红外凝视系统下改进的广义概率数据关联跟踪算法

广义概率数据关联算法作为一种全局次优的数据关联算法,以其新颖的可行性划分规则和较少的计算存储需求引起了人们的广泛关注.为了进一步提高数据关联的精度,从红外凝视系统中目标的特点出发,利用目标方向差和灰度变化因子的概念,得到了量测在目标方向和灰度约束下的互联概率;结合GPDA算法得到的基于距离信息的互联概率,利用加权和的方式即可得到引入方向信息和灰度信息约束后的新的互联概率.该算法不仅充分利用了原GPDA算法的优点,而且通过方向和灰度约束降低了错误关联的概率,使得关联精度得到了进一步的提高.通过该算法与原GPDA和JPDA算法对杂波环境下多目标跟踪性能的对比分析,可以得出该算法在继承了原GPDA算法的基础上,以较小的计算量代价使得跟踪性能得到的很大的改善.     

多目标跟踪中基于特征辅助的概率数据关联算法

在传统的多目标跟踪系统中,数据关联仅利用了那些与目标状态向量直接相关的信息。在此提出了一种基于广义概率数据关联(GPDA)的新的关联算法即特征辅助跟踪(FAT)算法。该算法同时利用了目标的特征信息和状态信息进行数据关联,较好地解决了在密集杂波环境下对近目标的跟踪问题。最后以目标的一维距离像信息为例进行仿真,仿真结果表明,所提出的算法使跟踪性能优于传统的概率数据关联。     

多传感器多目标联合概率数据关联研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器密集多目标跟踪,则计算量剧增,数据关联成功率下降。因此,改进联合概率数据关联(AJPDA)算法对多传感器多目标量测进行同源划分及单一传感器测量数据转换,然后采用JPDA算法求解空间目标轨迹交叉时的数据关联。仿真结果表明,AJPDA算法提高了成功关联概率,降低了求解数据关联概率的难度,可以解决密集目标的正确跟踪问题。     

两种多目标数据关联算法的性能研究

数据关联是多目标跟踪的一项关键技术。JPDA是大家公认的多目标跟踪中性能较好的数据关联算法，它认为量测和目标是一一对应的关联关系，但在许多实际情况中，量测和目标是多-多对应的关系。针对上述情况，该文提出了广义概率数据关联算法（Generalized Probability Data Association，GPDA）。文中从理论上对这两种算法的性能进行了详细分析，并利用Monte Carlo技术对其性能进行了仿真比较。     

一种新的避免航迹合并的联合综合概率数据关联滤波器

针对联合综合概率数据关联算法(JIPDA)存在的航迹合并问题,将目标建模为随机有限集(RFS)提出改进的JIPDA算法。传统JIPDA首先产生初始概率密度函数(PDF),之后对该PDF进行近似来估计目标状态。为了使目标状态估计PDF与初始PDF之间的相似性最大化,当目标标签无意义时,提出对JIPDA的初始PDF进行优化。将KL散度作为相似性的衡量标准,建立起优化过程的代价函数。仿真实验表明,所提方法可有效地抑制传统JIPDA引起的航迹合并。     

次优联合概率数据关联算法的研究

数据关联算法的研究是多目标跟踪中的核心问题,多目标跟踪的精度和计算过程的复杂度均取决于所采取的数据关联算法的优劣。文中对2种典型的次优联合概率数据关联算法进行了研究,结合仿真结果指出了上述2种次优算法间的本质差异,同时还提出了一种改进的次优联合概率数据关联算法。计算机仿真表明,改进的算法较原算法具有更好的跟踪性能。     

基于网格连通的联合概率数据关联算法

联合概率数据关联算法具有良好的多目标跟踪性能,但其计算量会随着跟踪目标数和有效量测数的增多而呈指数增长,因此实时性差,难以在工程中应用。在保证准确率和精度的前提下减小确认矩阵的维数,提出了一种关联区域预处理的方法。对目标空间进行网格划分,通过网格的选取形成连通域,再对每个连通域中的目标采用联合概率数据关联算法,从而大量减少关联时间。仿真实验表明,基于网格连通的联合概率数据关联算法具有较强的实时性。     

基于多传感器的多目标联合概率数据关联被动跟踪算法

文章根据多传感器被动跟踪的特征,对传统的联合概率数据关联算法进行了修改,给出了求解联合事件概率的方法.利用同类数据的特点,采用了位置量测合并的方法,避免了计算量的增加.还开发了适用的生成可行矩阵的Matlab程序.最后,进行了MonteCarlo仿真实验,验证了文中算法能够很好地对多个目标进行精确跟踪.     

