观测最优分配的GM-PHD多目标跟踪算法

概率假设密度滤波器将目标的状态空间及观测空间描述为随机有限集合的形式,有效避免了多目标跟踪中复杂的数据关联问题。但对于不同类型的目标使用同样的全部观测数据集进行目标状态更新,未对观测数据进行合理分配,导致估计性能下降。该文提出一种观测最优分配的高斯混合概率假设密度多目标跟踪算法(MOA-GM-PHD),将目标分为已有目标和新生目标两类,推导极大似然门限来获得两类目标对应的最优观测数据,再分别进行目标状态更新。实验结果表明,该文方法目标跟踪效果优于传统GM-PHD滤波器。      

一种有轨迹标识的利用测量生成新目标密度的GM-PHD滤波器

在存在杂波、漏检、目标数目未知和变化的情况下,PHD滤波器是一种多目标跟踪新方法,GM-PHD滤波器是PHD滤波器的一种近似实现。然而,GM-PHD滤波器没有提供单个目标状态估计的身份,而构建目标运动轨迹需要目标状态估计的身份,同时,现有的GM-PHD滤波器在新目标密度生成时对新目标出现位置进行了限制,难以对观测空间任意位置随机出现的目标进行跟踪。为解决非线性观测系统GM-PHD滤波器中目标状态估计的身份标识和新目标密度生成问题,设计了一种新的GM-PHD滤波器。该滤波器利用传感器的观测数据生成新目标密度,通过给滤波器输出的高斯项增加专有身份标识并使用身份标识将源于同一目标不同时刻的目标状态估计关联起来。仿真实验验证了滤波算法的有效性。      

一种改进剪枝合并的GM-PHD方法

针对剪枝合并过程中,考虑参数不周而导致跟踪精度下降的问题,对GM-PHD滤波器的剪枝合并方法进行了优化。在传统剪枝合并的基础上,引入协方差阵P(j)k,并对合并距离d做出优化。在杂波环境下,改进算法有效地提高了目标跟踪精度。仿真实验表明,改进剪枝合并的GM-PHD方法跟踪精度更高,同时对目标数目的估计更加准确。     

基于随机集的RBPF多目标关联跟踪算法

针对大量杂波环境下数量变化的纯角度多目标航迹关联跟踪问题,提出一种新的基于Rao-Blackwellized粒子采样(RBPF)航迹关联的高斯混合概率假设密度(GMPHD)滤波算法.算法首先利用GMPHD在每时刻对多个目标组成的随机集合进行估计;然后利用基于随机有限集的RBPF对GMPHD所得到的目标集合进行检测和关联...     

GM-PHD雷达密集多目标跟踪应用研究

针对雷达密集多目标跟踪数据关联的难题,深入研究了可以避免数据关联的多目标跟踪方法-高斯混合概率假设密度算法(GM-PHD)。首先,将多目标的运动和多目标量测建模为随机有限集的形式,并给出了相应的最优多目标贝叶斯滤波器;然后,在线性高斯假设条件下,详细给出了GM-PHD均值、方差和权值的递归形式,降低了计算复杂度,满足跟踪实时性要求;最后,开展了仿真实验和实测数据实验,实验结果显示GM-PHD在不需要数据关联的情况下,能够有效抑制大量杂波,稳定地跟踪密集多目标。     

基于GM-PHD的多目标跟踪算法仿真及影响因素

基于有限集统计学理论的多目标跟踪技术具备严格的贝叶斯理论解释基础,可以同时完成目标数目及状态的估计,并避免了复杂的数据关联过程。基于高斯混合概率假设密度滤波器(GM-PHD)实现了对数目时变目标的跟踪,准确估计出了每一时刻目标的数目。在此基础上进一步分析了目标生存概率ps、目标检测概率pd以及杂波密度λc等因素对跟踪效果的影响,为GM-PHD滤波器在多目标跟踪的实际应用中各参数的取值提供了有益的参考。     

一种非线性GM-PHD滤波新方法

为了解决目标数未知情况下的多目标跟踪问题,提出了一种非线性条件下的高斯混合概率假设密度滤波新方法.该方法利用三阶球面容积-径向采样规则计算目标状态的概率分布特性,解决了状态方程和观测方程的非线性计算问题,利用模糊门限对滤波器的剪枝方法进行了优化,避免了高斯项数目的指数增长,利用观测数据生成新目标密度,使滤波器具备了对观测空间任意位置随机出现新目标的跟踪能力.通过仿真实验比较了四种非线性高斯混合概率假设密度滤波方法的性能,实验结果验证了提出算法的有效性.     

