一种耦合检测和JPDA滤波的多目标跟踪算法

传统雷达信号处理中对目标的检测和跟踪是割裂处理的,通常为先检测后跟踪(DBT);当目标的信噪比较低时,检测过程中将出现大量的虚警及漏检,使得后继的跟踪算法失效。针对这一问题,在联合处理检测和跟踪方法的基础上,提出了一种耦合贝叶斯检测和联合概率数据关联(JPDA)滤波的多目标跟踪算法(JPDAF-BD)。JPDA滤波器将目标的位置分布信息反馈到贝叶斯检测器,继而贝叶斯检测器将该反馈作为先验信息用于检测判决。仿真结果表明,所提出的JPDAF-BD算法较之传统DBT体制下的多目标跟踪算法(JPDAF-NP)有显著的性能提升,可以实现更低信噪比下的多目标检测和跟踪。     

一种基于Singer模型的IMM算法仿真研究

高机动目标跟踪一直是目标跟踪领域研究的热门课题之一。文中介绍机动目标跟踪的常用的机动目标运动模型,详细讨论了具有代表性的IMM交互式多模型算法,并对IMM算法进行了一定的仿真实验,验证算法的可靠性。     

一种基于变分推断的雷达多目标跟踪JPDA算法

针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法（Joint Probability Data Association,JPDA）。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k 近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN－JPDA) 算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。     

一种三维机动目标跟踪的改进IMM算法

以三维机动目标跟踪为背景,提出一种参数自适应交互式多模型跟踪算法。该算法采用当前量测信息实时地修正马尔可夫转移概率矩阵,有效地降低了人为因素的影响。由于三维CV（匀速运动）和CA（匀加速运动）模型状态变量维数不一致,从而导致使用IMM算法时数据不能直接交互融合。针对这一缺点,对CV模型进行了改进。Matlab仿真表明,使用改进后的CV模型并结合参数自适应IMM算法比使用常规的IMM算法跟踪效果更好,并具有很好的实用性。     

一种基于IMM的非迭代式自适应变数据率算法

本文提出了一种新的自适应调节跟踪数据率的方法。这种算法利用了跟踪帧周期与滤波精度和滤波器模型参数之间的解析关系,解决了自适应调节数据率时确定调节量的问题。仿真结果表明,这种算法不仅保留了多模型变数据率方法的主要优点,而且克服了现有多模型变数据率方法计算量太大的缺点。     

基于期望模型的自适应IMM算法

针对固定结构交互式多模型算法在强机动目标跟踪过程中适应性不强的缺点,借鉴增加期望模型的变结构思想,提出了一种模型集自适应的交互式模型算法.根据滤波过程中获得的模型后验概率和模型似然函数,利用极大似然准则调整模型集中的部分模型,引导模型集向着更优的方向进化.蒙特卡罗仿真结果表明该算法比标准IMM算法适应性更强,跟踪精度更高,具有较高的工程应用价值.     

一种可递归和并行实现的快速JPDA算法

联合概率数据关联算法是密集杂波环境下一种良好的多目标数据关联跟踪算法,计算量爆炸效应一直是该算法的一个难题,本文提出了一种基于分层的构造关联事件的快速算法,层次间的搜索具递归性并可以独立进行,因而可行并行实现,文中还将本文的方法跟有关文献方法作了比较,并且给出相应的计算机仿真实验和结果。     

一种可递归和并行实现的快速JPDA算法

联合概率数据关联算法是密集杂波环境下一种良好的多目标数据关联跟踪算法。计算量爆炸效应一直是该算法的一个难题。本文提出一种基于分层构造关联事件的快速算法,层次间的搜索具有递归性并可以独立进行,因而可以并行实现。文中还将本文的方法跟有关文献方法作了比较,并且给出相应的计算机仿真实验和结果。     

一种基于IMM的自适应跟踪数据率算法

针对交互式多模型(IMM),提出一种自适应跟踪数据率的算法.该算法利用IMM模型更新概率对各模型产生的采样间隔时间进行混合估计,产生系统的自适应采样间隔时间.在保证跟踪精度的基础上,有效地降低了跟踪采样次数.仿真结果表明了方法的有效性.     

