基于轨迹集的衍生扩展目标多伯努利滤波算法

针对扩展目标多伯努利滤波器(ECBMeMBer)在复杂环境下对衍生扩展目标跟踪性能严重下降以及无法提取目标轨迹的问题, 提出一种基于轨迹随机有限集(Trajectory RFS)的衍生扩展目标多伯努利滤波算法(S-TCBMeMBer). 首先, 利用轨迹多伯努利RFS(Trajectory MBer-RFS)描述多扩展目标的轨迹序列, 从而为扩展目标提供连续的轨迹信息; 其次, 提出一种多伯努利衍生模型, 通过原始扩展目标的航向角与衍生扩展目标的偏转角之间的三角函数关系式建立不同衍生扩展目标的运动方程与动力学转移模型, 从而实现对衍生扩展目标质心状态与外形状态的联合估计; 随后, 基于轨迹MBer-RFS和所提出的多伯努利衍生模型推导并提出S-TCBMeMBer滤波器, 并在线性高斯条件下给出伽玛高斯逆威沙特(GGIW)混合实现. 仿真结果表明, 所提出算法在杂波、漏检和噪声共存的环境下能够对衍生扩展目标进行有效跟踪, 并提取扩展目标完整的轨迹信息.     

基于声学传感器的目标跟踪扩展算法

针对机动的目标跟踪,提出扩展的卡尔曼滤波器/多假设跟踪方法(EKF/MHT),该算法具有结构和计算简单,鲁棒性好的特点,同时研究了和声学传感器相联系的目标数量、位移量和探测分辨率对跟踪性能的影响,并通过仿真,充分说明了文中所提出的跟踪算法能够较好地弥补传统的Kalman滤波/MHT方法在跟踪机动目标时的不足。     

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。     

基于ET-GM-PHD的机动多扩展目标跟踪算法

针对原始扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）滤波算法不能解决机动目标跟踪问题,在高斯混合概率假设密度（Gaussian Mixture Probability Hypothesis Density,GM-PHD）滤波框架下,引入修正的输入估计算法（Modified Input Estimation,MIE）,可以有效地处理多扩展目标的机动问题。此外,提出的算法虽然可以实现对未知数目的多机动扩展目标进行跟踪,但无法获得各个目标的航迹。针对此问题,进一步引入高斯分量标记方法,有效地将多机动扩展目标的航迹进行准确关联,获取各个目标的航迹。实验结果表明,提出的算法在弱机动扩展目标跟踪中具有较好的跟踪性能,同时能够有效地估计多扩展目标的航迹。     

基于高斯过程的多机动扩展目标跟踪

针对杂波环境下多机动扩展目标跟踪问题,提出一种基于高斯过程的变结构多模型联合概率数据关联方法.首先,采用期望模型扩展方法构建自适应模型集,并对各个扩展目标状态进行初始化.其次,基于高斯过程建立联合跟踪门以选择有效量测,形成联合关联矩阵.然后,拆分联合关联矩阵得到可行关联矩阵并求解关联事件概率.最后,利用联合概率数据关联...     

基于GGIW-CPHD的衍生扩展目标跟踪算法

针对杂波环境下伽玛高斯逆威舍特混合势概率假设密度(GGIW-CPHD)滤波器难以有效提取衍生扩展目标的问题,提出采用多假设对衍生目标建模跟踪的方法。算法利用随机矩阵模型对扩展目标的形状和尺寸进行建模,并根据多假设模型对衍生事件进行预测,最后通过GGIW混合实现扩展目标运动状态、扩展状态和量测率的联合估计。实验结果表明,与标准GGIW-CPHD滤波算法相比,在含有衍生事件的情景下所提方法实现更好的目标势估计性能且具有较强的适用性。     

基于SIM-GM-PHD的低可观测目标跟踪算法

针对多传感器协同探测多个低可观测目标问题,提出一种基于强度叠加的多传感器高斯混合概率假设密度(SIM-GM-PHD)滤波器,并提出目标状态的两步提取策略.首先,利用跟踪门对预测强度函数中每个高斯分量选择有效传感器集合;然后,利用各传感器量测数据更新其对应的高斯分量,叠加所有传感器的局部后验强度以及全局漏检强度得到融合后验强度;最后,提出目标状态的两步提取策略对目标的个数与状态进行估计.仿真结果验证了所提出算法的有效性.     

