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。     

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.     

多目标跟踪的多伯努利平滑方法

为提高基于滤波的多目标跟踪方法的性能,提出了一种多伯努利平滑方法.该方法由前向滤波和反向平滑两部分组成,前向滤波采用势平衡多目标多伯努利滤波,反向平滑利用多伯努利概率密度近似多目标平滑状态的概率密度,实现多目标平滑状态概率密度的反向递推计算.仿真结果表明,与滤波相比,多伯努利平滑对目标数量和目标状态的估计精度都有显著提高.     

分布式多目标伯努利滤波器的网络共识技术

本文研究了基于网络共识的分布式多目标伯努利(Multi-Bernoulli, MB)滤波器的目标跟踪技术。网络共识技术是实现传感器网络中分布式计算的一个强大工具,但同时对传感器间公共信息被“重复计算”问题尤为敏感。为解决该问题,本文首先在基于广义协方差交集(Generalized Covariance Intersection, GCI)准则的分布式MB (GCI-MB) 滤波器的基础上,通过采用序贯信息交互-本地融合的策略,提出网络共识(Consensus)-GCI-MB融合算法,简称C-GCI-MB融合;然后,通过数学理论分析了C-GCI-MB融合可以有效的避免“重复计算”问题;最后给出了C-GCI-MB融合算法的混合高斯(Gaussian Mixture)实现方法,并通过典型场景仿真验证了该算法的有效性及性能优势。      

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。     

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。     

Bayesian Filtering With Random Finite Set Observations

This paper presents a novel and mathematically rigorous Bayes' recursion for tracking a target that generates multiple measurements with state dependent sensor field of view and clutter. Our Bayesian formulation is mathematically well-founded due to our use of a consistent likelihood function derived from random finite set theory. It is established that under certain assumptions, the proposed Bayes' recursion reduces to the cardinalized probability hypothesis density (CPHD) recursion for a single target. A particle implementation of the proposed recursion is given. Under linear Gaussian and constant sensor field of view assumptions, an exact closed-form solution to the proposed recursion is derived, and efficient implementations are given. Extensions of the closed-form recursion to accommodate mild nonlinearities are also given using linearization and unscented transforms.     

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.     

基于高斯混合多目标滤波器的传感器控制策略

本文基于随机有限集的高斯混合多目标滤波器（Gaussian Mixture Multi-Target Filter,GM-MTF）提出几种传感器控制策略.首先,基于容积卡尔曼高斯混合多目标非线性滤波器,借助两个高斯分布之间的巴氏距离,推导GM-MTF的整体信息增益,并以此为基础提出相应的传感器控制策略.另外,设计高斯粒子的联合采样方法对多目标滤波器的预测高斯分量进行采样,用一组带权值的粒子去近似多目标统计特性,利用理想量测集对粒子的权值进行更新,继而研究利用Rényi散度作为评价函数,提出一种适应性更好的传感器控制策略.最后,给出基于目标势的后验期望（Posterior Expected Number of Targets,PENT）评价的高斯混合实现过程.仿真实验验证了提出算法的有效性.     

A new data association algorithm using probability hypothesis density filter

Probability Hypothesis Density (PHD) filtering approach has shown its advantages in tracking time varying number of targets even when there are noise, clutter and misdetection. For linear Gaussian Mixture (GM) system, PHD filter has a closed form recursion (GMPHD). But PHD filter cannot estimate the trajectories of multi-target because it only provides identity-free estimate of target states. Existing data association methods still remain a big challenge mostly because they are computationally expensive. In this paper, we proposed a new data association algorithm using GMPHD filter, which significantly alleviated the heavy computing load and performed multi-target trajectory tracking effectively in the meantime.     

狄拉克加权和概率假设密度滤波器

为解决在存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题,提出了一种适用于线性系统模型的狄拉克加权和概率假设密度滤波器。该滤波器将多目标的后验矩表征为狄拉克加权和的形式。类似于高斯混合PHD滤波器,该滤波器在递归过程中传递多目标的后验矩。不像高斯混合PHD滤波器用卡尔曼滤波器获取多目标的后验更新矩,该滤波器采用变系数α-β滤波器获取多目标的更新后验矩。同时,也提出了一种变系数α-β滤波器中参数α和β的确定方法。仿真实验结果表明,所提出的滤波器为存在杂波、过程噪声协方差未知、目标数未知和变化情况下的多目标跟踪问题提供了一种有效途径,它的平均执行时间小于高斯混合PHD滤波器的平均执行时间,所以具有良好的工程应用前景。      

基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息, 基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法, 提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中, 对各高斯项编号, 进行航迹提取, 在滤波处理的同时形成带有航迹编号的明确航迹, 并进行航迹管理; 同时, 根据目标运动模型, 联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时, 对目标航迹进行有效类型识别.     

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.     

