粒子滤波算法在TBD目标检测中的应用

提出了基于生存概率模型的目标检测滤波器设计,实现了基于序惯Monte-Carlo采样粒子滤波方法.优化设计了目标生存概率的算法;给出了粒子滤波器的TBD算法的理论推导及数值计算过程.仿真实验表明:基于粒子滤波器的TBD算法能够检测低信噪比的目标.     

基于雷达点迹置信度统计的目标检测方法

低信噪比环境中对弱小目标的检测和跟踪已经在雷达数据处理领域中引起人们的广泛关注。检测前跟踪(TBD)方法对弱小目标的检测非常有效,其基本思想是为了避免恒虚警(CFAR)处理带来的信噪比损失,直接对原始数据进行检测。提出了点迹置信度方法对检测的原始数据进行量化,通过局部极值选取完成目标检测。     

一种基于MMPF-TBD的机动弱目标检测方法

针对低信噪比条件下机动目标实时检测与跟踪问题,提出一种改进的基于多模型粒子滤波的检测前跟踪(MMPF-TBD)方法.通过滑窗平均法判断粒子集是否受上一时刻目标估计结果的影响,当判断值超过设定阈值时,则根据上一时刻的目标检测概率与状态估计分布添加新粒子集,再用扩展后的粒子集对目标进行检测与估计,与现有方法的仿真比较表明,本丈所提的改进方法能够有效地解决粒子退化问题,并在满足系统实时性的前提下,提高了对于机动微弱目标的检测概率和跟踪精度.     

毫米波雷达微弱行人轨迹跟踪-预测一体化方法

针对城市道路场景微弱行人目标雷达回波信号极易被强背景杂波淹没,导致目标轨迹跟踪及预测失效难题,提出了一 种基于调频连续波-多输入多输出毫米波雷达的微弱行人轨迹跟踪-预测一体化方法。 首先,利用递归贝叶斯检测前跟踪算 法,直接从未经阈值处理的雷达三维原始频谱数据中提取目标运动轨迹,解决了传统阈值决策信息丢失带来的跟踪性能下降问 题,并在此基础上提出了一种基于 Transformer 的端到端轨迹预测模型,进一步挖掘隐藏在跟踪轨迹中的时空相关性,完成了微 弱行人目标轨迹的精准预测。 实验结果表明,方法在信噪比大于-20 dB 时,预测轨迹的平均位移误差和最终位移误差分别小 于 0. 706、1. 215 m,均优于高斯过程、长短期记忆网络等传统方法。     

一种新的红外弱小目标检测前跟踪算法

针对低信噪比复杂环境下红外弱小目标检测问题,提出了一种基于拟蒙特卡罗抽样的检测前跟踪算法.采用新的基于拟蒙特卡罗抽样的高斯粒子滤波算法(QMC-GPF)估计目标运动状态和红外小目标幅度状态,同时利用该滤波算法中迭代更新的协方差矩阵的收敛特性构建判断逻辑,实现目标"软判决"检测.对仿真红外图像序列的实验表明,该算法可快速有效地跟踪和检测信噪比不小于1dB的弱小目标.     

基于标签多伯努利滤波器的机动小目标检测前跟踪

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间,能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模,将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上,为了实现对运动模型时变目标的检测前跟踪,将交互式多模型(IMM)与LMB检测前跟踪算法相结合,提出IMM-LMB检测前跟踪算法.此外,给出了该算法的序贯蒙特卡罗实现.仿真结果表明,所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪,且能够在线更新多模型概率,更好的适应多机动目标场景.     

一种高效粒子滤波检测前跟踪算法的仿真分析*

分析了一种高效粒子滤波检测前跟踪算法的独特结构。其算法中存在两类粒子互相竞争与协作的复杂关系。针对其两类粒子数量选择的困难,通过大量仿真对比分析了两类粒子五种数量比例在不同总粒子数和不同过程噪声水平下的算法性能。仿真结果表明在两类粒子数量相等附近时,算法综合性能较好。     

自适应门限GM-CPHD多目标跟踪算法

带有势估计的高斯混合概率假设密度滤波（GM-CPHD）作为一种杂 波环境下目标数可变的检测前跟踪方法,将复杂的多目标状态空间的运算转换为单目标状态 空间内的运算,有效避免了多目标跟踪中复杂的数据关联问题,但该方法的计算复杂度与观 测数的3次方成正比,在密集杂波情况下计算量十分巨大。针对该方法计算复杂度高的问题 ,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门限对观测进 行处理,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。实验结果证明,本文方法在有效降低计算复杂度的同时,在多目标跟踪效 果 方面与GM CPHD相当,优于GM-PHD滤波算法。     

混合估计多模粒子滤波的机动弱小目标检测前跟踪算法

针对低信噪比条件下的机动小目标实时检测与跟踪困难的问题, 提出一种基于混合估计多模粒子滤波的检测前跟踪改进算法. 首先根据前一时刻所采用的模型状态及其转移概率等先验信息实现当前时刻的模型采样; 然后在充分考虑当前量测下实现当前的粒子预测, 采用一种序贯重要性平滑重采样策略, 在不增加计算量的前提下, 改善了粒子多样性衰退的问题; 最后通过新的粒子集完成对模型和状态的合理估计与目标检测. 仿真结果验证了该方法的检测与跟踪性能优于传统的多模粒子滤波方法.

     

基于神经网络的动态规划检测前跟踪算法

针对低信噪比条件下的目标探测问题,提出基于神经网络的动态规划检测前跟踪算法。首先,从原始观测数据中选择训练样本,对神经网络进行权值训练;然后,全部原始观测数据归为两类,将归入杂波集合的数据幅值置零,将归入目标集合的数据进行幅值缩放,改善后续值函数积累效果;最后,提出一种多目标决策航迹回溯算法,对初步回溯的航迹集合进行二次提取,有效降低了航迹回溯过程中的虚假航迹率。仿真结果验证了所提算法的有效性。