弱目标箱粒子标签多伯努利多目标检测与跟踪算法

针对红外弱目标追踪问题,提出箱粒子标签多伯努利多目标检测与追踪(Box particle Labeled Multi-Bernoulli Detection and Tracking, BOX-LMB-DT)算法,该算法首先通过使用均值滤波对获得的灰度图像进行降噪处理;其次,通过将所有像素处依强度大小进行排序,选出强度较大的区域作为当前时刻的区间量测;最后利用箱粒子标签多伯努利滤波(Box-Labeled Multi-Bernoulli Filter, Box-LMB)器对目标进行跟踪。仿真结果表明,本文所提箱粒子标签多伯努利多目标检测与追踪算法能够对多目标的航迹和状态进行稳定有效的跟踪,且在相同条件下,相较于区间量测下的LMB粒子滤波,达到相同的追踪性能时BOX-LMB滤波运算效率提升了22.59%。     

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。     

基于标签多伯努利滤波器的机动小目标检测前跟踪

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间,能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模,将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上,为了实现对运动模型时变目标的检测前跟踪,将交互式多模型(IMM)与LMB检测前跟踪算法相结合,提出IMM-LMB检测前跟踪算法.此外,给出了该算法的序贯蒙特卡罗实现.仿真结果表明,所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪,且能够在线更新多模型概率,更好的适应多机动目标场景.     

多传感器数据关联与状态跟踪算法分析

本文针对给定区域内目标运动状态跟踪检测环节,多传感器跟踪系统获取测量数据与实际状态间存在较大偏差的问题,拟提出一种建立多目标数据关联、支持多传感器航迹融合的目标运动状态跟踪算法。将全局最近邻算法与改进后的全局最近邻算法进行组合,构建给定空间内不同目标间相对距离测量算法,建立目标测量结果与预测值间的相似度矩阵,保证数据关联结果的准确度;基于粒子滤波算法在利用单传感器检测目标时因干扰因素出现的偏差,引入FOA算法实现对融合系数的优化,获得目标状态的精准估计结果;在此基础上,利用粒子滤波优化算法建立分布式结构下多种电化学传感器的航迹融合算法,经均质化处理实现多个传感器航迹的融合与加权处理,最终仿真实验结果显示该算法可有效提升对融合航迹下目标的跟踪精度,为多传感器跟踪系统的开发设计提供重要参考。     

图像目标检测前跟踪的广义多伯努利滤波算法

针对目标影响区域重叠时的图像目标检测前跟踪问题,推导了基于多伯努利滤波器的多目标联合检测与跟踪算法.在分析多个目标叠加条件下观测似然函数的基础上,利用预测得到的目标状态对观测似然函数进行估计,从而消除目标叠加对观测更新带来的影响.该方法在目标预测与跟踪阶段皆保持了目标状态的多伯努利分布特性,是较为严格意义上的多伯努利多目标滤波器,可应用于一般图像观测条件下(目标重叠或非重叠)的目标检测前跟踪.给出了该算法的实现步骤,并通过加标签的方法,更准确地实现目标轨迹提取和虚假目标剔除,最后通过计算机仿真实验验证了所提算法的有效性.     

雷达微弱目标检测前跟踪算法综述

军事隐身目标的出现,给雷达带来了严峻的挑战.检测前跟踪算法是雷达微弱目标检测和航迹处理的一种有效方法.文中对雷达微弱目标检测前跟踪算法进行了综述,首先介绍了三维匹配滤波、Hough变换、动态规划和粒子滤波4类最常用的检测前跟踪实现算法的基本原理,然后述评了4类检测前跟踪算法的研究进展情况,最后在分析现有检测前跟踪算法问题的基础上,展望了雷达微弱目标检测前跟踪算法的发展趋势.     