一种具有信息保持能力的GM-PHD滤波器

概率假设密度(PHD)滤波器是解决虚警、漏检和目标数未知情况下多目标跟踪问题的新方法.然而在该滤波器中已存在的目标一旦在某个时刻不能被传感器检测到,漏检目标的大量信息会被滤波器丢弃.为解决漏检目标的信息丢失问题,对PHD滤波器的预测和更新方程进行了修正,提出了一种具有信息保持能力的PHD滤波器.在此基础上提出了适用于线性高斯模型的修正PHD滤波器高斯混合(GM)实现算法.仿真实验结果表明,与现有的PHD滤波器相比,在存在漏检的情况下所提出的GM-PHD滤波器能够提供更好的多目标跟踪能力.     

一种多传感器自适应量测迭代更新GM-PHD跟踪算法

针对多传感器观测数据质量不同且未知时,多传感器量测迭代更新高斯混合概率假设密度(GM-PHD)滤波器跟踪算法的结果对更新顺序敏感的问题,该文提出一种多传感器自适应量测迭代更新GM-PHD跟踪算法AIU-GM-PHD。首先基于多传感器融合一致性度量,提出一种用于在线评估各传感器跟踪结果质量的方法;然后对多传感器迭代融合顺序进行优化,最后构建相应的多传感器GM-PHD融合跟踪算法。为了解决多传感器自适应顺序迭代融合无法体现传感器质量差距的问题,提出了一种自适应带权伪量测迭代更新GM-PHD跟踪算法PAIU-GM-PHD。仿真结果表明,与常规多传感器迭代更新GM-PHD跟踪算法相比,所提算法能够获得鲁棒性更好、精度更高的跟踪结果。     

一种强杂波密度环境下的多目标跟踪算法北大核心CSCD

针对传统基于随机集的多目标跟踪方法高斯混合概率假设密度滤波器在强杂波环境下,会出现目标数目过估计及目标状态估计误差急剧增大的问题,提出了一种适用于强杂波密度环境下的多目标跟踪算法。该算法在概率假设密度平滑器基础上,在预测步通过量测与预测值之间的残差值确定椭圆门限值,从而获得与目标真实状态相近的量测值,降低了滤波器的时间复杂度;同时,在使用有效量测对高斯项进行更新的过程中,利用各高斯项的椭球门体积自适应调整更新公式中杂波强度参数,提高了多目标跟踪精度。仿真结果表明:该方法在强杂波密度环境下可有效降低计算时间并提高多目标跟踪精度。     

红外数据辅助的GM鄄PHD 滤波工程优化算法

利用红外传感器优异的方位精度特点,解决随机有限集的高斯混合-概率假设密度(GM-PHD)算法在工程应用中存在的问题,提出一种在两方面对目标跟踪进行优化的方法。首先,红外传感器确定新生的目标起始信息,形成新生目标随机集初始值;其次,红外数据在目标跟踪过程中实时修正高斯权值,确保算法运行的稳定性;最后,经仿真验证文中算法目标跟踪效果得到大幅度提升。     

改进的Camshift与Kalman融合的目标跟踪算法

Camshift算法主要利用物体的颜色信息进行跟踪,在复杂背景条件下容易造成目标的跟丢,且在目标被遮挡时,也容易造成跟踪失效。本文提出了一种改进的Camshift目标跟踪算法。首先将目标图像的HSV模型的三个分量进行加权建立一种新的目标颜色模型,然后由对整帧图像计算反向投影改为比搜索窗口稍大的区域计算反向投影,减少了相似背景的干扰。同时为了解决遮挡问题,结合了Kalman滤波器,有效地预测了目标的位置。实验表明,本算法能够避免背景颜色干扰和解决遮挡问题,实现了对运动目标准确跟踪。     

