采用粒子滤波和模糊聚类法的非线性多目标跟踪

提出一种新的非线性多目标跟踪方法,用模糊聚类算法实现数据关联,采用粒子滤波实现对各目标的独立跟踪．首先利用最大熵模糊聚类对目标和观测数据进行关联,采用模糊隶属度重建多目标滤波中的联合关联概率矩阵．然后利用粒子滤波适于处理非线性问题的特点,通过联合关联信息,采用粒子滤波独立对各目标进行滤波,实现对目标状态的更新．最后,将该算法应用于多传感器多目标纯方位角跟踪．仿真结果表明,相比于联合概率数据关联算法及MEF-JPDAF,新算法具有更高的跟踪精度．     

基于成像声呐的水下多目标跟踪研究

针对水下多目标跟踪问题,提出基于成像声呐的高效目标跟踪算法. 基于声呐的成像特点,针对声学图像中的每个像素点,建立基于信号强度的回波信号模型,提取图像中的个体目标. 采用基于序贯蒙特卡罗的概率密度假设(SMCPHD)滤波对各目标状态进行滤波,结合Auction航迹识别算法将滤波后的目标状态与已确定的航迹进行关联,实现多目标跟踪. 通过算法的仿真分析发现,该方法相对于基于数据关联型的多目标跟踪算法如联合概率数据关联(JPDA)算法、多假设跟踪(MHT)算法,大大提高了计算效率. 对采集的现场数据进行目标提取与跟踪,获得目标的跟踪轨迹.     

修正概率数据关联算法的研究

根据“全邻”数据关联算法的基本思想,采用关联城内回波似然函数的归一化处理,考虑关联城内所有回波的信息,对Fitzgerald提出的简化概率数据关联(SPDA)算法进行修正,得到修正概率数据关联(MSPDA)算法.理论分析和Monto Carlo仿真表明了该算法的有效性.为了能应用于多机动目标的跟踪.采用一种有效的交互式多模型自适应机动目标跟踪算法与MSPDA算法结合,对多个机动目标的交叉、编队进行仿真,得到了较好的结果.     

多目标跟踪数据关联算法综述

多目标跟踪在军事、医疗和交通等方面应用广泛.考虑存在误检、漏检和噪声的情况,数据关联问题成为多目标跟踪中一个核心难点问题.通过介绍最近邻法、多假设关联、概率数据关联、联合概率数据关联、粒子滤波和模糊目标跟踪等6种经典数据关联算法,分析各种算法的优点和局限性,以及近几年的研究进展,展望其未来的发展趋势.     

并行高斯粒子滤波被动多目标跟踪新算法

针对多目标跟踪的数据关联及多目标状态空间尺寸随目标数增多而增长的问题,提出了一种跟踪新算法,假定各目标的状态与过去的观测相互独立,可以多路并行处理,采用马尔可夫链蒙特卡罗(MCMC)方法计算目标与观测的关联概率,利用高斯粒子滤波(GPF)独立估计单个目标的状态,采用拟蒙特卡罗(QMC)方法近似各目标的预测及更新分布.将该算法应用于被动多传感器多目标跟踪,仿真结果表明,所提算法比联合概率数据关联滤波器(JPDAF)、马尔可夫链蒙特卡罗数据关联滤波(MCMCDAF)及蒙特卡罗联合概率数据关联滤波(MC-JPDAF)具有更好的跟踪性能.     

基于神经网络的多机动目标跟踪算法

将神经网络理论用于多机动目标跟踪,解决了联合概率数据关联(JPDA)存在的计算量组合爆炸问题。基于神经网络数据关联(NDA)所得到的最佳关联假设,将其与简化信息融合并行自适应滤波算法(DAF)进行有效结合,在保证量测与目标有效关联的同时,还具备跟踪起始和终结的作用,实现了对多机动目标的状态滤波与预测。仿真结果表明,与传统的交互式多模型联合概率数据关联算法相比,新算法在保证多机动目标的跟踪精度及实时性要求的同时,计算量大大减少。     

能量值和方位信息结合的粒子滤波算法

针对水下无人航行器自主方位跟踪中出现的目标中断、虚警以及目标关联等多个问题,本文采用一种能量值和方位信息结合的粒子滤波算法,并应用在声呐目标检测跟踪中。在粒子滤波的基础上,引入波束形成给出的波束能量作为潜在信号源真实的概率。给出了多目标关联概率的粒子滤波表达,通过插值和自动阈值方法改善波束能量曲线,增强粒子滤波性能以及目标输出的平滑性。通过数值仿真及湖试的检验,该方法能够有效得到正确的多目标跟踪结果。     

