未知杂波下多目标跟踪AEM-PHD平滑滤波算法

针对未知杂波强度下的多目标跟踪问题,提出了加速期望最大化概率假设密度(AEM-PHD)平滑滤波算法。首先,对杂波的强度进行建模;接着,根据杂波的量测估计出杂波的个数;然后,利用高斯有限混合模型对杂波密度函数进行建模,在EM算法的基础上提出了AEM算法,将AEM算法用于高斯有限混合模型参数的估计,获得了杂波的密度函数;最后,将估计的杂波信息应用于多目标跟踪,对目标状态进行了平滑。仿真结果表明,在杂波强度未知的环境下,所提算法能准确估计出杂波的参数,具有跟踪精度高、目标数目估计准确的优点。     

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。     

基于自适应GMM杂波估计的改进MHT算法

在传统多假设跟踪(MHT)算法中通常会假设杂波强度先验已知,当观测场景中杂波未知且空变时,该假设将会导致跟踪算法性能急剧下降。针对这一问题,本文提出一种基于自适应高斯混合模型(GMM)在线估计未知杂波的改进MHT算法。首先利用自适应GMM拟合未知杂波空间分布,并自适应地估计出波门内的杂波强度;然后将其应用于MHT处理中,有效改善航迹得分计算和最优假设航迹估计的准确性,进而实现在杂波未知场景中的稳定跟踪。仿真结果表明,在未知杂波观测场景中,所提算法相比传统MHT算法和MHT-GMM算法获得了更好的数据关联准确性和航迹维持性能。     

重拖尾海杂波下基于MCSEAPHD目标跟踪算法

针对重拖尾海杂波下的对海探测问题，提出了一种基于多帧杂波稀疏度估计和幅值辅助概率假设密度的海面目标跟踪算法。首先，提出重拖尾海杂波下的多帧杂波稀疏度估计技术，利用高斯混合后验强度和多帧杂波累积剔除源自幸存目标和新生目标的测量，实时估计空间分布未知且时变的重拖尾海杂波密度；然后，将杂波密度估计参数传递到跟踪器中，并建立带幅值的量测似然函数，在概率假设密度算法框架下进行状态更新，并将更新后的高斯混合后验强度用于下一帧的杂波密度与目标状态估计；最后，进行了仿真试验，仿真结果验证了所提算法的有效性。     

杂波环境下被动多传感器机动目标跟踪新算法

针对杂波环境被动传感器机动目标跟踪问题,该文研究了一种基于粒子滤波的被动多传感器机动目标跟踪新算法。 在该算法中,首先推导了杂波环境下粒子滤波的似然函数表达式。其次将粒子滤波与交互多模型(IMM)相结合,用IMM方法实现模型的切换,以适应目标的机动变化。用粒子滤波实现对观测方程的非线性处理。最后,建立了被动多传感器的非线性观测模型,避免了目标的不可观测性,并且算法还能够处理非高斯噪声情况。仿真实验结果表明,提出的算法能够有效地对被动机动目标跟踪,且性能优于交互多模型概率数据关联滤波器(IMM-PDAF)。     

基于量测驱动新生目标强度估计的PHD滤波算法

针对多目标跟踪中存在的新生目标强度未知的问题,提出一种基于量测驱动新生目标强度估计的PHD(MDTBI-PHD)滤波算法。该算法采用增广状态空间方法,在由真实目标状态与虚拟目标(杂波)状态构成的增广状态空间上实现PHD多目标跟踪。算法通过构造新生目标量测集,采用量测驱动的方式对新生目标强度进行估计,从而避免了对新生目标强度先验知识的依赖,同时,该算法也避免了未知杂波对真实目标强度估计的干扰。仿真结果表明,该算法在新生目标强度未知的情况下,具有对目标数目变化敏感的优势,可降低计算复杂度,明显提高跟踪精度。     

基于高斯混合势化概率假设密度的脉冲多普勒雷达多目标跟踪算法

为在新兴的随机有限集(RFS)框架下充分利用多普勒信息跟踪杂波环境下的多目标,该文提出基于高斯混合势化概率假设密度(GM-CPHD)的脉冲多普勒雷达多目标跟踪(MTT)算法.该算法在标准GM-CPHD基础上,在使用位置量测更新状态后,再利用多普勒量测进行序贯更新,可获得更精确的似然函数和状态估计.仿真结果验证了该算法的有效性,表明在GM-CPHD基础上引入目标的多普勒信息可有效抑制杂波,显著改善跟踪性能.     

