多传感器广义概率数据关联算法研究

随着跟踪环境、跟踪对象的不断变化与发展,目标与量测已经很难用一一对应的关系去描述;广义数据关联算法（GPDA）提出目标与量测多多对应的可行性规则,其性能在目标与量测无论是否在一一对应的情况下,均优于传统的JPDA算法,并且计算量、存储量均远小于JPDA;考虑到GPDA的上述优点,将GPDA算法拓展到多传感器数据关联,提出了多传感器广义概率数据关联算法（MSGPDA）来处理多传感器数据关联问题;仿真表明,MSGPDA算法由于利用多传感器信息,性能得到明显提高。     

改进联合概率数据关联的视频多目标快速跟踪

针对监控范围较大、目标外观特征少的视频多目标数据关联及跟踪问题,本文仅利用目标运动特征,提出了一种基于联合概率数据关联（joint probabilistic data association,JPDA）的复杂情况下视频多目标快速跟踪方法．首先采用murty算法求JPDA的最优K个联合事件,大大降低了计算复杂度;然后根据JPDA的关联概率讨论目标的运动情况,分析在多目标新出现、遮挡、消失、分离（前景检测存在目标碎片）等复杂情况下当前帧量测与跟踪目标的数据关联问题,获取复杂运动的多目标跟踪轨迹．在多个监控视频上的实验结果表明,该方法能大大提高跟踪性能,实现复杂情况下的视频多目标快速跟踪．     

多传感器数据融合系统中联合概率数据互联算法的研究

概述了多传感器数据融合系统中的联合概率数据互联算法，给出了MSJPDA的两种处理结构，分析了其算法的复杂度。并在此基础上，结合B．zhou提出的直接概率计算和近似概率计算的方法，提出了一种基于近似聚的近似概率数据互联算法(MSJPDA)，通过仿真研究以及和最近邻法所做的比较表明，该方法确实能提高在密集情况下的数据融合精度，算法耗时与最近邻法相差不大，精确度接近完全概率互联算法。     

基于联合概率数据关联和粒子滤波的多目标跟踪算法

数据关联一直是多目标跟踪中的核心问题,是实现多目标有效跟踪的关键。介绍了多目标跟踪的基本原理以及联合概率数据关联的基本原理,并且将粒子滤波引入到联合概率数据关联模型中,提出了联合概率数据关联-粒子滤波算法来实现多目标跟踪。仿真结果表明,此算法可以很好的实现固定数目多目标跟踪。     

FCM与PDA相结合的多传感器多目标跟踪算法

传统的概率数据关联算法(PDA)是在密集杂波环境下的一种良好的多目标跟踪算法,但它是针对单传感器对多目标跟踪的情况下使用,不能直接用于多传感器对多目标的跟踪.针对多传感器多目标跟踪问题,提出一种改进的PDA算法,采用FCM算法预测航迹的聚类中心,然后采用PDA方法对航迹进行跟踪.仿真实验证明此方法能有效地进行多传感器多目标的跟踪.     

多传感器多目标检测中的数据关联

研究在漏检、无杂波情况下多传感器对数目未知的目标检测中数据关联问题,并将其表述为多传感器数据集之间数据的组合化分配问题,提出一种基于ＧＡ的关联算法。仿真实验表明,该算法具有较高的关联成功率,可大幅度提高多传感器的检测概率,并能对目标个数进行优化。     

支持无线传感器网络多目标跟踪的最邻近数据关联算法研究

多源数据关联问题是无线传感器网络中多传感器数据融合的关键技术之一。联合概率数据关联算法是一种跟踪多目标的数据关联算法,它不需要任何关于目标和杂波的先验信息,但与其他有关数据关联算法相比,计算机开销大。在构造有效矩阵的过程中基于最邻近方法的联合概率数据关联算法,结合最部近数据关联算法的思想,选取统计距离最小的3个有效量测构成有效矩阵,从而简化了有效矩阵,减少了原有算法的计算量。     

支持无线传感器网络多目标跟踪的聚类数据关联算法研究

多源数据关联问题是无线传感器网络中多传感器数据融合的关键技术之一。联合概率数据关联算法是一种 跟踪多目标的数据关联算法,它不需要任何关于目标和杂波的先验信息,但与其他有关数据关联算法相比,计算机开 销大。基于聚类算法的联合概率数据关联算法在联合概率数据关联算法的基础上,运用模式识别中的聚类思想对传 感器所接收到的量测数据进行聚类,减少有效量测的数目,从而简化了有效矩阵,减少了原有算法的计算量。     

一种改进的联合概率数据关联算法

对于多目标跟踪问题,数据关联是其核心部分,联合概率数据关联算法(JPDA)是多目标跟踪的典型方法。当目标较为密集,计算量剧增,会出现计算组合爆炸现象,而其本质就在于确认矩阵拆分成可行矩阵的计算量。为了降低JPDA的计算量,本文提出了一种改进的JPDA算法,在拆分确认矩阵时引入分支定界算法的思想,以确定每个目标的最后一个回波。当搜索到最后一个回波时停止搜索,执行下一个目标回波的搜索,直至结束。利用该改进算法对杂波环境下多目标跟踪进行仿真实验,结果表明,该算法使其时间代价减少。     