数据关联算法综述

数据关联是多目标跟踪里面的核心问题,文章系统地介绍了几种基本数据关联算法,通过总结国内外的文献,分析指出了传统数据关联算法的一些问题。     

基于目标极化特征的数据关联算法

数据关联是多目标跟踪系统的核心，雷达目标的极化信息虽然不能直接用于目标航迹更新，但可以用来有效区分不同目标和杂波，进而减小量测与航迹关联的不确定性。在获取了目标的极化信息的前提下，根据极化一几何参量综合距离提出广义“最近邻”数据关联算法。仿真结果表明，广义“最近邻”算法性能优于传统的“最近邻”算法。     

一种新的联合概率数据互联算法

点迹与航迹数据互联是多目标跟踪中迫切需要解决的问题。分析了目前解决数据互联问题的方法与最新研究成果,建立了一个多目标数据互联模型,提出了一种新的联合概率数据互联算法,最后给出了计算机仿真结果。     

三种引入Doppler量测的数据互联算法性能分析

针对多频连续波雷达系统中多目标跟踪问题,提出了三种引入目标径向速度量测的贝叶斯类多目标数据互联改进算法。为了清楚地对比三种改进算法与传统算法以及改进算法之间在跟踪精度、实时性等跟踪性能上的差异,对上述算法在相同环境下进行了详细的性能分析。首先,简述了各算法的互联方法;然后,建立了跟踪模型;最后,选取典型的多目标运动情况对这些算法进行了仿真实验,并根据仿真结果综合分析了它们各方面的跟踪性能。     

遗传模糊聚类算法在数据关联中的应用

针对传统数据关联算法存在计算量偏大或关联精度不高的问题,提出了一种利用遗传模糊聚类策略来求解数据关联问题的算法。该算法将多传感器多目标的数据关联问题看作是一类约束条件下的组合优化问题,先通过对同一时刻不同传感器提供的量测按照其相似性用遗传算法进行模糊聚类,再用聚类后的等效量测对各目标的状态进行估计。聚类方式的改进不仅增加了算法的局部寻优能力,有效地减少了计算的复杂度,而且还具备一定的野值剔除能力。仿真结果表明该算法关联精度较高,计算量适中,具有一定的工程应用价值。     

一种新的联合概率数据互联算法

点迹与航迹数据互联是多目标跟踪问题中迫切需要解决的问题。分析了目前解决数据互联问题的方法与最新研究成果，建立了一个多目标数据互联模型，提出了一种新的联合概率数据互联算法，实现了微机仿真并给出了仿真结果。     

并行联合概率航迹起始逻辑

本文在研究现有大量航迹起始方法的基础上,在机载脉冲多普勒雷达环境下,提出了一种用于机动目标和非机动目标的并行联合概率航迹起始逻辑.其主要思想是在工程实现背景下,通过对两种具有不同起始性能的航迹起始逻辑进行合并,构成一种新的航迹起始逻辑,兼顾机动目标和非机动目标的航迹起始.蒙特卡罗模拟结果表明,新方法克服了原有航迹起始方法的缺陷,保留了原有航迹起始方法的优点,降低了航迹起始平均时间,改善了航迹起始正确概率.     

基于杂波密度估计的联合概率数据互联算法

联合概率数据互联(JPDA)算法能很好地解决密集环境下的多目标跟踪问题。在该算法基础上,人们又提出了多传感器联合概率数据互联(MSJPDA)算法和一些基于JPDA的修正算法。在联合概率数据互联算法中,有一个很重要的参数就是杂波数密度(或波门内虚假量测期望数),然而在许多实际情况中,这个参数是很难获取的。针对这一问题,提出了一种修正的联合概率数据互联算法,该算法通过实时地调整这一参数来获得对目标较为准确的估计结果。最后,给出了算法的仿真分析。     

基于Bayes的航迹概率数据关联算法

数据关联是多传感器信息融合的核心技术,其常用的航迹数据关联方法主要有NN、PDA、JPDA、MHT等算法。常用关联算法有的不适合强杂波或多目标环境、有的计算量大、有的时效性差等不足。文中采用了基于贝叶斯航迹概率的数据关联算法,来实现雷达航迹之间数据关联。首先介绍贝叶斯和航迹关联技术原理;其次描述贝叶斯算法过程;最后通过仿真证明该关联算法有效性。