基于多模型后验概率的机动目标跟踪方法

传统单模型算法很难满足对机动目标的跟踪精度需求，自适应模型、多模型成为该领域的研究热点。转弯模型因其形式简单、计算复杂度低等特点在多模型跟踪中被广泛研究和使用。但是，网格调整算法估计转弯角速度的方法中由于机动目标角速度未知而无法确定最小的网格间隔，导致存在难以精确估计真实角速度且估计速度慢等问题，基于后验概率的机动目标跟踪方法能够有效地解决该问题。通过对多模型后验概率的计算获得各模型对应的权值，提高了真实角速度的估计精度和既定目标跟踪算法的估计性能。最后通过仿真试验说明了改进算法的有效性。     

基于熵惩罚的EM未知杂波估计的PHD多目标跟踪算法

针对概率假设密度多目标跟踪算法中存在的杂波强度未知的问题,提出一种基于熵惩罚的EM未知杂波估计的PHD多目标跟踪(EPEM-PHD)算法。首先采用有限混合模型对未知杂波密度建模,其次分别对混合权重及缺失参数施加熵惩罚因子,然后通过自适应动态系数调节,使得混合模型低权值分量加速消亡,减少了算法迭代次数,且算法对初始参数不敏感。仿真结果表明,该算法在杂波强度未知的环境下,具有精度高、跟踪稳定的优势,提高了PHD滤波器在多目标跟踪中的性能。     

高斯混合分布杂波下ARM的Wald检测方法

提出一种在高斯混合分布杂波下检测反辐射导弹(ARM)的Wald检测方法.针对基于期望最大化(EM)算法估计杂波参数时,由于初始化不当使迭代运算落入初值陷阱、导致估计错误的问题,提出基于矩-EM算法估计杂波参数的方法,导出了高斯混合分布杂波下ARM目标的Wald检测统计量.不同参数条件下的仿真表明,矩-EM算法能够更准确地估计杂波参数;基于高斯混合分布杂波假设的Wald检测性能明显优于基于高斯分布杂波假设的Wald检测性能.     

狄拉克加权和概率假设密度滤波器

为解决在存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题,提出了一种适用于线性系统模型的狄拉克加权和概率假设密度滤波器。该滤波器将多目标的后验矩表征为狄拉克加权和的形式。类似于高斯混合PHD滤波器,该滤波器在递归过程中传递多目标的后验矩。不像高斯混合PHD滤波器用卡尔曼滤波器获取多目标的后验更新矩,该滤波器采用变系数α-β滤波器获取多目标的更新后验矩。同时,也提出了一种变系数α-β滤波器中参数α和β的确定方法。仿真实验结果表明,所提出的滤波器为存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题提供了一种有效途径,它的平均执行时间小于高斯混合PHD滤波器的平均执行时间,所以具有良好的工程应用前景。      

基于联合似然函数的多扩展目标广义标签多伯努利滤波器

高分辨率雷达监视系统可观测到区域内不同形状的多个扩展目标,可靠的形状估计有利于提高扩展目标跟踪性能,并可作为战场态势评估的重要依据。该文针对不同形状多扩展目标跟踪问题,提出一种基于联合似然函数的广义标签多伯努利(JL-GLMB)滤波器,可实现目标数目、航迹以及形状的精确估计。首先,将目标形状建模为星凸集,并利用非线性量测变换滤波器更新GLMB分布中的高斯分量,有效提高扩展目标状态估计精度。然后,通过对数加权融合策略,构造联合似然函数,综合衡量扩展目标和量测单元之间的相似程度。最后,基于吉布斯采样,提出快速计算扩展目标状态后验概率密度的方法,有效提高数据关联的准确率和计算效率。仿真实验结果表明,所提滤波器能够有效估计不同形状的多扩展目标状态,且在杂波环境下具有稳定的势估计。     

一种改进的CPHD多目标跟踪算法

CPHD(Cardinalized Probability Hypothesis Density)滤波是一种杂波环境下可变目标数的多目标跟踪算法,该文针对算法中存在的目标漏检问题提出一种改进算法,该算法在高斯混合框架下实现贝叶斯递归,通过对各个高斯分量进行标记,对目标进行航迹关联,在此基础上对修剪合并后各个高斯分量的权值进行两次分配。首先对超过检测门限的高斯分量权值进行分配,有效解决了目标漏检问题,然后基于一个目标只可能产生一个观测的事实进行第2次分配,改善了目标发生交叉时的算法性能。实验结果表明,所提方法在多目标状态估计和航迹维持方面均优于普通的CPHD算法。     