点目标和扩展目标联合跟踪算法

随着信息化改革的不断深入,目标跟踪问题越来越受到人们的重视。特别是在国防领域,如雷达对飞机、轮船和导弹等机动军事目标的精确探测和定位很大程度上决定了战争武器的有效性。针对点目标和扩展目标同时存在的特殊情况,提出基于随机集的点目标和扩展目标联合跟踪算法。该算法探索基于随机有限集的扩展目标滤波器对于点目标跟踪的不足,并尝试通过放宽约束条件的方式对其进行改进。仿真结果表明,在点目标和扩展目标同时存在的情况下,本文所提算法相比于已有基于随机集理论的扩展目标跟踪算法具有更好的鲁棒性。     

基于多伯努利滤波的厚尾噪声条件下多扩展目标跟踪

针对厚尾噪声条件下不规则星凸形多扩展目标跟踪(Multiple extended target tracking, METT)问题, 提出一种基于多伯努利滤波的厚尾噪声条件下多扩展目标跟踪方法. 首先, 采用学生t分布对厚尾过程噪声和量测噪声进行建模, 并基于有限集统计(Finite set statistics, FISST)理论利用随机超曲面模型(Random hypersurface model, RHM)建立不规则星凸形多扩展目标的跟踪滤波模型. 然后, 利用学生t混合(Student＇s t mixture, STM)模型来表征多伯努利密度, 提出学生t混合多扩展目标多伯努利(Student＇s t mixture multiple extended target multi-Bernoulli filter, STM-MET-CBMeMBer)滤波算法, 并进一步基于鲁棒学生t容积滤波算法提出了非线性鲁棒学生t混合星凸形多扩展目标多伯努利滤波算法. 最后, 通过构造厚尾噪声条件下星凸形多扩展目标和多群目标的跟踪仿真实验验证了所提方法的有效性.     

基于单声矢量传声器虚拟扩展的多机动声目标跟踪算法

为解决单声矢量传声器(Acoustic vector sensor, AVS)可跟踪声目标数目少、跟踪性能差的问题, 提出了基于AVS虚拟扩展的多机动声目标跟踪算法. 首先, 引入高阶累积量预处理过程并建立高阶似然函数, 不仅能够抑制高斯噪声、提高估计精度, 还可通过AVS的虚拟扩展增加可跟踪目标数目. 然后, 在边缘化$delta$广义标签多伯努利(Marginalized $delta$-generalized label multi-bernoulli, M$delta$-GLMB)滤波框架下, 提出了基于累积量的增广运动模型状态的M$delta$-GLMB (Cumulants-based augumented motion model state M$delta$-GLMB, Cum-AMMS-GLMB)算法. 算法引入多种运动模型, 并将表征不同模型的索引标号作为目标状态的增广参数, 通过各模型间的加权混合获取优于单一运动模型的跟踪性能. 除此之外, 算法的序贯蒙特卡洛(Sequential Monte Carlo, SMC)实现过程中, 依据高阶预处理获得的归一化空间谱拟合检测概率函数, 抑制了杂波向可用粒子扩展, 进一步增强了高似然区域的粒子. 最后, 推导了AVS目标跟踪的后验克拉美罗下界(Posterior cram$acute{e}$r-rao lower bound, PCRLB), 并通过仿真实验验证了算法的量测噪声抑制能力和声目标跟踪性能.     

基于随机矩阵建模的Student’s t逆Wishart滤波器

针对复杂的异常噪声条件下扩展目标跟踪问题,本文基于随机矩阵模型(RMM)提出了一种Student’s t逆Wishart滤波算法.首先,运用Student’s t分布对异常的过程噪声和量测噪声进行建模,运用逆Wishart分布对目标扩展状态进行建模,以更加合理的数学模型表征异常噪声条件下基于稀疏量测的目标基本轮廓特征.进一步的,本文详细推导了能稳健估计目标椭圆形状特征的Student’s t逆Wishart滤波算法,能在形状和方向动态演变过程中有效估计扩展目标的多重特征.最后,通过构造异常噪声条件下椭圆扩展目标跟踪的仿真实验验证了所提算法的有效性.     

