一种幅度信息辅助多伯努利滤波算法

在许多多目标跟踪场景中,目标返回的幅度通常强于虚警杂波返回的幅度。通过建立更加准确的包含幅度信息的目标和虚警杂波似然函数,可提高多目标估计精度。该文提出一种基于随机有限集的幅度信息辅助多伯努利滤波(Amplitude Information Assistant Multi-Bernoulli Filter, AIA-MBerF)算法。该算法通过建立幅度似然函数将幅度信息引入到多伯努利滤波的更新过程中,并给出针对线性和非线性模型的高斯混合(Gaussian Mixture, GM)和序贯蒙特卡洛(Sequential Monte Carlo, SMC)实现方法。仿真结果表明,该滤波算法相比于传统多伯努利滤波(Multi-Bernoulli Filter, MBerF)无论GM还是SMC实现都可获得更加准确稳定的目标数和对应的目标状态估计。     

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.     

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.     

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%。     

Geodesic流多伯努利检测前跟踪方法

由于粒子退化,基于粒子滤波的多伯努利检测前跟踪滤波器对多目标后验密度的估计不准确,导致量测非相参积累的效果不理想.为此,将Geodesic粒子流引入多伯努利检测前跟踪算法,以提升后验密度估计的准确度.此外,合并航迹时利用目标的航向信息,从而降低航迹交叉时不同目标的航迹被错误合并的概率.通过Rayleigh杂波中Swerling 1型起伏目标的检测及跟踪结果证明了所提算法的性能.     

递归Bayes模型粒子滤波方法

针对粒子滤波算法中存在的粒子退化、粒子多样性匮乏和计算量大等问题,本文提出一种基于递归Bayes模型的粒子滤波方法,该方法通过利用系统的状态方程和随机变量概率密度之间的转换关系,将状态的预测概率密度变换为后验概率密度相应的递归形式,并且用于下一次迭代过程的粒子根据当前状态估计重新采样,使新粒子尽可能地分布在真实状态的邻域内,增大粒子有效利用率,提高滤波精度.理论分析和仿真结果表明,与经典的粒子滤波算法和其他重采样算法相比,本文所提算法不仅滤波精度得到了改善,而且计算复杂度也得到了有效的降低.     

高斯混合多伯努利滤波器基于柯西施瓦兹散度的传感器控制方法

针对多目标跟踪中的传感器控制问题,本文基于有限集统计（FISST）理论,利用高斯混合多伯努利滤波器研究并提出相应的传感器控制策略.首先,文中给出容积卡尔曼高斯混合势均衡多目标多伯努利滤波器（CK-GMCBMeMBerF）的实现形式,并提取高斯混合分量近似多伯努利密度.然后,研究两个高斯混合之间的柯西施瓦兹（Cauchy-Schwarz）散度的求取,推导多目标概率密度变化所对应的信息增益,并以此为基础提出相应的传感器控制策略.此外,结合CK-GMCBMeMBer,详细推导了目标势的后验期望（PENT）准则的高斯混合（GM）实现过程,以GM-PENT作为评价准则进行相应的传感器控制方法的研究.最后,仿真实验验证了所提算法的有效性.     

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。     

基于GM-PHD平滑器的检测前跟踪技术

雷达观测下弱小目标的检测前跟踪(TBD)问题中,针对基于高斯混合概率假设密度滤波器(GM-PHD)的TBD算法在信噪比降低时,存在目标的数目估计不准确、状态估计精度下降的问题,提出了基于GM-PHD平滑滤波器(SGM-PHD)的检测前跟踪算法(SGM-PHD-TBD)。该算法在TBD标准多目标观测模型框架下,采用平滑递归方法,利用多个量测数据对滤波值进行平滑,在牺牲一定运算效率的基础上提升了算法的估计精度。仿真结果表明,该算法在信噪比较低的情况下对目标数目估计的准确度和目标状态估计的精度均优于基于GM-PHD的TBD算法。     

The$H_infty$Fixed-Interval Smoothing Problem for Continuous Systems

The$H_infty$smoothing problem for continuous systems is treated in a state space representation by means of variational calculus techniques. The smoothing problem is introduced in an$H_infty$criterion by means of an artificial discontinuity that splits the problem in term of$H_infty$forward and$H_infty$backward filtering problems. Hence, the smoother design is realized in three steps. First, a forward filter is developed. Secondly, a backward filter is developed taking into account the backward Markovian model. The third step consists of combining the two previous steps in order to compute the$H_infty$smoothed estimate. An example shows the efficiency of this proposed smoother.     