随机集粒子滤波的快速被动数据关联算法

针对杂波干扰环境下的被动多目标跟踪问题,将多站集中式融合方法与概率假设密度粒子滤波递归过程相结合,实现被动多目标跟踪．进一步,将概率假设密度粒子滤波递归过程并行化处理,每个目标使用单独滤波器跟踪,避免了大量粒子的聚类过程,简化算法复杂度,进而提出一种快速被动数据关联算法．实验结果表明,与传统算法相比,新算法可以在不增加额外计算负担的基础上,有效得到每个目标的航迹．特别对于目标发生交叉的情况,能很好地区分每个目标的航迹．     

模糊-概率交互作用的数据关联算法

基于估计理论和模糊系统理论,提出了一种模糊逻辑和概率交互和作用的数据关联算法,以解决密集杂波干扰环境中跟踪机动目标的数据关联问题。模糊关联度和关联概率共同组成了各有效回波的加权系数,弥补了概率数据关联滤波方法（ＰＤＡＦ）的不足,提高了杂波环境中机动目标的跟踪性能。     

杂波环境中一种新的机动目标跟踪算法

针对传统交互式多模型概率数据互联(IMM PDA)算法中因模型选取的不确定性,跟踪精度低等缺点,引入了联合交互式多模型概率数据互联的思想,在此基础上提出了一种适用于杂波环境机动目标跟踪的新算法——交互式自适应概率数据互联(IMMAPDA)算法,将自适应滤波算法应用到PDA滤波器中和数据关联进行有机结合,提高了杂波环境中机动目标的跟踪精度。理论分析与仿真结果验证了该算法的优越性,提高了目标跟踪精度,解决了全局最优化问题。     

基于交互式当前统计模型的变采样率跟踪算法

针对相控阵雷达跟踪机动目标时当前统计模型采用固定机动频率和机动加速度上限而难以适应多种目标机动环境,提出了基于交互式当前统计模型的变采样率跟踪算法．该算法将多个当前统计模型作为交互多模型框架下的模型组成,然后根据各模型相关过程噪声值合成计算雷达的采样间隔,实现变采样率跟踪,提高了适应目标机动的能力和跟踪精度．仿真结果表明,本文算法的跟踪性能明显优于基于Singerk模型的变采样率跟踪算法．     

量化量测条件下的交互多模型箱粒子滤波

在分布式多传感器网络中,为了节省通信带宽,需要将传感器得到的点量测量化成区间量测,而传统的滤波算法均不能直接处理这种量化量测．箱粒子滤波作为一种“广义粒子滤波”算法,用箱粒子和误差界限模型来取代传统的点粒子和误差统计模型,是新近出现的处理区间量测的有力工具．相比粒子滤波,箱粒子滤波还具有所需粒子数少、算法复杂度低、运行速度快等优点．因此,为了处理量化量测条件下的机动目标跟踪问题,提出了交互多模型箱粒子滤波算法．仿真对比实验表明：在量化量测条件下,交互多模型箱粒子滤波算法和交互多模型粒子滤波算法都能够准确地估计机动目标状态,但交互多模型箱粒子滤波所需粒子数更少、计算效率更高．     

模糊化模型概率的IMM-SUPF机动面目标跟踪

为了提高跟踪系统对水面机动目标的跟踪能力,本文将水面目标建模为椭圆形面目标,提出一种基于交互多模型(interacting multiple model, IMM)算法的机动面目标跟踪方法。首先,利用现代高分辨率雷达获得的面目标扩展测量,给出了基于面目标的跟踪测量方程。其次,将强无迹粒子滤波(strong unscented particle filter, SUPF)算法引入到IMM中得到IMM-SUPF。该SUPF利用强跟踪无迹卡尔曼滤波(strong tracking unscented Kalman filter, STUKF)产生粒子建议分布。由于STUKF采用渐消因子调整UKF的状态模型协方差和观测模型协方差的比例,使得建议分布更符合真实状态的后验概率分布,从而提高了IMM算法中子模型滤波器的估计精度。最后,基于模糊隶属度函数对粒子的模型概率进行模糊化,从而在提高真实模型滤波器中粒子模型概率的同时减小非匹配模型滤波器中粒子模型概率,进而提高了IMM算法的估计融合精度。Monte-Carlo仿真实验表明,相比于传统的基于质点目标的IMM-UPF算法,文中所提的基于面目标的IMM算法跟踪精度更高,且所提算法的误差超调量更小,收敛更快。此外,所提面目标IMM算法的跟踪精度也要高于面目标IMM-UPF算法。针对水面机动目标跟踪问题,不同于传统的质点目标IMM算法,文中将水面目标建模为椭圆形面目标,并利用面目标扩展测量信息设计了模糊化模型概率的IMM-SUPF算法。该算法进一步提高了跟踪系统对水面机动目标的跟踪能力。     

