多目标跟踪的混合高斯PHD滤波

为解决目标数未知或随时间变化时的多目标跟踪问题,将多目标状态和观测信息表示为随机集的形式,建立了多目标跟踪的混合高斯概率假设密度（PHD）滤波方法。当目标初始的先验概率密度满足高斯分布的形式时,通过将状态噪声、观测噪声、目标的繁衍、新目标的产生、目标的存活概率和检测概率表示成混合高斯的形式,之后每个时刻的后验概率密度均能表示成混合高斯的形式。线性混合高斯PHD滤波方法将Kalman滤波引入到PHD滤波中,利用混合高斯成分预测和更新随机集的PHD,并估计出目标的状态。实验结果表明,在杂波环境下混合高斯PHD滤波方法可以有效地跟踪目标状态。     

多传感器高斯混合PHD融合多目标跟踪方法

针对复杂环境下单传感器多目标跟踪方法效果不佳的问题,基于FISST（Finite set statistics）跟踪理论提出一种多传感器高斯混合PHD（Probability hypothesis density）多目标跟踪方法.首先,分析了FISST下多传感器PHD的形式化滤波器,在此基础上构建一种反馈式多传感器PHD融合跟踪框架;进一步利用高斯混合技术提出多传感器PHD跟踪方法;最后,通过解决多传感器后验PHD粒子匹配与融合问题提出三种算法.仿真实验表明,与常规高斯混合PHD跟踪算法相比,本文所提算法能够有效提高目标跟踪精度和鲁棒性.     

基于高斯混合PHD滤波的多目标状态提取方法

高斯混合概率假设密度滤波(GM-PHD)方法可有效解决线性高斯模型下的多目标跟踪问题,在估计目标个数的同时提取多目标状态。但当杂波浓度过高、目标过于密集时,GM-PHD的状态提取精度有所下降。针对GM-PHD滤波算法在复杂环境下性能下降的问题,提出一种改进的GM-PHD滤波多目标状态提取方法,通过修正高斯分量更新权值,强化合并规则,降低密集目标和杂波造成的干扰。仿真实验表明该方法能在不同杂波环境下提高多目标状态估计的准确度。     

基于高斯混合PHD滤波的多目标跟踪

多目标的跟踪的主要目的是通过一个存在关联不确定性、检测不确定性以及噪声和虚警的观测序列集,联合估计目标数目和目标状态.传统的多目标跟踪算法中的数据关联算法计算量大不易实现,而基于随机集的PHD滤波算法可避免数据数据关联问题,直接估计目标状态.本文针对目前PHD递推算法难以获得闭和解的问题,阐明了在目标运动模型和新生强度都是线性高斯模型的情况下,每一时刻的后验强度都是高斯混合的.进而推导出表示后验强度的高斯成分的均值,方差和权值的递推方程.由仿真结果可以看出在非线性高斯情况下,本算法对多目标有良好的跟踪性能.     

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.     

改进的高斯粒子概率假设密度滤波算法

高斯粒子概率假设密度滤波在预测和更新时需要进行粒子近似和重新采样,这在一定程度上降低了算法的精度和实时性．针对这一问题,提出一种改进的高斯粒子概率假设密度滤波算法．算法通过粒子的方式表示并传递目标的概率假设密度（PHD）预测值,然后直接利用这些表征PHD预测值的粒子进行更新,最后利用具有最大似然性的粒子将更新后的PHD表示为混合高斯形式．仿真实验表明,和高斯粒子概率假设密度滤波相比,改进算法的多目标误差距离减少了约30％,运行时间减少了约50％．     

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.     

快速多目标跟踪GM-PHD滤波算法

传统的GM-PHD(Gaussian Mixture-Probability Hypothesis Density)滤波算法用当前时刻接收到的全部量测值对所有高斯项进行更新,使得大量的运算时间花费在使用无效量测对高斯项的更新上。针对此问题,提出一种快速多目标跟踪GM-PHD滤波器。首先在算法预测步骤中将高斯项 分为新生及存活目标两类;然后在更新步骤中先计算存活目标与所有量测之间的残差,使用椭球门限,用门限内的量测值来更新存活目标;接着计算新生目标与剩下量测之间的残差,再次使用落入椭球门限内的量测值来更新新生目标,这样可以最大限度地将无效量测排除掉,从而减少算法运算时间。实验结果表明,该方法在保证目标跟踪精度的同时降低了算法时间复杂度,其综合性能优于传统的GM-PHD滤波算法。     

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.     

基于熵分布的概率假设密度滤波器高斯混合实现

针对概率假设密度滤波器, 提出一种基于熵分布的高斯混合实现算法. 在该算法中, 作为混合参数先验分布的熵分布, 主要用在极大后验迭代过程中删减无关混合分量, 该删减操作可通过混合权重调整来实现. 此外, 该算法还能够解决多个具有类似参数的混合分量共同描述一个强度峰值的问题. 仿真结果表明, 所提出算法优于典型的阈值删减算法.     

一种改进的高斯混合概率假设密度SLAM算法

针对高斯混合概率假设密度SLAM(GMPHD-SLAM)算法存在的估计精度低和计算代价高的问题,提出一种无迹高斯混合概率假设密度SLAM算法(unscented-GMPHD-SLAM).其主要特点在于:将无迹卡尔曼滤波器应用于机器人位姿粒子权重计算及概率假设密度更新过程中,可提高算法整体估计性能;将更新的高斯项按照传感器视域分类,有效降低了算法计算量.通过仿真实验,将所提出算法与传统PHD-SLAM算法进行比较,结果表明该算法在提高估计精度和降低计算负担方面是十分有效的.     

一种改进的基于概率假设密度滤波的多目标跟踪方法

针对概率假设密度（PHD）滤波使用聚类方法提取目标状态时,会出现结果不准确,且PHD滤波无法给出状态到航迹关联的问题,提出一种在目标状态中加入标签的方法来实现状态到航迹的关联．该方法对权值较大的标签,通过两次确认来剔除杂波干扰,得到比传统PHD滤波更精确的状态估计．在提取目标状态时,只对相同标签的粒子进行处理,避免使用聚类方法．通过与传统PHD算法的仿真对比表明,改进算法具有较好的跟踪性能．     

A sequential GM-based PHD filter for a linear Gaussian system

The probability hypothesis density(PHD)flter provides an efciently parallel processing method for multi-target tracking.However,measurements have to be gathered for a scan period before the PHD flter can perform a recursion,therefore,signifcant delay may arise if the scan period is long.To reduce the delay in the PHD flter,we propose a sequential PHD flter which updates the posterior intensity whenever a new measurement becomes available.An implementation of the sequential PHD flter for a linear Gaussian system is also developed.The unique characteristic of the proposed flter is that it can retain the useful information of missed targets in the posterior intensity and sequentially handle the received measurements in time.     

高斯混合粒子Cardinalized概率假设密度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为随机集形式,通过Cardinalized概率假设密度(CPHD)滤波,递推计算目标的强度(即概率假设密度,PHD)及目标数的概率分布.然而对于被动测角的非线性跟踪问题,CPHD无法获得闭合解.为此,本文提出一种新的高斯混合粒子CPHD算法,利...     

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.