杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法

在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪 (PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显著的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。      

基于代价参考粒子滤波器组的检测前跟踪算法

基于粒子滤波的检测前跟踪方法是检测和估计非线性调频信号的有效方法之一.但此类方法运算量大,难以并行执行.此外,由于粒子滤波算法收敛较慢,基于粒子滤波的检测前跟踪方法的检测和状态估计能力有待提高.针对上述问题,该文首先提出一种代价参考粒子滤波器组.该滤波器组收敛快速,具有完全的并行结构,可快速准确地估计非线性调频信号的瞬时频率.其次,提出基于代价参考滤波器组的检测前跟踪算法,可在给定虚警率下,在各个时刻检测目标和估计目标状态.两类非线性调频信号检测和估计的仿真结果表明,基于代价参考粒子滤波器组的检测前跟踪算法的检测性能、估计性能和运行速率均优于类似的方法,如基于粒子滤波的检测前跟踪方法,基于Rutten粒子滤波的检测前跟踪方法等.     

基于代价参考粒子滤波器组的检测前跟踪算法

基于粒子滤波的检测前跟踪方法是检测和估计非线性调频信号的有效方法之一。但此类方法运算量大,难以并行执行。此外,由于粒子滤波算法收敛较慢,基于粒子滤波的检测前跟踪方法的检测和状态估计能力有待提高。针对上述问题,该文首先提出一种代价参考粒子滤波器组。该滤波器组收敛快速,具有完全的并行结构,可快速准确地估计非线性调频信号的瞬时频率。其次,提出基于代价参考滤波器组的检测前跟踪算法,可在给定虚警率下,在各个时刻检测目标和估计目标状态。两类非线性调频信号检测和估计的仿真结果表明,基于代价参考粒子滤波器组的检测前跟踪算法的检测性能、估计性能和运行速率均优于类似的方法,如基于粒子滤波的检测前跟踪方法,基于Rutten粒子滤波的检测前跟踪方法等。     

基于代价参考粒子滤波的存在概率检测算法

为提高统计特性未知情况下对非线性微弱动目标的检测能力,本文提出一种基于代价参考粒子滤波的检测前跟踪算法.首先在代价参考粒子滤波的状态向量中增加模拟目标存在状态的离散变量,并在离散变量的转移过程中引入相关系数判决机制;其次,利用代价参考粒子滤波的输出估计存在概率;最后,基于存在概率构造检验统计量.当检验统计量大于给定门限时宣布目标出现.天波雷达目标检测的仿真表明,当系统的统计特性已知时,该方法的检测性能与基于传统粒子滤波的似然比检测、存在概率检测等相当;当统计特性未知时,该方法的检测性能比传统方法提高了2dB以上.本方法可用于复杂背景下的监测系统,如雷达、声呐等.     

基于交互式伯努利滤波的机动目标TBD算法

低信噪比环境下,原始数据未知门限的机动目标跟踪是一个比较棘手的问题。提出了一种交互式多模型伯努利(IMM-Bernoulli)检测前跟踪(TBD)算法,该算法结合交互式多模型算法对滤波器中每个目标状态的采样粒子进行预测,利用伯努利滤波对目标粒子进行递归,粒子更新阶段结合TBD算法进行,最终实现目标存在概率及分布密度的更新估计。算法对粒子预测时采用多个模型参与转移预测,使得预测粒子更加接近目标真实运动状态,兼备了伯努利TBD算法和交互式多模算法的特点,可用于处理低信噪比环境下机动弱目标检测跟踪问题,且对目标状态的估计更加精准。仿真实验表明,该滤波器能够实时地估计出目标位置,比传统的伯努利TBD算法具有更好的滤波性能。     

基于势概率假设密度滤波的检测前跟踪新算法

基于势概率假设密度滤波(Cardinalized Probability Hypothesis Density, CPHD)检测前跟踪(Track before detect, TBD)算法能有效解决未知目标数的弱小目标检测跟踪.文章深入研究了CPHD算法, 从标准CPHD滤波的粒子权重更新出发, 结合检测前跟踪的实际, 合理地推导出CPHD-TBD算法的粒子权重更新表达式; 分析了CPHD滤波目标势分布的物理意义, 实现了目标势分布更新计算在检测前跟踪的应用.将CPHD滤波和TBD进行有效结合, 提出了基于势概率假设密度滤波的检测前跟踪算法, 并给出其详细实现步骤.仿真实验证明提出的CPHD-TBD算法与现有概率假设密度检测前跟踪(PHD-TBD)算法相比, 能更详细地传递目标分布信息, 从本质上改变了PHD-TBD对目标数估计的方式, 能更准确稳定估计目标数, 实现了对目标的发现和状态准确估计, 性能明显更优.     

粒子流粒子滤波检测前跟踪方法

检测前跟踪通过在连续多帧观测中对目标信号进行非相参积累以检测和跟踪微弱目标。积累的关键在于对目标轨迹的准确估计和多帧迭代滤波。传统粒子滤波器过于依赖建议分布，对目标轨迹的估计不够准确。新提出的粒子流滤波器是一种很好的替代方法，但其过于依赖当前时刻的量测而弱化多帧迭代滤波。本文提出一种在粒子滤波框架下采用粒子流的检测前跟踪方法:采用粒子滤波器进行多帧迭代滤波，但在每一帧内，采用Localized Exact Daum-Huang粒子流进行滤波。为了应对目标量测的不确定性，本文改造了Localized Exact Daum-Huang滤波器，为每个粒子在其邻域内寻找最大似然量测，并利用该量测更新粒子状态。Rayleigh分布杂波下Swerling1型起伏目标的检测和跟踪实验证明了所提算法的性能。      

