高斯粒子群优化粒子滤波检测前跟踪算法

针对低信噪比时标准粒子滤波对弱小目标的检测与跟踪时存在的粒子贫乏、跟踪精度对粒子数目要求高等问题,提出一种基于高斯粒子群优化粒子滤波的弱小目标检测前跟踪算法。利用高斯粒子群优化算法优化重采样后的粒子集,使粒子集朝着后验概率密度分布取值较大的区域运动,增加粒子的多样性,克服了粒子贫乏问题,并在保证跟踪精度的前提下降低了跟踪所需要的粒子数目,提高了标准粒子滤波算法的检测和跟踪性能。同时,建立了检测前跟踪系统的观测模型和系统模型,对基于标准粒子滤波检测前跟踪算法和优化算法进行仿真,仿真实验结果表明高斯粒子群优化粒子滤波的检测前跟踪算法相比基于标准粒子滤波的检测前跟踪算法具有更好的检测与跟踪性能。     

基于辅助粒子滤波的红外小目标检测前跟踪算法

研究低信噪比复杂环境下的红外小目标检测和跟踪问题,提出了基于辅助粒子滤波的检测前跟踪算法.首先使用形态学滤波算法对图像进行白化预处理;然后在跟踪阶段采用辅助粒子滤波算法估计目标运动状态,在检测阶段利用跟踪滤波器的输出构造似然比,并进行似然比检验.对真实红外图像序列的实验表明,该算法可成功跟踪和检测信噪比为2的小目标,且其性能优于传统的检测前跟踪算法.     

基于粒子滤波的检测前目标跟踪算法

针对低信噪比下红外图像中的弱小目标检测与跟踪问题,由于噪声的影响,信号不准确,图像不清晰。为解决上述问题,采用基于粒子滤波的检测前跟踪算法,直接利用传感器的原始数据,通过粒子滤波算法得到目标状态的后验概率分布,以目标出现概率作为检测目标的判断准则,检测出真实目标,并估计出目标在空间平面内的准确位置。并在抽取新生粒子时设定一个阈值,有效提高了抽取粒子的质量。对单个点的目标检测与跟踪系统进行了仿真。仿真结果表明,改进算法跟踪误差小,精度高,具有良好的检测与跟踪性能。     

高斯粒子滤波检测前跟踪方法

针对低信噪比条件下微弱目标的检测和跟踪,提出了一种高斯粒子滤波检测前跟踪（TBD）方法。该方法采用高斯粒子滤波递归地估计目标的状态,结合固定样本长度（FSS）似然比检验实现了对微弱目标的检测和跟踪。由于避免了粒子滤波TBD方法中的重采样过程,高斯粒子滤波TBD方法没有采样枯竭现象,算法复杂度小。仿真实验表明,该算法对微弱目标具有良好的实时检测和跟踪性能。     

改进的多模型粒子PHD和CPHD滤波算法

多模型粒子概率假设密度(Probability hypothesis density, PHD)滤波是一种有效的多机动目标跟踪算法, 然而当模型概率过小时,该算法存在粒子退化问题,而且它对目标数的泊松分布假设会夸大目标漏检对其势估计的影响. 针对上述问题,本文提出一种改进算法. 该算法并不是简单地对模型索引进行采样, 而是用粒子拟合目标状态的模型条件PHD强度, 在不对噪声做任何先验假设的前提下, 通过重采样实现存活粒子的输入交互,提高了滤波性能. 在此基础上, 进一步将算法在Cardinalized PHD (CPHD)的框架下加以实现,提高其目标数估计精度. 仿真实验表明,所提算法在滤波性能和目标数估计精度方面均优于传统的多模型粒子PHD算法,具有良好的工程应用前景.     

基于CFSFDP的箱粒子CPHD扩展目标跟踪

针对当前扩展目标跟踪量测划分方法中,距离划分存在划分数过多、计算复杂度高的问题,本文将密度峰值快速聚类算法CFSFDP (Clustering by Fast Search and Find of Density Peaks)与箱粒子势概率假设滤波器(Box Cardinalized Probability Hypothesis Density filter,Box-CPHD)相结合,提出基于CFSFDP的箱粒子CPHD扩展目标滤波算法.该算法采用CFSFDP进行量测划分,基于量测信息密度的不同可以有效划分区间量测,并剔除杂波量测,然后采用箱粒子CPHD进行预测更新和目标状态估计.仿真实验表明与经典的距离划分方法相比,在箱粒子CPHD扩展目标算法流程中采用CFSFDP进行量测预处理,CFSFDP在达到同等效果的前提下,运行时间明显减少;在剔除杂波之后的高杂波环境下,杂波的变化只影响距离划分的运算时间而不再影响CFSFDP划分,采用CFSFDP处理量测信息可以有效提高运行效率和算法实时性,剔除杂波之后在一定程度上提高了目标位置估计精度.     

基于粒子滤波的弱目标检测前跟踪算法

针对低信噪比条件下机动目标的检测跟踪问题,提出了一种改进型的基于多模型的粒子滤波检测前跟踪算法.由于粒子退化问题,在目标信号微弱、目标发生机动或者信号幅值波动较强势,粒子滤波的TBD算法的检测概率和跟踪精度将会下降.本算法在粒子滤波的基础之上改进,即在每次循环之前加入新粒子,新粒子的分布是由平均法和前一时刻的目标估计结果进行确定.给出了粒子滤波的TBD算法推导以及数值计算过程.仿真实验表明:基于改进型粒子滤波检测前跟踪算法能够检测低信噪比的目标.     