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。     

Design of Gaussian Approximate Filter and Smoother for Nonlinear Systems with Correlated Noises at One Epoch Apart

In this study, the authors investigate the filtering and smoothing problems of nonlinear systems with correlated noises at one epoch apart. A pseudomeasurement equation is firstly reconstructed with a corresponding pseudomeasurement noise, which is no longer correlated with the process noise. Based on the reconstructed measurement model, new Gaussian approximate (GA) filter and smoother are derived, from which Kalman filter and smoother can be obtained for linear systems. For nonlinear systems, different GA filters and smoothers can be developed through utilizing different numerical methods for computing Gaussian-weighted integrals involved in the proposed solution. Numerical examples concerning univariate nonstationary growth model, passive ranging problem, and target tracking show the efficiency of the proposed filtering and smoothing methods for nonlinear systems with correlated noises at one epoch apart.     

学生 t 混合势均衡多目标多伯努利滤波器

在有重尾的过程噪声和量测噪声的影响下,高斯混合势均衡多目标多伯努利滤波器(GM-CBMeMBer)的滤波性能会明显下降。针对上述问题,该文提出一种新的学生 t 混合势均衡多目标多伯努利滤波器(STM-CBMeMBer)。该滤波器将过程噪声和量测噪声近似为学生 t 分布,并用学生 t 混合模型来近似多目标的先验强度。从理论上推导出学生 t 混合形式的预测强度和后验强度,建立了势均衡多目标多伯努利滤波器的闭式递推框架。仿真结果表明,在重尾的过程噪声和量测噪声存在的环境中,该滤波器能有效抑制其干扰,相比于传统方法,具有更高的跟踪精度。     

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.     

Monte Carlo smoothing with application to audio signal enhancement

We describe methods for applying Monte Carlo filtering and smoothing for estimation of unobserved states in a nonlinear state-space model. By exploiting the statistical structure of the model, we develop a Rao-Blackwellized particle smoother. Due to the lengthy nature of real signals, we suggest processing the data in blocks, and a block-based smoother algorithm is developed for this purpose. All the algorithms suggested are tested with real speech and audio data, and the results are shown and compared with those generated using the generic particle smoother and the extended Kalman filter (EKF). It is found that the proposed Rao-Blackwellized particle smoother improves on the standard particle smoother and the extended Kalman smoother. In addition, the proposed block-based smoother algorithm enhances the efficiency of the proposed Rao-Blackwellized smoother by significantly reducing the storage capacity required for the particle information     

分布式传感器多目标跟踪改进算法

利用分布式传感器网络进行目标跟踪,能够有效增加传感器的覆盖范围,提高对运动目标的检测和跟踪能力,但如何充分利用相邻传感器之间的信息进行有效的融合,仍然是一个难点问题。本文在多伯努利滤波框架下,提出了一种改进的分布式融合跟踪算法用于目标数未知且变化的多目标跟踪。提出算法包含三种精度提升策略,即特征级融合反馈、决策级融合输出及交互反馈;其中,决策级融合输出策略可以提取更加准确的估计状态,特征级融合反馈策略可以降低错误融合结果对后续滤波过程的不良影响,交互反馈策略可以避免单传感器因漏检而导致的滤波失败。实验结果表明,提出算法的跟踪精度明显要优于传统的基于GCI分布式融合算法以及粒子多伯努利跟踪算法,具有较好的跟踪性能。