基于卡尔曼粒子滤波的目标跟踪算法

目标跟踪在计算机视觉领域有着重要的应用。文中在对运动目标跟踪算法进行研究之后,应用卡尔曼粒子滤波算法进行运动目标的跟踪,同时利用Matlab 对卡尔曼滤波算法、粒子滤波算法及卡尔曼粒子滤波算法进行了实验仿真。实验结果表明,运用卡尔曼粒子滤波算法能够更快、更准确地对运动目标进行跟踪,可将其广泛应用于目标跟踪中。     

基于EPF-IMM算法的高机动目标跟踪研究

融合粒子滤波与交互多模算法的优势,提出了一种基于进化粒子滤波的交互多模算法(EPF-IMM)。该算法将遗传进化思想引入到传统的粒子滤波,在粒子迭代中采用遗传算法中的编码、交叉、变异等算子实现粒子的自适应进化且隐含重采样,从而改进其粒子退化现象。然后利用粒子滤波信息,在交互多模型中进行更新运算。既解决了IMM算法对非线性、非高斯环境的适应性问题,又解决了PF的无关联对应模型问题。与标准IMM算法进行高机动目标跟踪性能比较,试验仿真结果表明,EPF-IMM算法的跟踪精度高。     

人体快转向运动自适应卡尔曼跟踪算法

穿墙雷达对人体目标进行跟踪探测面临一系列技术难点,包括墙体反射产生的虚警、射频干扰、定位误差和目标丢失等。针对上述问题,文中基于多目标数据关联和自适应的卡尔曼滤波算法,提出一种适用于穿墙雷达探测的快转向运 动人体轨迹跟踪综合处理算法,重点解决快转向运动人体目标的跟踪及多运动人体目标的轨迹交叉等问题。实验结果验证了该算法具有虚警较少、轨迹平滑、计算量小、易于工程实现、定位误差可减小50% 等优点。对于反向运动的人体目标, 算法也可进行有效跟踪。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

基于随机积分的非线性滤波跟踪算法

针对雷达系统的非线性目标跟踪存在精度低、滤波易发散等问题,提出一种新的非线性滤波算法——随机球面径向积分滤波算法(SSIF)。该滤波算法基于随机积分准则,利用随机球面积分准则和随机径向积分准则来近似函数积分。所提的滤波算法和传统的非线性滤波算法,例如扩展卡尔曼滤波、不敏卡尔曼滤波和容积卡尔曼滤波等相比在计算复杂度相当的情况下,不仅可以消除系统误差具有更高的跟踪精度,而且可以防止滤波发散提高滤波稳定度。通过蒙特卡洛仿真实验表明,所提出的非线性滤波算法整体性能明显优于传统的滤波算法。     

基于改进扩展卡尔曼滤波算法的空中目标跟踪

采用扩展卡尔曼滤波方法建立了雷达跟踪模型,对空中目标航迹进行滤波,为了减少雷达量测噪声的不稳定变化对系统跟踪性能的影响,对扩展卡尔曼滤波算法进行了改进,利用新息方差的计算来调整卡尔曼滤波器的增益。仿真结果表明,采用改进扩展卡尔曼滤波算法后,在雷达量测噪声发生大幅变化的情况下,经过滤波后的位置和速度误差仍然趋于稳定。表明该方法具有很好的滤波性能及跟踪精度,并可以提高空中目标航迹预测的精确性。     

基于粒子滤波的TLD目标跟踪算法

在复杂背景下运动目标速度快速变化、目标丢失、或大面积遮挡时,TLD算法跟踪的稳定性明显下降,跟踪效果差。针对这一问题,在TLD算法的跟踪模块中引入粒子滤波,使其在长期稳定跟踪的基础上,更好地完成复杂背景下快速运动目标的跟踪。实验以OpenCV和VS2010为测试环境,结果表明,改进后的TLD算法较原始TLD算法能够更好地跟踪快速运动的目标,增强了跟踪的稳定性和鲁棒性。