基于粒子滤波的检测前跟踪改进算法

针对低信噪比环境下微弱目标的实时检测与跟踪,提出一种基于粒子滤波的检测前跟踪改进算法.该算法在粒子滤波的基础上融合不敏卡尔曼滤波(uKF1)算法,融合后的新算法在利用重要性密度函数产生粒子时充分考虑当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子的分布更接近状态的后验概率分布.仿真实验表明,改进算法的检测与跟踪性能优于标准的粒子滤波算法.     

一种新型多雷达多目标粒子滤波检测前跟踪算法

针对多雷达多目标检测跟踪中,当目标间距较近时,易出现的目标点迹偏移问题,提出了一种新型多雷达多目标粒子滤波检测前跟踪算法(NM-PF-TBD)。算法采用双层粒子滤波结构,在目标跟踪层中对某一目标跟踪时,首先基于上周期其他目标点迹,重新计算传感器探测信息,其次,基于修正后的传感器探测信息计算粒子权值,然后,基于粒子群中不同权重粒子的分布情况,删除有害粒子,补充有益粒子,避免重采样后的跟踪粒子群中心偏移,从而保证目标点迹不发生偏移。仿真结果表明,与其他算法相比,本文所提算法能够在远距离观测多个较近目标时,准确关联目标点迹,提高目标精度。     

一种粒子势概率假设密度滤波纯方位多目标跟踪算法

针对基于势概率假设密度算法(CPHD)的纯方位多目标跟踪,提出一种新型的多传感器粒子CPHD滤波算法.该算法通过分析混合线性/非线性状态模型的结构信息,结合粒子滤波(PF)与卡尔曼滤波(KF)对各个目标的状态进行预测与估计,运用Mean-Shift方法提取概率假设密度的峰值作为目标状态估计值,并对算法复杂度进行了分析.仿真结果表明,算法可改善目标跟踪效果.     

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％．     

纯方位距离参数化概率假设密度和势概率假设密度滤波器

考虑多目标跟踪中量测源的不确定性,本文提出两个基于随机有限集(RFS)的多距离假设纯方位跟踪(BOT)滤波器.首先,详细推导距离参数化高斯混合概率假设密度(PHD)滤波器的递推公式.然后,详细推导距离参数化高斯混合势概率假设密度(CPHD)滤波器的势分布和强度的递推公式.此外,为跟踪随机出现的目标,提出一种自适应BOT新生目标强度的建立方法.仿真验证了算法的有效性.     

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...     

高斯混合概率假设密度无序估计分布式融合

针对分布式传感器网络中多目标随机集状态混合无序估计问题,本文提出了一种基于高斯混合概率假设密度无序估计分布式融合算法.在高斯混合概率假设密度滤波器的框架下,首先基于概率假设密度递推滤波特性,建立适用于多目标随机集状态混合无序估计的最新可利用估计判别机制,然后利用扩展协方差交叉融合算法对经过最新可利用估计判别机制获得的无序概率假设密度强度估计进行融合处理,针对融合过程中高斯分量快速增长的问题,在保证信息损失最小的前提下,对融合过程的不同环节实施高斯混合分量裁剪操作,给出了一种多级分层分量裁剪算法.最后,仿真实验验证了文中所提的算法的有效性和可行性.     

基于概率假设密度的近邻目标快速跟踪算法

针对杂波场景中多个目标相互近邻时,标准概率假设密度滤波器难以正确估计目标状态且计算复杂度高等问题,提出一种基于概率假设密度的近邻目标快速跟踪算法。所提算法首先采用自适应门技术从传感器观测集中划分出源于真实目标的观测集,随后利用真实目标观测集来更新预测强度,最后应用检测导向的近邻目标权重校正方法有选择地重分配各离散时刻后验强度中不精确的分量权重。实验结果表明,所提算法不仅具有高效率的目标跟踪,而且具有良好的鲁棒性。     

基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法

针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法.首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪.仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高.     

Multi-target state-estimation technique for the particle probability hypothesis density filter

A simple yet effective state-estimation algorithm is presented and demonstrated to have advantages over previous standard clustering techniques used for the particle probability hypothesis density filter.The idea behind the proposed algorithm is that it uses the latest available information(i.e.,the measurements) to direct particle clustering.The particle likelihood and target number estimation,computed during probability hypothesis density recursion,are both used to partition particles into clusters,and the center of each cluster gives the state estimation of an individual target.Simulation results indicate that the proposed algorithm outperforms the standard clustering approach using the k-means algorithm,achieving higher accuracy and shorter computational time.     

Multiple-model Rao-Blackwellized particle probability hypothesis density filter for multitarget tracking

Multitarget tracking (MTT) is a frequent topic in visual surveillance systems. Although the multiple-model probability hypothesis density (MM-PHD) filter plays an important role in the MTT, both computerized intractability and imprecise estimate are still inevitable. To solve the problems, a novel filter is presented in this paper. Different from the previous work, the Rao-Blackwellized particle filtering algorithm is incorporated with the MM-PHD filter to reduce computational load, where the sequence Monte Carlo method is adopted to estimate the nonlinear state of targets, and the linear state is predicted using the Kalman filter with the information embedded in the estimated nonlinear state. With respect to tracking precision, we find that the reweighting scheme can be realized for the numberestimate of both undetected targets and false alarms. The result is useful in balancing the required particle number in order to stabilize target estimates during the surveillance period. The illustrative simulation is finally provided to show the effectiveness of the proposed filter.