遗传算法在多传感器多目标静态数据关联中的应用

利用多传感器跟踪多目标技术中最重要的问题是目标关联问题。而常见的关联算法要么计算量大,要么实际运用中效果不理想。本文提出了利用遗传算法来解决无杂波和漏检情况下三种不同类型、不同位置的传感器对数目未知的目标进行检测时的静态数据关联问题。实验结果表明这种算法具有很高的关联成功率。     

An interacting multi-pattern probabilistic data association(IMP-PDA) algorithm for target tracking

A theoretical development of a novel approach for target tracking based on multiple patterns extracted from measurement sequences is presented in this paper. The introduction of patterns leads to a new paradigm for developing high performance algorithms. An interacting multi-pattern probabilistic data association (IMP-PDA) algorithm is developed, taking the advantage of clever formulation of the interacting multiple model approach. The IMP-PDA algorithm employs distance, directional and maneuver information for data association, which enhances significantly the capability of discriminating correct measurements from false measurements     

Lie群下利用改进JPDA滤波器的智能车立体视觉多目标跟踪方法

提出基于改进联合概率数据关联滤波器的智能车立体视觉多目标跟踪方法。利用立体视觉摄像头采集车辆及行人图像、视频;在Lie群下对传感器的不确定性进行建模,并采用欧几里德群算法对预处理的图像进行状态滤波;在可能存在车辆的区域内利用双目视觉去除误检,并获得车辆的位置信息;通过卡尔曼滤波器对测量的不确定度和预测目标运动的轨迹进行确认;运用改进的联合概率数据关联滤波器对车辆及行人的跟踪结果进行优化修正。实验结果表明,提出的方法可以有效解决智能车多目标跟踪问题,大幅度提升驾驶系统的自动化和智能化水平。相比其他较新的目标跟踪方法,提出的方法在跟踪精度和速度上具有明显的优势,且在跟踪车辆时不会产生明显的偏移、不会遗漏对行人的跟踪。     

Distributed interacted multisensor joint probabilistic data association algorithm based on D-S theory

With the development of science and technique, the surveillance systems used in the battlefield have been developed into multisensor systems. Therefore, the multisenor multitarget tracking algorithms, such as centralized multisensor joint probabilistic da…     

基于Meanshift聚类Bhattacharya观测似然度修正的联合概率数据关联改进算法

为降低多目标航迹聚集时联合概率数据关联（JPDA）联合关联事件的计算复杂度,提出一种基于Meanshift聚类〖CD*2〗Bhattacharya（Bhy）观测似然度修正的JPDA改进算法。利用Meanshift得到聚类中心,据聚类中心与目标预测量测马氏距离形成跟踪门;提出Bhy似然度矩阵,将Meanshift聚类中心与各量测Bhy距离所表征的观测似然度作为确认矩阵小概率事件划分依据,消除确认矩阵中小概率事件对联合关联事件计算复杂度的影响。实验结果表明：多目标航迹聚集时,该算法在减少计算复杂度同时保持了较高关联精度,跟踪性能明显优于经典JPDA。     

Joint probabilistic data association for multitarget tracking with possibly unresolved measurements and maneuvers

In a multitarget environment, when tracking crossing targets, a model is needed for the situation where the measurements from two targets are merged into one due to an inherent resolution threshold. A multidimensional model for the merged measurements is proposed and the resulting pdf is presented. This model is applied to augment the Joint Probabilistic Data Association (JPDA) algorithm used for tracking multiple targets in a cluttered environment, so that it can handle, in a more realistic manner, the situation of crossing targets. An extension to maneuvering targets is also presented.     

新的分布交互式多模型广义概率数据关联算法

为有效解决密集杂波环境下分布式多传感器多机动目标跟踪问题,提出了一种基于改进D-S证据组合规则的分布交互式多模型多传感器广义概率数据关联（DIMM-MSGPDA-IDS）算法。该算法首先对各局部节点均应用单传感器的IMM-GPDA算法跟踪多机动目标,并将其各模型的状态估计、协方差估计、模型概率、组合新息及其协方差矩阵等滤波结果送至融合中心;在航迹关联判决结束后,融合中心根据各模型对应似然函数的大小融合不同传感器关于同一目标的模型状态估计及其协方差矩阵,并提出利用三维（3-D）证据进行直接融合的改进D-S算法对来源于同一目标的不同传感器的各模型概率进行有效融合,然后依此概率来更新各目标的状态估计并反馈至各局部节点,使之获得更为精确的状态预测;最后,将该算法与基于D-S证据组合规则的分布交互式多模型多传感器联合概率数据关联（DIMM-MSJPDA-DS）算法进行仿真对比分析。理论分析和仿真结果表明,该算法能够很好地对强机动目标进行跟踪,且其计算量相对较小,是一种有效的分布交互式多模型多传感器多机动目标跟踪算法。     

Integrated probabilistic data association

This paper presents an integrated probabilistic data association algorithm which provides recursive formulas for both data association and track quality (probability of track existence), allowing track initiation and track termination to be fully integrated into the association and smoothing algorithm. Integrated probabilistic data association is of similar computational complexity to probabilistic data association and as demonstrated by simulation, achieves comparable performance to the more computationally expensive interactive multiple model probabilistic data association algorithm which also integrates initiation and tracking