基于CHMM的雷达海面回波建模与分析方法

高分辨率雷达以低擦地角观测粗糙海表面时杂波幅度明显增强,产生海尖峰效应。海尖峰与平稳海杂波的统计特性差别显著,使用单一概率密度函数(PDF)的传统统计建模方法难以精确描述回波特性,尤其在回波中包含目标信号时,这种不适应更为严重。该文将连续型隐马尔可夫模型(CHMM)用于海杂波建模,把海面回波分为平稳海杂波、海尖峰和目标回波3个状态,使用高斯混合密度模型(GMDM)建立各状态观测值的连续PDF表达式,使用Baum-Welch算法对CHMM的参数进行计算和重估。同时,修正了基于GMDM的CHMM观测值状态联合概率公式,解决了GMDM参数迭代求解过程中的分母下溢出问题,为海杂波建模与分析提供了一种新的方法。最后对实际雷达采集数据的分析证明了该方法的有效性。     

基于核密度杂波估计的改进MHT算法

传统多假设跟踪(Multiple Hypothesis Tracker,MHT)算法假定杂波强度先验已知,在未知杂波的观测场景中,杂波强度误差将导致数据关联的准确性急剧下降.针对这一问题,本文提出一种基于核密度估计(Kernel Density Estimation,KDE)的在线杂波估计MHT算法.首先利用核密度函数...     

Target Birth Intensity Estimation Using Measurement‐Driven PHD Filter

The probability hypothesis density (PHD) filter is an effective means to track multiple targets in that it avoids explicit data associations between the measurements and targets. However, the target birth intensity as a prior is assumed to be known before tracking in a traditional target‐tracking algorithm; otherwise, the performance of a conventional PHD filter will decline sharply. Aiming at this problem, a novel target birth intensity scheme and an improved measurement‐driven scheme are incorporated into the PHD filter. The target birth intensity estimation scheme, composed of both PHD pre‐filter technology and a target velocity extent method, is introduced to recursively estimate the target birth intensity by using the latest measurements at each time step. Second, based on the improved measurement‐driven scheme, the measurement set at each time step is divided into the survival target measurement set, birth target measurement set, and clutter set, and meanwhile, the survival and birth target measurement sets are used to update the survival and birth targets, respectively. Lastly, a Gaussian mixture implementation of the PHD filter is presented under a linear Gaussian model assumption. The results of numerical experiments demonstrate that the proposed approach can achieve a better performance in tracking systems with an unknown newborn target intensity.     

远距离监视激光雷达动目标快速检测

激光雷达具有全天候工作、探测精度高、有效探测距离远、易获得三维信息等特点,但工作在远距离模式时,目标点云比较稀疏。当前便携条件下,基于深度学习的算法在激光雷达点云数据直接目标识别时,实时性和成功率尚不能达到远程监视实际工程的要求。针对实际工程中利用激光雷达检测运动目标进而实时引导高分辨率相机的需求,采用基于变化的检测方法,对远距离条件下激光雷达的运动目标检测方法进行了研究,利用点云数据的距离信息,给出三维单高斯模型和三维高斯混合模型检测动目标的过程和方法,提出了利用杂波图恒虚警率检测法处理点云数据的方法。实验表明,与二维图像动目标检测方法相比,三维单高斯模型法会很大程度提高检测准确性,降低虚警率,但仍然存在较高虚警率。为适应复杂三维场景,采用基于三维高斯混合模型的方法进一步降低了虚警率,但也降低了检测速度;而杂波图CFAR的方法具有很高的实时性,同时也具有较好的检测性能。     

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

一种基于多模型高斯逆Wishart PHD滤波器的空间邻近目标跟踪方法

将空间邻近目标(Closely Spaced Objects,CSOs)整体建模为扩展目标(Extended Target,ET),用随机矢量和随机矩阵分别描述CSOs质心运动和扩散状态,并采用高斯逆Wishart(Gaussian inverse Wishart,GIW)概率假设密度(Probability Hypothesis Density,PHD)滤波器实现杂波和漏检条件下CSOs的稳定跟踪.修正了原GIW-PHD滤波器量测模型和形状估计的缺陷,给出新的递推表达式,并在此基础上提出一种多(形变)模型GIW-PHD滤波器,以适应CSOs分裂和融合引起的形状变化.仿真结果表明,所提算法能够有效跟踪CSOs,状态估计比原GIW-PHD更加准确,对CSOs的变化更加敏感.