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。     

多目标滤波中的多传感器概率假设密度算法

多传感器情况下的多目标概率假设密度(PHD)滤波是建立在假设模型上实现的。该文用随机有限集(RFS)方法描述多目标状态空间和传感器量测空间,分析了多传感器通用假设模型下的探测概率、似然函数和杂波分布,在此基础上利用概率产生泛函(PGFL)推导出了多传感器PHD滤波递归式,进而提出粒子标记法多传感器贯序蒙特卡洛PHD(SMC-PHD)滤波等价实现算法,降低了多传感器PHD滤波的计算复杂度。最后给出了算法的具体实现,得到了良好的多目标数目和可跟踪多目标状态的估计。     

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.     

基于随机有限集的UPF-CPHD多目标跟踪

提出一种基于随机有限集的无迹粒子基数概率假设密度滤波（UPF-CPHD, unscented particle filter - cardinality probability hypothesis density）的多目标跟踪方法。在粒子滤波框架下采用随机有限集（RFS, random finite sets）对多目标状态和观测进行描述。在UPF滤波框架下引入CPHD算法同时递推目标状态和目标数目,并计算最新观测信息,估计结果更加精确,弥补PHD估计目标数目不可靠的缺点。仿真实验表明,UPF-CPHD多目标跟踪方法能够降低超过50%的目标数目估计误差,并提高目标状态的估计精度。     

基于量测驱动新生目标强度估计的PHD滤波算法

针对多目标跟踪中存在的新生目标强度未知的问题,提出一种基于量测驱动新生目标强度估计的PHD(MDTBI-PHD)滤波算法。该算法采用增广状态空间方法,在由真实目标状态与虚拟目标(杂波)状态构成的增广状态空间上实现PHD多目标跟踪。算法通过构造新生目标量测集,采用量测驱动的方式对新生目标强度进行估计,从而避免了对新生目标强度先验知识的依赖,同时,该算法也避免了未知杂波对真实目标强度估计的干扰。仿真结果表明,该算法在新生目标强度未知的情况下,具有对目标数目变化敏感的优势,可降低计算复杂度,明显提高跟踪精度。     

基于有限集统计学理论的目标跟踪技术研究综述

有限集统计学理论为杂波背景下的目标跟踪问题提供了一种工程友好的理论工具.对近年来基于有限集统计学理论的目标跟踪技术研究现状进行了综述,包括最优多目标贝叶斯滤波器及其近似技术、参数未知与机动多目标跟踪技术、航迹生成方法、单目标联合检测与跟踪滤波器及基于有限集观测的单目标滤波器等,对相关应用亦有所介绍.最后在已有研究发展的基础上,着眼于提高目标跟踪精度和增强目标跟踪鲁棒性的发展需要,提出了基于有限集统计学理论的目标跟踪技术需重点解决和关注的若干问题,包括多目标跟踪性能评价、弱小目标跟踪、多机动目标跟踪、多传感器融合跟踪以及联合目标检测、跟踪与分类等方面.     

基于信息理论和概率假设密度的自适应多站多目标无源定位与跟踪算法

<正>本文针对密集杂波和冲击噪声条件下的多站多目标无源定位与跟踪问题，基于信息理论和随机有限集提出一种新的自适应高斯混合概率假设密度（PHD）滤波算法。该算法引入渐消因子，基于新息的方差动态修正滤波增益，并采用KL度量对量测更新步骤中多目标密度近似前后的差异进行衡量，在最小信息增量意义下对高斯元进行合并，得到更准确的多目标状态后验分布，提高了多站多目标无源定位与跟踪精度，并降低了冲击噪声等对估计结果的影响。本文给出了基于信息理论的自适应多目标跟踪算法的高斯混合实现方式，所提出的方法继承了PHD滤波器的优点，具有较好的实时性和多目标跟踪性能。最后，采用仿真实验对本文提出的算法进行验证，实验结果证明了本文所提出算法的有效性和优越性。     

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。      

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。      

PHD多目标跟踪算法及参数影响分析

多目标跟踪的关键就是对目标数和目标状态的准确估计.将目标集合看成一个随机集,并且目标数也是变化的.采用一阶统计矩近似表示状态空间的概率密度,通过蒙特卡罗模拟近似表示一阶统计矩,从而实现多目标跟踪.实验表明,在杂波环境下,PHD算法可以实现多目标跟踪,并且各参数对跟踪精度有一定的影响.     

Convergence results for the particle PHD filter

Bayesian single-target tracking techniques can be extended to a multiple-target environment by viewing the multiple-target state as a random finite set, but evaluating the multiple-target posterior distribution is currently computationally intractable for real-time applications. A practical alternative to the optimal Bayes multitarget filter is the probability hypothesis density (PHD) filter, which propagates the first-order moment of the multitarget posterior instead of the posterior distribution itself. It has been shown that the PHD is the best-fit approximation of the multitarget posterior in an information-theoretic sense. The method avoids the need for explicit data association, as the target states are viewed as a single global target state, and the identities of the targets are not part of the tracking framework. Sequential Monte Carlo approximations of the PHD using particle filter techniques have been implemented, showing the potential of this technique for real-time tracking applications. This paper presents mathematical proofs of convergence for the particle filtering algorithm and gives bounds for the mean-square error.     

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.     

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。     

Detection-guided multi-target Bayesian filter

Multi-target Bayesian filter in the framework of finite set statistics (FISST) and its approximations, including probability hypothesis density (PHD) filter and cardinalized probability hypothesis density (CPHD) filter, are elegant methods for multi-target tracking by jointly estimating the number of targets and their states from a sequence of noisy and cluttered observation sets. PHD filter and CPHD filter can deal with the tracking scenario involving the surviving targets, the spawned targets, and the spontaneous births. One of the limitations of PHD and CPHD filter is that it is assumed that intensities of spontaneous birth targets are known at the initialization stage. To address the problem, a track initiation technique is proposed to detect the position unknown birth targets and is hybridized with PHD and CPHD filter. Once new targets are detected, the position estimates are employed to form intensities of spontaneous births for starting PHD and CPHD filter. Simulation results demonstrate that the proposed tracker can adaptively and efficiently track multiple targets especially in scenarios with birth targets of unknown position, which the PHD and CPHD filter are unable to do on their own.     

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.     

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...