在杂波和漏检的环境下针对扩展目标估计的性能评价问题, 提出求扩展目标跟踪估计的后验克拉美罗界(PCRLB) 的方法. 该方法假设单个扩展目标的量测个数服从泊松分布, 杂波的个数也服从泊松分布, 给出在有漏检和杂波环境下求PCRLB 的方法—–信息约减因子法(IRF). 算例展示了不同的检测概率和杂波密度对PCRLB 的影响. 仿真结果表明, 所提出方法能有效反映扩展目标跟踪所能达到的最优性能, 检测概率越高, PCRLB 越小; 杂波密度越大, PCRLB 越大.
相似文献在随机有限集框架下提出了当杂波和漏检存在时基于最优子模式分配距离的多目标联合检测与估计(JDE) 误差界. 此处的JDE 是指同时估计目标个数和存活目标状态. 算例1 展示了该误差界随传感器检测概率和杂波密度的变化趋势; 算例2 利用多假设跟踪, 概率假设密度(PHD) 和势PHD 滤波器对该误差界的有效性进行了验证.
相似文献在高斯混合多扩展目标PHD 滤波的基础上, 结合最新兴起的箱粒子滤波, 提出一种基于区间分析的多扩展目标PHD 滤波算法. 采用大小可控的非零矩形区域来代替传统的多个点量测, 这样可降低权值计算中对量测分布的要求. 仿真对比实验表明, 采用区间分析方法在保证近似于传统滤波精度的同时可降低计算复杂度, 在目标数目估计及抗杂波干扰方面也具有较为突出的优势, 并且可解决在目标靠近时由于不能正确给出子划分而造成的漏检问题.
相似文献针对具有随机间歇性观测的无线传感器网络, 基于多模型估计方法和一致性信息滤波器, 提出一种对观测节点故障容错的自适应分布式目标跟踪方法. 将传感器节点随机间歇性观测丢失和到达过程建模为马尔科夫切换系统, 在容积信息滤波器框架下, 估计传感器节点的观测丢失和到达的后验概率. 通过观测状态概率组合计算每个局部传感器节点的信息贡献, 基于自适应多模型估计方法, 实现对间歇性观测的容错性. 仿真结果表明了所提出算法的有效性和对间歇性观测的自适应容错性.
相似文献针对量测噪声较小的环境下传统滤波算法容易出现偏差增大的实际问题, 基于高斯近似原理, 提出一种基于高斯似然近似的球面径向积分滤波(SRGLAF) 算法. 为进一步解决量测未知环境下的状态估计问题, 充分结合CKF 等确定性采样型滤波算法和SRGLAF 的优势, 设计一种基于高斯似然近似的自适应球面径向积分滤波(ASRGLAF) 算法. 仿真结果表明: SRGLAF 能够提高量测噪声较小环境下的估计精度, 而在量测噪声未知环境中, ASRGLAF 能够有效地进行状态估计, 具有明显的滤波优势.
相似文献由于组合导航系统具有强非线性和模型不确定性的特点, 工程中扩展卡尔曼滤波无法满足组合导航系统实际应用的要求. 为此, 针对贝叶斯框架下高斯类非线性滤波算法的估计性能给出具体分析. 首先, 在估计点处对非线性函数进行泰勒展开获得泰勒近似, 通过一阶矩和二阶矩分析滤波算法的近似精度; 然后, 通过数值稳定性对非线性滤波算法进行分析; 最后, 分别采用低维和高维模型对各滤波算法进行对比分析, 为组合导航系统的实践提供借鉴.
相似文献针对一个扫描周期内单个目标可能产生多个量测的问题, 提出一种基于标签随机有限集的扩展算法. 结合脉冲扩展标签多伯努利(-GLMB) 滤波器和多量测模型, 推导出新的更新方程; 采用假设分解策略对关联过程进行降维, 避免了量测分组过程. 实验分析表明: 所提出算法能对目标数进行无偏估计, 在低探测概率条件下跟踪性能明显优于多量测概率假设密度(MD-PHD) 算法; 计算开销在量测较少时高于MD-PHD, 量测个数增加时增幅低于MD-PHD.
相似文献针对移动传感器网络中的目标跟踪问题, 以及现有控制策略在保持网络拓扑结构连通性和降低能量消耗方面存在的不足, 提出一种基于蜂拥控制的移动传感器网络目标跟踪算法. 首先, 利用网络中部分节点检测目标, 并使用卡尔曼一致性滤波算法估计目标的状态, 在获得比较精确的估计状态的同时降低能量消耗; 然后, 在蜂拥控制下传感器网络始终保持拓扑结构连通性和目标对网络可见, 同时避免节点之间发生碰撞. 仿真结果验证了所提出算法的有效性.
相似文献提出一种基于量测驱动的自适应目标新生强度PHD/CPHD 滤波算法. 该算法认为新生目标是不可检测的, 有效地克服了归一化失衡问题; 同时, 基于量测驱动自适应设计目标新生强度, 利用PHD/CPHD 滤波分别递归估计存活目标和新生目标的状态及其数目. 最后, 在序列蒙特卡罗框架下实现了该PHD/CPHD 滤波算法. 算例结果表明, 改进算法可以有效地实时跟踪多个机动目标的状态和数目, 应用前景较好.
相似文献针对传统多目标概率假设密度滤波(PHD) 器在噪声先验统计未知或不准确时滤波精度下降甚至丢失目标的问题, 设计一种自适应多模型粒子PHD(MMPHD) 滤波算法. 该算法利用多模型近似思想, 推导出一种多模型概率假设密度估计器, 不仅能估计多目标状态, 而且能实时估计未知且时变的噪声参数, 并采用蒙特卡罗方法给出了MMPHD闭集解. 仿真实例表明, 所提出的算法具有应对噪声变化的自适应能力, 可有效提高目标跟踪精度.
相似文献在自适应带宽均值移动算法的基础上, 引入粒子滤波, 提出一种新的目标跟踪方法. 该方法通过更新带宽矩阵以适应目标尺度的变化; 采用加权和方法融合定位检测结果, 使跟踪不易陷入局部最优状态; 对粒子进行收敛采样, 维持粒子多样性, 减小累积误差; 提出一种目标扩展搜索策略, 用于目标丢失后重新搜索跟踪目标. 实验结果表明, 所提出的跟踪方法在复杂场景中表现出了较好的鲁棒性, 且跟踪轨迹平滑.
相似文献基于稀疏表达的跟踪方法通常采用基于固定阈值的模板更新策略, 很难适应不断变化的目标外形; 其次, 稀疏表达缺乏描述目标流行结构的能力, 区分背景和目标的能力差. 针对基于固定阈值的模板更新策略的不足, 提出一种多级分层的目标模板字典. 为了改善对背景和目标的区分能力, 提出一种融合多级稀疏表达和度量学习的目标跟踪方法. 实验结果表明了所提出的方法能有效提高跟踪的鲁棒性和精度.
相似文献