉时刻的漏估问题。     

量化量测条件下的交互多模型箱粒子滤波

在分布式多传感器网络中,为了节省通信带宽,需要将传感器得到的点量测量化成区间量测,而传统的滤波算法均不能直接处理这种量化量测．箱粒子滤波作为一种“广义粒子滤波”算法,用箱粒子和误差界限模型来取代传统的点粒子和误差统计模型,是新近出现的处理区间量测的有力工具．相比粒子滤波,箱粒子滤波还具有所需粒子数少、算法复杂度低、运行速度快等优点．因此,为了处理量化量测条件下的机动目标跟踪问题,提出了交互多模型箱粒子滤波算法．仿真对比实验表明：在量化量测条件下,交互多模型箱粒子滤波算法和交互多模型粒子滤波算法都能够准确地估计机动目标状态,但交互多模型箱粒子滤波所需粒子数更少、计算效率更高．