组网雷达多帧检测前跟踪算法研究

组网雷达系统(NRS)由于其稳健的性能优势,在近年来受到了广泛关注。目前,组网雷达系统在进行目标探测时常采用先检测后跟踪(DBT)算法,即在每个时刻先对接收到的回波数据进行单帧门限检测,得到疑似目标的点迹集合,然后上传这些点迹或由这些点迹跟踪得到的航迹估计到融合中心做进一步处理,最终得到全局估计结果。然而,当信噪比(SNR)比较低时,目标往往很难通过单帧门限检测,最终导致目标漏检、航迹起批难,无法有效发挥组网雷达系统优势。针对这一问题,该文提出了一种组网雷达多帧检测前跟踪(MF-TBD)算法。该方法首先在本地节点进行多帧检测前跟踪,然后传递检测得到的点迹序列到融合中心进行融合。该方法一方面利用了组网雷达系统平台优势;另一方面不同于常规先检测后跟踪技术,多帧检测前跟踪能够利用目标空时相关性积累目标能量,改善弱小目标检测性能;因此其可以有效提高系统对目标的检测性能。但是,多帧检测前跟踪输出结果和先检测后跟踪算法不同,导致现有融合方法不适用。针对这一问题,该文首先理论推导了点迹序列的融合方法,然后结合实际雷达模型给出了算法实现流程,最后提出了算法的粒子滤波实现方式并通过仿真实验验证了算法的性能。仿真结果证明该文提出的方法相比于先检测后跟踪算法,有4～6 dB的检测性能增益;相比于常规单传感器多帧检测前跟踪算法,航迹跟踪精度有50%左右的提升。      

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。     

防空雷达网对多隐身目标的协同检测与跟踪

针对防空雷达网对多隐身目标检测与跟踪时雷达分配问题,该文将二值粒子群优化(BPSO)用于雷达分配,结合粒子滤波,提出了一种隐身目标的协同检测与跟踪算法。该算法将雷达分配问题转化成组合优化问题,根据目标的隐身特性设计雷达分配方案(RAS),借助随机分布的检测粒子计算不同RAS对新生目标的检测概率,同时根据RAS对已跟踪目标位置的后验克拉美罗界衡量跟踪精度,采用BPSO算法在RAS中进行全局搜索,选择最优分配方案进行粒子滤波与融合跟踪。与现有算法相比,该算法不仅能够及时检测新生目标,而且能够利用组网优势持续且优化跟踪隐身目标,使网络的整体跟踪精度得到显著提高,实现多目标协同跟踪。     

基于动态规划的多目标检测前跟踪算法

本文针对低信杂比条件下的多目标检测与跟踪问题,提出了一种基于动态规划的多目标检测前跟踪算法.该算法能够比较准确地估计搜索空间中潜在的目标数量,并且最佳地分离出每个目标的航迹,从而较好地解决了以往检测前跟踪算法在目标数量未知的条件下容易出现漏警和虚警较多的问题.     

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。      

基于核密度多伯努利视频多目标跟踪算法

针对复杂环境下数目变化、目标紧邻及尺寸变化的 视频多目标跟踪问题,在多伯努利滤波框架 下,提出一种自适应的变数目视频多目标跟踪算法。算法通过引入核密度背景减除技术,可 以有效抑制 背景干扰;然后融入连续自适应均值漂移(CAMShift)技术,并提出目标紧邻和尺寸变化处理 机制,可 以有效提高算法的自适应性;最后引入粒子标记技术,可以有效实现对视频多目标的轨迹跟 踪。对彩色视频和红外视频序列图像的测试结果表明,本文提出算法可以有效实现对复杂环 境下数目变化的视频多目标自适应跟踪,且具有较好的鲁棒性。     

粒子初始化对TBD算法性能的影响探究

基于粒子滤波的检测前跟踪(TBD)算法是检测微弱目标的有效手段,但现有粒子滤波方法在进行微弱目标检测时,通常是在已知粒子初始参数范围的条件下进行研究的,没有考虑粒子初始参数对算法性能的影响。在对粒子状态预测过程中涉及的参数进行理论分析的基础上,发现粒子初始速度范围和初始状态范围两种参数对算法性能有较大影响。通过大量实验证明粒子初始参数的优化对算法的检测能力、跟踪精度和时间复杂度3方面性能都有所改善,为研究利用基于粒子滤波的TBD微弱目标检测提供新的思路。     

基于多模粒子滤波的机动弱目标检测前跟踪

检测前跟踪技术是低信噪比环境下目标检测与跟踪的有效方法。该文针对目标作复杂运动的情况,提出了机动弱目标检测前跟踪的多模粒子滤波算法。该算法在目标状态矢量中增加了表示目标存在与否以及目标运动模型的变量,采用粒子滤波实现了包含两个离散变量的混合滤波过程。仿真试验表明,该算法在经典跟踪方法难以发挥作用的低信噪比条件下,能够有效实现机动目标的检测与跟踪。     

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.     