当前统计概率数据关联算法

目标跟踪领域的一个研究重点是如何解决在密集杂波环境下机动目标的跟踪问题。机动目标跟踪的关键是解决目标模型的不确定性,而密集杂波环境则使这个问题变得更加复杂。针对这一问题,提出一种当前模型概率数据互联算法。该算法将当前模型算法与概率数据互联相结合,在使用概率数据互联算法的同时,利用当前模型算法对目标出现的机动进行自适应滤波。最后,给出了算法的仿真分析,仿真结果说明该方法能够有效地跟踪杂波环境中的机动目标。     

多普勒信息辅助的杂波环境下多目标跟踪算法

传统雷达目标跟踪方法仅利用目标的位置信息进行数据关联,在处理密集杂波环境下的多目标跟踪问题时,容易产生虚假航迹,甚至出现误跟、失跟的现象。该文针对此问题提出一种多普勒信息辅助的杂波环境下多目标跟踪算法。首先引入多普勒信息带来的观测方程非线性,以及速度观测与距离观测之间的相关性问题,基于IPDA-UKF算法框架,综合利用目标的位置和速度信息构建多维关联波门,利用多维信息进行有效量测的筛选,从而将一个多目标数据关联的问题转化为多个单目标数据关联的问题,然后采用IPDA-UKF分别估计各个目标的存在概率和运动状态。仿真结果表明:相比其他算法,该算法充分利用距离和速度之间的相关性,不仅降低了杂波环境下多目标数据关联的复杂度,提高了数据关联的效率,而且目标跟踪精度也得到了明显提升。     

一种高分辨距离像辅助的多目标跟踪算法

When the tracks of the multi-target get approached or crossed, it is easy to lead to combining or even to get wrong tracks for the traditional tracking methods, since the traditional methods only utilize the information on the target position to finish the data association. Aiming at this problem, a multi-target tracking algorithm aided by the high resolution range profile (HRRP) is proposed in this paper. Firstly, the target attitude angle is estimated in real time on the principle that the HRRP is sensitive to the attitude angle. And then the attitude angle is added to the target measurement state to construct a multi-dimension correlating gate. The data association is accomplished with the multi-dimension information. So the problem of multi-target data association is simplified to multiple sub-problems of data association for a single target. Finally, each target motion state is estimated by the probabilistic data association-unscented Kalman filter (PDA-UKF). Simulation results reveal that the computing complexity is reduced, and that the correct probability of data association is improved by using the target HRRP on the one hand. On the other hand, the tracking accuracy is improved with the aid of the target attitude angle.     

Multiple maneuvering extended targets tracking with Gaussian process regression

In view of the complexity of estimating the shape of the extended target and the low accuracy in multiple maneuvering extended targets tracking in the clutters, a multiple maneuvering extended targets tracking algorithm with Gaussian Process Regression is proposed. First, the extension of targets is modeled as a star-convex model. Then, the concept of weights used in the multiple targets tracking algorithm is introduced to the single maneuvering extended target tracking algorithm to realize multi-targets tracking. Finally, the Gaussian Process Regression is used to estimate the shape for the extended target. Simulation shows that the proposed algorithm is capable of tracking multiple maneuvering extended targets in the same scene with different shapes, and outperforms the traditional non-ellipsoidal extended target tracking algorithm in the estimation precision and computing speed.     

一种用于机动目标跟踪的多模型最小二乘方案

本文提出了描述运动目标的时间原点滑动多项式数学模型，并在此模型基础上，推导出用于目标跟踪的简化最小二乘算法．为适用于机动目标跟踪，选取了一个跟踪检测信号，确定出一套多模型滤波与预报策略．本文论述的方案的突出优点是计算量比卡尔曼滤波小得多，有利于实时实现．蒙特卡罗仿真结果说明该方案是一种适用于机动目标跟踪的优选方案．     

量测划分的PHD航迹关联算法

高性能空中机动目标跟踪是现代预警雷达的核心任务之一.为了提高概率假设密度(PHD)滤波器的多目标跟踪性能,提出了一种基于量测划分的PHD航迹关联算法.考虑到传统PHD滤波无法给出目标各自的航迹属性信息,而且当跟踪区域存在大量杂波时,滤波效率严重降低;同时,对于密集邻近多目标跟踪,传统方法还存在不同目标跟踪的量测不匹配问题.针对上述问题,提出了分类检索的椭球门限量测划分方法,并将其应用到改进的高斯项权值重新分配的PHD航迹关联算法中,首先对每一步得到的量测集合通过分类检索的椭球门限方法,划分为已存在目标、新生目标和杂波的量测子集,再分别对各类目标使用对应的量测子集进行跟踪滤波,这样去除了杂波对真实目标的无效更新计算,提高了航迹关联算法的计算效率;其次,通过引入一种新的权值分配规则,调整邻近目标的高斯成分的权值大小,大幅减小了邻近目标的状态提取误差,提高了相邻目标的跟踪估计精度.大量数值仿真表明,所提方法明显改进了滤波计算效率和邻近目标跟踪精度.