杂波环境中多机动目标自适应跟踪算法

针对多杂波多机动目标环境引起的跟踪误差和实时性问题,提出了一种结合IMMPDA和改进的IMMJPDA的自适应多机动目标跟踪算法,在跟踪过程中根据目标之间的距离来选择IMMPDA和改进的IMMJPDA算法中的一种跟踪方法,其中改进的IMMJPDA算法是根据每个模型产生的关联矩阵取并集产生关联矩阵。自适应多机动目标跟踪算法能在有效地提高跟踪实时性的同时,减小目标机动时位置误差的超调。通过蒙特卡罗仿真表明,算法是有效的。     

一种极坐标下基于高斯过程的扩展目标跟踪方法

对于使用雷达系统的扩展目标跟踪,通常将原始测量值从极坐标转换为笛卡尔坐标,然后馈入估计器.但其转换测量期望值在目标真实方位上存在偏差.另外,测量误差协方差的计算取决于实践中不可用的真实状态.针对这一不足,本文提出了一种在概率数据关联框架下基于高斯过程的扩展目标跟踪方法.该方法首先,直接在极坐标中对测量函数进行建模,并求解出测量噪声协方差;其次,建立扩展目标的联合跟踪门对测量进行筛选,并获得测量新息;最后,计算关联事件概率并估计扩展目标的状态.仿真结果表明了该方法的有效性.     

基于ET-GM-PHD的机动多扩展目标跟踪算法

针对原始扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）滤波算法不能解决机动目标跟踪问题,在高斯混合概率假设密度（Gaussian Mixture Probability Hypothesis Density,GM-PHD）滤波框架下,引入修正的输入估计算法（Modified Input Estimation,MIE）,可以有效地处理多扩展目标的机动问题。此外,提出的算法虽然可以实现对未知数目的多机动扩展目标进行跟踪,但无法获得各个目标的航迹。针对此问题,进一步引入高斯分量标记方法,有效地将多机动扩展目标的航迹进行准确关联,获取各个目标的航迹。实验结果表明,提出的算法在弱机动扩展目标跟踪中具有较好的跟踪性能,同时能够有效地估计多扩展目标的航迹。     

多机动目标跟踪的IMM-GMPHD滤波算法

针对现有多机动目标跟踪算法精度低、计算量大、约束条件苛刻等问题,本文将高斯混合概率假设密度(Gaussian Mixture PHD,GM-PHD)滤波器和交互式多模型(Interacting Multiple Model,IMM)相结合,提出交互式多模型GM-PHD(Interacting Multiple Mode...     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

一种新的杂波环境下多机动自适应跟踪算法

针对密集杂波环境下对多个高机动并有轨迹交叉的目标进行跟踪的问题,由于交互式多模型联合概率数据关联算法在目标密集和多模型情况下会出现计算组合爆炸的情况,提出了一种结合交互式多模型算法IMM和简化的联合概率数据关联算法Cheap JPDA的自适应跟踪算法.Cheap JPDA算法节省了JPDA算法中确认矩阵的拆分过程,降低关联概率计算难度及计算量.通过Monte Carlo仿真表明,算法能够很好的实现机动目标的跟踪性能,从而说明了算法的有效性.     

高斯过程回归模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下不规则形状的多扩展目标跟踪问题, 本文提出了一种基于高斯过程回归(GPR) 模型的多扩展目标多伯努利(GPR–ETCBMeMBer)滤波算法. 首先, 在利用有限集统计理论(FISST)将多扩展目标的 状态集与量测集分别建模为多伯努利随机有限集(MBer RFS) 和泊松随机有限集(Poisson RFS) 的基础上, 通过 GPR方法建立多扩展目标随机超曲面的跟踪滤波模型. 然后, 基于容积卡尔曼滤波器(CKF)详细推导并提出GPR多 扩展目标多伯努利滤波算法的高斯混合(GM)实现. 最后, 通过构造对星凸形多扩展目标和多群目标跟踪的仿真实 验验证了本文所提算法的有效性.     