基于JPDA的多目标跟踪算法及其应用

在多目标和杂波环境下,量测与对应目标源的关联将变得复杂,当邻近目标运动时,采用滤波算法跟踪目标时,源于目标的量测会相互干扰,导致误跟现象的发生。针对此问题,本文采用基于联合概率数据关联JPDA的方法进行处理,通过引入两个基本假设条件,即每个量测只有一个源和每个量测至多源于一个目标,计算各量测与各目标源的关联概率,进而估计出各目标的状态信息。仿真结果表明在采用本文的算法处理多目标问题时,目标的位置和速度信息能够得到较好的估计,避免误跟现象的发生。     

基于交互多模算法在非线性测量方程下的机动目标跟踪

针对非线性测量下的机动目标跟踪问题,本文基于交互多模型算法（IMM）,采用去偏转换测量卡尔曼滤波（CMKF－D）的方法,把在极坐标系下得到的测量值转换到直角坐标系中,用统计的方法求出转换测量值的误差均值和方差,将转换测量值去偏后再进行卡尔曼滤波,仿真结果表明,算法提高了基于非线性测量方程的机动目标跟踪性能。     

多种跟踪算法对机动目标跟踪的应用研究

通过建立目标运动模型,对多种跟踪滤波器进行了分析仿真。仿真结果表明,混合状态估计交互式多模型算法（IMM）对机动目标跟踪效果比其它类型的滤波器好得多,并且确定了在航迹滤波与机动跟踪方面综合表现性能较高的IMMVCVA跟踪算法。通过外场实际数据验证,表明该算法对现实环境中的目标稳定跟踪具有重要的意义。     

对海面远距离运动目标定位跟踪的IMM算法研究

研究了平流层三站测时差无源定位系统对海面远距离运动目标定位与跟踪的滤波算法问题。将IMM滤波器应用到平流层三站测时差定位系统中,采用三模型组合的IMM滤波算法,首先通过时差测量参数计算出粗略的定位结果,接下来采用IMM滤波算法逐步估计出运动辐射源的速度,并修正初始的定位结果,提高定位精度。仿真结果表明,基于IMM滤波器的三站时差定位系统具有较快的收敛时间、较高的跟踪精度和适中的计算复杂度,能够对不同强度的机动目标进行定位与跟踪,很好地解决了三站时差定位系统对海面远距离运动辐射源定位跟踪的算法问题。还提出了利用回归处理的方法进一步提高固定目标定位精度的思想。     

机动目标跟踪中的多模算法

机动目标跟踪是一个很具有挑战性的任务,即使是跟踪单目标也可能因为目标的逃避机动而失跟,机动目标跟踪所遇到的基本问题是所建目标模型的动力学方程与目标的实践运动模式存在着不匹配。所以很多学者研究多模算法来解决这一问题。本文对学者们在多模算法上的研究结果进行了系统总结分析,得出结论：变结构的方法是提高跟踪性能、减少运算量,将多模算法用到实际的机动目标跟踪中的有效途径。     

自适应交互多模型跟踪算法的模型集设计

自适应交互多模型算法（AIMM）是标准交互多模型算法（IMM）的一种改进。但AIMM遇到了新的问题,包括如何选择自适应模型集的结构,如何从基于旧模型集的滤波器中继承各种数据。本文分析了这些问题,并给出了AIMM中模型集和模型转移概率的设计方法。仿真结果表明,改进的AIMM算法比普通的AIMM算法的跟踪性能有明显的提高。     

多目标视频跟踪技术的研究

视频跟踪技术是智能视频分析中的一个基础研究方向,现已有一些实用的算法,现重点研究了粒子滤波算法.通过改进,解决了多目标间互相干扰的问题.测试结果表明:在目标被部分甚至完全遮挡时,仍然能够给出正确的结果.     

相控阵雷达多目标跟踪原理及数据关联算法研究

介绍了目标跟踪原理,并以多功能相控阵雷达为背景,研究了多目标跟踪数据关联过程.针对数据关联过程中量测起源的不确定性问题及概率数据关联算法(PDA)和联合概率数据关联算法(JPDA)的不足,给出了一种改进的概率数据关联算法(MPDA),该算法既不像PDA算法那样不考虑公共测量值对航迹的影响,也不像JPDA算法对所用的关联解进行搜索,而是重点分析了跟踪门交叠区域中的公共测量值对航迹更新的影响.蒙特卡罗仿真结果表明,该算法具有较小计算量及较好的实时跟踪性能,适于相控阵雷达的数据处理.     

基于 IMM 的改进去偏转换测量目标跟踪算法

针对机动目标跟踪,提出一种基于交互式多模型的改进去偏转换测量卡尔曼滤波算法（IMM－MDCMKF）,该算法在多模型中使用了改进的去偏转换测量卡尔曼滤波算法（MDCMKF）。 MDCMKF 算法先通过引入状态估计值对转换误差协方差进行修正,有效地降低了测量噪声对此协方差的影响,然后将修正的转换误差协方差用于目标跟踪问题中的去偏转换测量卡尔曼滤波算法。最后进行的 Monte Carlo 仿真结果表明,所提算法跟踪精度优于 IMM－EKF算法和 IMM－DCMKF 算法。