高斯过程泊松多伯努利混合滤波算法及其变分优化

针对现有算法对多扩展目标跟踪精度低的问题, 本文提出了一种高斯过程泊松多伯努利混合(GP-PMBM)滤波算法及其变分优化. 首先, 基于高斯过程原理建立了增广状态空间模型, 接着, 将其与泊松多伯努利混合滤波器相结合, 提出GP-PMBM算法. 然后, 针对因使用非线性滤波技术而导致GP-PMBM滤波精度下降的问题, 使用变分贝叶斯优化更新结果, 实现了对目标状态的优化更新, 提升了滤波器的估计精度. 仿真结果表明, 与已有的滤波算法相比, 所提算法具有更高的跟踪精度, 并且, 在只有部分量测的场景中跟踪性能更稳定.     

基于变分贝叶斯势均衡多目标多伯努利滤波的 多扩展目标跟踪算法

由于传统多扩展目标跟踪算法在量测噪声协方差未知情况下跟踪性能急剧下降,本文提出一种基于变分贝叶斯的势均衡多目标多伯努利滤波(VB--CBMe MBer)跟踪算法,并给出了高斯混合实现.该算法在未知量测噪声协方差的情况下,将量测看成随机分布在扩展目标上的量测产生点所产生,利用变分贝叶斯方法近似地求出各量测产生点状态和量测噪声协方差的联合概率密度,并给出其递归形式以估计量测产生点,继而将得到的量测产生点状态进行聚类得到扩展目标的状态.仿真实验表明,所提算法可以自适应地跟踪未知数目、未知量测噪声协方差的多扩展目标.其跟踪精度与传统的CBMe MBer跟踪算法相比,有明显提高.     

Pairwise马尔科夫模型下的势均衡多目标多伯努利滤波器

由于在实际应用中目标模型不一定满足隐马尔科夫模型（Hidden Markov model,HMM）隐含的马尔科夫假设和独立性假设条件,一种更为一般化的Pairwise马尔科夫模型（Pairwise Markov model,PMM）被提出.它放宽了HMM的结构性限制,可以有效地处理更为复杂的目标跟踪场景.本文针对杂波环境下的多目标跟踪问题,提出一种在PMM框架下的势均衡多目标多伯努利（Cardinality balanced multi-target multi-Bernoulli,CBMeMBer）滤波器,并给出它在线性高斯PMM条件下的高斯混合（Gaussian mixture,GM）实现.最后,采用一种满足HMM局部物理特性的线性高斯PMM,将本文所提算法与概率假设密度（Probability hypothesis density,PHD）滤波器进行比较.实验结果表明本文所提算法的跟踪性能优于PHD滤波器.     

星凸形多扩展目标跟踪中的传感器控制方法

针对多扩展目标跟踪中的传感器控制问题,本文基于有限集统计(FISST)理论与随机超曲面模型(RHM),利用多伯努利(MBer)滤波器提出有效的传感器控制策略.首先,文中给出多扩展目标跟踪中基于信息论联合目标形状估计优化和目标运动状态估计优化的传感器控制方法的求解思路.其次,给出RHM容积卡尔曼高斯混合(GM)势均衡多扩展目标多伯努利滤波算法的具体实现过程.然后,结合GM密度间的柯西施瓦兹(Cauchy-Schwarz)散度提出相应的传感器控制决策方法.此外,详细推导了扩展目标势的后验期望(PENET)的GM实现,并提出以GM–PENET为评价函数的传感器控制方法.最后,通过构造随机星凸形多扩展目标的跟踪优化仿真实验验证了本文所提传感器控制方法的有效性.     

高斯过程回归模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下不规则形状的多扩展目标跟踪问题,本文提出了一种基于高斯过程回归(GPR)模型的多扩展目标多伯努利(GPR–ETCBMeMBer)滤波算法.首先,在利用有限集统计理论(FISST)将多扩展目标的状态集与量测集分别建模为多伯努利随机有限集(MBer RFS)和泊松随机有限集(Poisson RFS)的基础上,通过GPR方法建立多扩展目标随机超曲面的跟踪滤波模型.然后,基于容积卡尔曼滤波器(CKF)详细推导并提出GPR多扩展目标多伯努利滤波算法的高斯混合(GM)实现.最后,通过构造对星凸形多扩展目标和多群目标跟踪的仿真实验验证了本文所提算法的有效性.     

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.