强机动目标自适应变结构多模型跟踪算法

在强机动目标跟踪领域,采用传统基于固定模型集合的交互式多模型算法需要大量模型来描述目标机动,需要巨大的计算量,并且过多模型会带来不必要的模型竞争反而降低跟踪性能.为解决它所带来的问题,提出一种自适应变结构多模型算法,采用少量与目标运动模式相关的模型,在不同时刻根据目标当前机动水平自适应调整模型参数建立新的模型集合,并对其进行滤波估计.仿真结果显示该方法能更好的匹配目标运动规律,有效降低计算复杂度,提高跟踪精度.     

一种改进的广义标签多伯努利机动扩展目标跟踪算法

针对广义标签多伯努利滤波器(GLMB)预测步和更新步分别需要进行剪枝而导致计算量大、运行效率低且只考虑到单个运动模型的问题,提出一种多模型一步更新广义标签多伯努利机动扩展目标跟踪算法.首先通过公式推导将预测步与更新步合并,给出一种新的一步递归表达式;然后将多模型思想引入到一步递归表达式中,得到最终的多模型一步更新方程,同时基于吉布斯采样提出一种快速剪枝方法对其进行剪枝.由于改进后的滤波算法只涉及到一次剪枝且剪枝方法高效,算法的运行时间大大缩短;同时,由于采用了多模型思想,对机动目标的跟踪精度有了一定的提高.仿真实验表明,所提出的改进算法可以有效估计机动目标状态,且相比于多模型标签多伯努利滤波器(MMGLMB)计算效率明显提高.     

用于机动目标跟踪的多模型高斯混合概率假设密度滤波器

提出一种多模型高斯混合概率假设密度(PHD)滤波器的实现方法.该算法使用多模型方法对高斯混合PHD滤波器中存在目标对应的高斯分量进行预测及更新,使用融合估计后的估计值描述机动目标PHD分布的高斯分量.该算法具有PHD滤波器和多模型方法的优点,可以用来处理目标数未知时的机动目标跟踪问题.该算法与单模型高斯混合PHD滤波器相比,可提高滤波器对目标发生机动时的跟踪精度;与已有的多模型PHD滤波器相比,节省计算时间30％以上.     

基于星凸形随机超曲面模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题, 提出了一种基于星凸形随机超曲面模型(Star-convex RHM)的多扩展目标多伯努利滤波算法.首先, 在有限集统计(Finite set statistics, FISST)理论框架下, 采用多伯努利随机有限集(MBer-RFS)和泊松RFS (Possion-RFS)分别描述多扩展目标的状态和观测, 并给出扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器.其次, 利用RHM去描述任意星凸形扩展目标的量测源分布, 提出了容积卡尔曼高斯混合星凸形多扩展目标多伯努利滤波器.此外, 本文给出了一种多扩展目标不规则形状估计性能的评价指标.最后, 通过多扩展目标和具有形状突变的多群目标的跟踪仿真实验验证了本文方法的有效性.     

交互式箱粒子标签多伯努利机动目标跟踪算法

针对多机动目标追踪问题, 将交互式多模型(Interacting multiple model, IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter, Box-LMB)相结合, 提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态, 引入模型匹配概率变量, 并利用量测信息在预测阶段更新模型匹配概率, 进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次, 在更新阶段提出二次收缩算法, 通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率, 也更加接近真实目标位置, 从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明, 二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法, 能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下, 与匀速直线运动(Constant velocity, CV)模型下的Box-LMB算法相比, IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.     

基于EKF的机动目标跟踪算法的研究

假设一种机动目标运动:目标的速度大小不变,方向一直对准观测站.比较Singer模型和常速度(CV)模型,采用扩展卡尔曼滤波(EKF)算法对目标进行跟踪.仿真结果表明,在这种机动目标跟踪中,采用Singer模型比CV模型具有较快的收敛速度,而采用CV模型比Singer模型具有较高的跟踪精度.     