Amplitude information based robust tracking method for multiple marine targets

A robust multi-Bernoulli filter based on the amplitude information of the target in sea clutter was proposed,in which the amplitude information of the target and sea clutter was exploited to improve the measurement likelihood.Therefore,the proposed approach could distinguish targets from clutter better when they were spatially close,which further enhanced the ability to track targets in marine radar detection applications.The simulation results of Swerling type Ⅰfluctuating targets tracking in K distributed sea clutter show that,the proposed algorithm is superior in performance to the robust multi-Bernoulli filter in terms of state estimation,cardinality estimation,as well as clutter rate estimation.     

PHD filter based track-before-detect for MIMO radars

In this paper a Probability Hypothesis Density (PHD) filter based track-before-detect (TBD) algorithm is proposed for Multiple-Input-Multiple-Output (MIMO) radars. The PHD filter, which propagates only the first-order statistical moment of the full target posterior, is a computationally efficient solution to multitarget tracking problems with varying number of targets. The proposed algorithm avoids any assumption on the maximum number of targets as a result of estimating the number of targets together with target states. With widely separated transmitter and receiver pairs, the algorithm utilizes the Radar Cross Section (RCS) diversity as a result of target illumination from ideally uncorrelated aspects. Furthermore, a multiple sensor TBD is proposed in order to process the received signals from different transmitter-receiver pairs in the MIMO radar system. In this model, the target observability to the sensor as a result of target RCS diversity is taken in to consideration in the likelihood calculation. In order to quantify the performance of the proposed algorithm, the Posterior Cramer-Rao Lower Bound (PCRLB) for widely separated MIMO radars is also derived. Simulation results show that the new algorithm meets the PCRLB and provides better results compared with standard Maximum Likelihood (ML) based localizations.     

Improved SMC cardinality-balanced multi-Bernoulli forwardbackward smoothing track-before-detect algorithm

For the tracking problem of multiple maneuvering targets in radar observation,the sequential Monte-Carlo cardinality-balanced multi-Bernoulli track-before-detect (SMC-CBMeMBer-TBD) algorithm is inaccurate in the estimation of the number of targets and the precision of state estimation.An improved algorithm based on SMC-CBMeMBer forward backward smoothing track-before-detect algorithm was proposed.In the algorithm,the multi target particle swarm optimization (MOPSO) was added between the process of prediction and update,and the fitness function was set up based on the observation value to make the particle set move to the position of the larger posterior probability density distribution,and solve the particle poverty in the heavy sampling process.In the update step,the algorithm was used.Then the smoothing recursive method was added,and the arithmetic operation time was prolonged,but the number and the state estimation precision were improved.The simulation results show that compared with the CBMeMBer-TBD method,the proposed algorithm improves the accuracy of the estimation of the number of maneuvering targets and the accuracy of the target state estimation.     

改进的概率假设密度滤波多目标检测前跟踪算法

基于概率假设密度滤波(Probability Hypothesis Density,PHD)的检测前跟踪(Track before detect,TBD)技术可以有效解决未知目标数的弱小点目标检测前跟踪问题.文章针对现有PHD-TBD算法存在目标数估计不准、目标发现延时较久的问题进行研究.从标准PHD滤波出发,更为合理地推导出PHD-TBD算法的粒子权重更新计算表达式,实现对目标数的准确估计;同时利用贝叶斯滤波理论,推导出基于量测的新生粒子概率密度采样函数,完成对目标的快速发现.仿真实验表明,与现有的PHD-TBD相比,改进算法能够适应目标扩散情况,准确估计目标数目,并实现对目标的快速发现和位置准确估计.     

两种TBD算法在HPRF-PD雷达应用中的比较

在低信噪比环境中检测和跟踪运动目标是目标跟踪的重要内容,TBD是弱小目标检测与跟踪的有效方法,不同的TBD方法在检测跟踪性能及运算量上有不同的特点.针对HPRF-PD雷达的应用,建立了目标的动态模型和观测模型,给出了动态规划和粒子滤波TBD算法的原理及实现流程,并对各步骤的实现进行了详细说明,通过仿真实验比较了两种算法的检测、跟踪性能和运算量.仿真结果表明,动态规划TBD运算量较小,更易于实现,而粒子滤波TBD具有更好的跟踪性能,且在低信噪比下有较高的检测能力.