基于PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。     

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。     

基于辅助粒子滤波的机动弱目标 TBD算法

为了解决低信噪比条件下的机动目标检测跟踪问题,研究了辅助粒子滤波与多模粒子滤波（ MMPF）相结合的检测前跟踪（ APF-MMPF）算法。将多模粒子滤波过程中包含目标存在变量及运动模式变量的预测粒子直接用于产生辅助变量,进行辅助粒子滤波过程实现对机动目标的检测跟踪。通过APF-MMPF算法与单纯MMPF算法的仿真结果对比可见,APF-MMPF算法的检测概率高、跟踪误差小,检测跟踪性能优于MMPF算法。由算法机理和仿真结果可见,由于APF-MMPF算法中粒子采样利用了当前量测信息,可有效提高对机动目标的检测跟踪性能。     

一种基于粒子滤波的自适应运动目标跟踪方法

该文提出了一种基于粒子滤波的自适应运动目标跟踪方法。均值漂移算法是一种最优梯度下降法,通过迭代来搜索目标,从而实现对运动目标的跟踪。而粒子滤波是一种在非线性和非高斯情形下进行跟踪的强有力方法。该文首先对图像的直方图进行改进,提出了一种基于统计直方图分布的目标模型,然后通过这个模型将这两种方法有效地结合起来。根据跟踪的过程,自适应地调整参数,能够较好地处理图像序列中由于光线变化或遮挡所带来的影响。实验证明,该文所提出的方法与均值漂移方法相比,即使在复杂的情形下,也能够准确地对目标进行跟踪。     

目标数未知时基于粒子滤波的多目标TBD方法

针对现有粒子滤波微弱多目标检测前跟踪（TBD）算法要求目标数目或者目标最大数目已知,且无法对邻近微弱目标有效检测的不足,提出了一种基于粒子滤波和目标相继消除（PF-STC）的多目标TBD算法。该算法通过将多目标状态的联合搜索过程简化为多个独立的单目标检测过程,实现数目未知的多目标跟踪和检测。与现有粒子滤波多目标TBD算法相比,新算法克服了现有方法在较弱目标接近较强目标时出现的检测困难,并降低了算法复杂度,能对数目未知的微弱多目标进行有效检测。      

采用DBT的漂移扫描星图小目标检测方法

针对低信杂比漂移扫描星图中小目标检测易受恒星星像干扰的问题,提出一种基于单帧候选检测及多帧跟踪判决的实时处理方法。分析星图难以多帧匹配去恒星星像的原因,采用单帧处理的方式,通过构造星像端点掩膜滤除单帧检测中的虚假目标。将单帧得到的候选目标进行粒子滤波的粒子生成,运用目标运动信息构造似然函数分布图更新粒子权重,通过粒子滤波实现了漂移扫描星图中的小目标检测。实际低信杂比星图的实验结果和与相关方法的比较表明,所提方法有效提高了弱小目标的检测能力。     

红外弱小目标多组独立检测方法

针对红外序列图像中运动弱小点目标的检测问题,提出了一种多组独立检测方法。首先,利用神经网络优化的形态学算子进行背景抑制,基于自适应门限实现单帧目标检测。在多帧检测中,先将可能的航迹观测序列进行分组累加,然后进行似然比检验。由于多组独立检测考虑了信噪比过低或者强噪声干扰的影响,一定程度上加速了航迹的确认和删除,提高了多帧检测的性能。基于此提出了多组独立检测方法,并对算法性能进行了详细分析。实测数据结果证明:在相同虚警概率情况下,多组独立检测法的检测性能优于截断序贯处理算法的检测性能。     

密集杂波和未知数目条件下的多目标检测算法

针对低信杂比和目标数量未知条件下的多目标检测问题,提出了一种基于Hough变换及扩展网络的检测前跟踪算法。首先采用标准Hough 变换及最小距离法生成侯选航迹,然后以每条侯选航迹为单位构成扩展网络,对侯选航迹进行杂波滤除,并利用功率均值法对侯选航迹进行二次筛选。最后通过剔除野点得到准确的航迹数及航迹参数。实验表明该方法不但实时性强,而且较好地解决了以往检测前跟踪算法在未知目标数量的条件下要求目标数量上限先验已知的问题。      

Information Regularized Sensor Fusion: Application to Localization With Distributed Motion Sensors

We propose the information regularization principle for fusing information from sets of identical sensors observing a target phenomenon. The principle basically proposes an importance-weighting scheme for each sensor measurement based on the mutual information based pairwise statistical similarity matrix between sensors. The principle is applied to maximum likelihood estimation and particle filter based state estimation. A demonstration of the proposed regularization scheme in centralized data fusion of dense motion detector networks for target tracking is provided. Simulations confirm that the introduction of information regularization significantly improves localization accuracy of both maximum likelihood and particle filter approaches compared to their baseline implementations. Outlier detection and sensor failure detection capabilities, as well as possible extensions of the principle to decentralized sensor fusion with communication constraints are briefly discussed.     

采用粒子群优化粒子滤波的红外目标提取算法

提出了一种新的基于粒子群优化粒子滤波(PSOPF)的红外目标提取算法,将红外目标提取阈值的计算问题看作系统状态估计问题.在粒子滤波的框架下,建立了关于灰度—方差加权信息熵和像素点灰度值的阈值状态空间,建立了基于粒子群优化算法思想的系统状态转移模型,建立了基于红外目标提取效果评价函数的系统观测模型,它有效综合了红外图像中灰度、信息熵、梯度、像素点的空间位置等信息.最后,以粒子的加权平均估计目标提取的阈值.实验结果表明,该方法是有效且稳健的.