基于PF-Singer的机动目标跟踪算法

Singer模型是典型的全局统计模型,其严重缺陷在于所采用的零均值时间相关模型和标准卡尔曼滤波算法不能完成对机动目标状态的正确估计1只有当目标做匀速直线运动时,动态误差的稳态值才为零,否则不为零;采用PF—Singer算法对机动目标进行跟踪。能够有效解决传统Singer模型存在的问题,提高其跟踪精度;通过仿真试验证实了该算法的有效性。     

基于深度学习的多目标跟踪关联模型设计

近年来, 深度学习在计算机视觉领域的应用取得了突破性进展, 但基于深度学习的视频多目标跟踪(Multiple object tracking, MOT)研究却相对甚少, 而鲁棒的关联模型设计是基于检测的多目标跟踪方法的核心.本文提出一种基于深度神经网络和度量学习的关联模型:采用行人再识别(Person re-identification, Re-ID)领域中广泛使用的度量学习技术和卷积神经网络(Convolutional neural networks, CNNs)设计目标外观模型, 即利用三元组损失函数设计一个三通道卷积神经网络, 提取更具判别性的外观特征构建目标外观相似度; 再结合运动模型计算轨迹片间的关联概率.在关联策略上, 采用匈牙利算法, 首先以逐帧关联方式得到短小可靠的轨迹片集合, 再通过自适应时间滑动窗机制多级关联, 输出各目标最终轨迹.在2DMOT2015、MOT16公开数据集上的实验结果证明了所提方法的有效性, 与当前一些主流算法相比较, 本文方法取得了相当或者领先的跟踪效果.     

基于字典学习和拓展联合动态稀疏表示的SAR目标识别

提出了一种基于字典学习和拓展联合动态稀疏表示的合成孔径雷达(Synthetic aperture radar, SAR)图像的目标自动识别(Automatic target recognition, ATR)方法.首先, 在图像预处理时, 分割出目标区域和目标遮挡地面形成的阴影区域, 将这两个区域的信息结合起来能更好地表示图像.其次, 将字典学习方法LC-KSVD (Label consistent k-singular value decomposition)引入到训练阶段中, 分别学习目标区域和阴影区域的特征字典, 而不是直接将所有训练样本作为固定字典.最后, 在测试阶段提出了拓展联合动态稀疏表示算法, 使图像数据中的两个特征共享相似但不完全相同的稀疏模式, 还可处理图像噪声遮挡损坏问题.标准数据集上的实验结果表明, 该方法使不同类别更具区分性, 有效地提高了SAR图像的目标识别准确度.     

体育视频序列中基于IMM的运动目标跟踪算法

在视频处理领域的运动目标跟踪问题中,卡尔曼滤波器（KF）与扩展卡尔曼滤波器（EKF）已经得到了广泛的应用,但在复杂背景或是目标高机动运动的情况下跟踪效果并不理想。提出一种基于交互多模型算法（IMM）,并采用去偏转换测量卡尔曼滤波器（CMKF-D）对运动目标进行跟踪的算法。该算法有效地解决了单一模型无法与运动特性相匹配的问题,并克服了KF、EKF对非线性模型线性化所引入的误差。以足球视频为例进行仿真实验,结果表明该算法有效地提高了视频序列中运动目标跟踪的准确率。     

基于粒子滤波的机动目标跟踪算法仿真研究

针对非线性多目标模型,应用粒子滤波算法,这种方法不受模型线性和Gauss假设的约束,是一种处理非线性非高斯动态系统状态递推估计的有效算法。在粒子滤波的基础上融合扩展卡尔曼滤波算法和无迹卡尔曼滤波算法。融合后的新算法在计算提议概率密度分布时,粒子的产生充分考虑当前时刻的量测,使得粒子的分布更加接近状态的后验概率分布,再用平滑算法处理滤波的结果。仿真结果表明,算法有较好的跟踪效果。