Penalized Gaussian mixture probability hypothesis density filter for multiple target tracking

Bayesian multi-target filter develops a theoretical framework for estimating the full multi-target posterior which is intractable in practice. The probability hypothesis density (PHD) is a practical solution for Bayesian multi-target filter which propagates the first order moment of the multi-target posterior instead of the full version. Recently, the Gaussian Mixture PHD (GM-PHD) has been proposed as an implementation of the PHD filter which provides a close form solution. The performance of this filter degrades when targets are moving near each other such as crossing targets. In this paper, we propose a novel approach called penalized GM-PHD (PGM-PHD) filter to improve this drawback. The simulation results provided for various probabilities of detection, clutter rates, targets velocities and frame rates indicate that the proposed method achieves better performance compared to the GM-PHD filter.     

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.     

Efficient identification of non-Gaussian mixtures

Non-Gaussian mixtures are commonly used as parametric models for impulsive interference superimposed on a Gaussian background. In this study, the problem of efficient batch and recursive estimation of the parameters of such mixtures via minimization of the Kullback-Leibler distance is considered. The maximum-likelihood estimator (MLE) provides the starting point for the development of these estimators. First, it is shown that the MLE yields consistent estimates of the parameters, despite the existence of multiple roots in the Kullback-Leibler distance function. Since direct implementation of the MLE is difficult, an alternative estimator, designed with the objective of maximizing the likelihood function, is proposed. A simulation study of the proposed estimator reveals that it performs very well in terms of attaining the Cramer-Rao lower bound. Stochastic approximation is also considered in this study. A “complete data” modification to the standard recursion is presented, which greatly facilitates its implementation. Three initiating estimators are developed for these recursions: an iterative likelihood-based scheme, a batch estimator that uses a histogram of the data, and an iterative scheme that integrates the concept of complete data into the method-of-moments estimator. Upon initiating the modified stochastic approximation recursion with these estimators, it is seen that excellent estimates of the parameters can be obtained     

基于自适应新生密度的多目标联合检测与解模糊

脉冲多普勒(Pulse Doppler,PD)雷达会产生距离模糊和多普勒模糊问题,传统方法通过发射多个脉冲重复频率(Pulse Repetition Frequency,PRF)并相互关联来解模糊.但当信噪比较低时,为确保检测到目标需采用低门限而产生了大量虚警,传统方法由于数据关联导致计算复杂度过高而失效,基于随机有限...     

多元假设检验GMPHD轨迹跟踪

由于在军事和民事领域逐步广泛的应用,数目不定的多目标跟踪技术正受到越来越多的关注。概率假设密度(PHD)滤波方法,特别是具有闭式递归的高斯混合概率假设密度(GMPHD)技术,在噪声和漏警等影响下仍能形成优越的群目标跟踪性能。然而PHD滤波器并不能实现多目标航迹跟踪,而其与传统数据互联的结合,复杂度高且跟踪效果不尽如人意。在该文中,各目标的航迹信息以假设形式表述,数据互联则是通过使用经典的多元假设检测方法判决假设矩阵实现。其与GMPHD的结合不仅实现了数据互联和轨迹管理,还因为积累时间信息大大降低了杂波干扰的影响。实验结果证明,该算法可以对多个目标所形成的轨迹实施正确跟踪,同时,计算量的大幅度降低带来了跟踪系统可实现性的提高。     

非线性高斯系统边缘分布多目标贝叶斯滤波器

为解决存在数据关联不确定、检测不确定和杂波情况下的多目标跟踪问题,提出了一种新的多目标贝叶斯滤波器.代替维持多目标状态的联合后验密度,所提出的贝叶斯滤波器联合传递各个目标状态的边缘分布和它们的存在概率.为了处理目标运动和传感器测量模型中的非线性,利用无迹变换技术提出了一种非线性高斯条件下边缘分布贝叶斯滤波器的近似实现算法.仿真实验结果表明,与PHD(Probability Hypothesis Density)滤波器相比,所提出的滤波器具有更好的多目标跟踪能力.     

一种状态扩维标签匹配的分布式融合算法

在分布式多传感器网络中,针对标签多伯努利（Labeled Multi-Bernoulli,LMB）后验分布进行广义协方差交集（Generalized Covariance Intersection,GCI）融合时,存在标签不一致、计算复杂度高、以及目标漏跟使得GCI融合后势低估问题,提出一种状态扩维标签匹配的分布式传感器融合算法。首先,针对标签不一致问题,对目标状态进行扩维,改进分布式融合中的目标标签的匹配过程,使融合过程更加高效,同时也克服标签空间不一致的问题;针对计算复杂度高的问题,只传输“疑似目标”后验分布,减少通信数据量,采用“分而治之”的策略对已匹配的存活目标、新生目标、漏跟目标等分别进行融合,结合前述改进目标标签匹配过程有效降低了计算复杂度;针对目标漏跟使得GCI融合后势低估问题,建立漏跟与虚警表记录相应目标,对漏跟目标分布采用反馈补偿策略,有效降低单一传感器目标漏跟对传感器网络GCI融合后跟踪精度的影响。实验结果证明了提出融合方法的有效性和鲁棒性。