模糊推理优化的抗遮挡PMBM跟踪算法

目标遮挡是多扩展目标跟踪中的常见问题,当目标之间的距离较近或传感器的扫描范围内存在未知障碍物时,就会出现目标被部分或全部遮挡的现象,从而导致对目标的漏估。针对现有的泊松多伯努利混合滤波算法在遮挡场景下不能稳定跟踪的问题,提出了融入模糊推理的高斯过程-泊松多伯努利混合滤波算法。首先,在随机集目标跟踪框架下根据不同的遮挡场景给出了对应的扩展目标遮挡模型;在此基础上对高斯过程-泊松多伯努利混合滤波器的状态空间进行扩维,通过加入可变检测概率的方式将遮挡对目标状态的影响考虑到算法滤波步骤中;最后构建了可以估计目标遮挡概率的模糊推理系统,并将其与高斯过程-泊松多伯努利混合滤波算法结合,借助模糊系统的描述能力和泊松多伯努利混合滤波器良好的跟踪性能,实现遮挡场景下对目标的准确估计。仿真实验结果表明,所提算法在目标遮挡场景下的跟踪性能优于现有的泊松多伯努利混合滤波算法。     

群目标跟踪自适应IMM算法

为提高对机动群目标在高量测误差下的跟踪性能,提出了一种自适应IMM群目标跟踪算法.首先,在群质心状态估计中,引入带有多重次优渐消因子的强跟踪滤波算法,提高机动阶段时对群质心状态估计的精度.其次,在扩展状态估计中,考虑量测精度对于扩展状态的影响,将量测误差和扩展状态同时纳入到量测似然函数的构建中,应用新息计算和渐消记忆迭代过程自适应更新量测误差协方差矩阵.最后,通过quasi-Bayesian方法自适应更新模型转换概率,利用量测数据修正模型转换概率,抑制非匹配模型作用,放大匹配模型作用,实时匹配跟踪模型与目标运动状态.仿真实验结果表明,该方法有效提高了对群质心状态和扩展状态的估计精度.     

一种车辆机动目标跟踪的多传感器信息融合估计算法

为了保证自动高速公路系统对车辆机动目标的实时、精确跟踪,提出了一种车辆机动目标状态的多传感器信息融合估计算法.建立了车辆运动状态的离散时间多模式非线性动态系统模型,利用当前时刻的各个传感器量测数据,结合交互式多模型和扩展卡尔曼滤波器得到各个局部状态估计值和滤波误差协方差阵,并采用动态加权信息融合准则获得更为精确的车辆融合航迹估计值.通过仿真验证表明这种多传感器信息融合估计算法能实时有效地提高车辆机动目标跟踪精度.     

一种带径向速度量测的Jerk-EKF机动目标跟踪算法

为了提高机动目标跟踪精度,在基于Jerk模型的扩展卡尔曼滤波算法(Jerk-EKF)基础上,提出了一种带径向速度量测的扩展卡尔曼滤波算法(Jerk-EKFrv).该算法通过引入径向速度量测扩充了量测矩阵的维数,然后利用展开泰勒级数的一次项,解决量测方程中状态向量和量测向量的非线性问题,最后采用卡尔曼滤波算法对目标状态进行估计.对Jerk-EKF和Jerk-EKFrv算法的仿真结果表明,Jerk-EKFrv算法能够有效提高机动目标的跟踪精度.     

多伯努利滤波的快速红外弱小目标检测与跟踪

针对复杂背景下多个弱目标检测与跟踪中存在的跟踪不稳定、非实时及量测模型高度非线性问题,提出一种基于多伯努利滤波的快速检测与跟踪算法.首先,采用改进的Robinson Guard算法抑制背景杂波,避免强起伏背景图像中目标被抑制的问题;其次,采用平方根容积卡尔曼滤波实现多伯努利检测前跟踪,在保证实时跟踪的同时,解决了滤波的高度非线性,避免了协方差矩阵负定造成的数值不稳定.实测红外背景图像实验表明,改进的Robinson Guard算法能够有效抑制背景杂波、保留弱目标信息,平方根容积卡尔曼多伯努利检测前跟踪能更准、更稳定地估计目标数目和状态,实现目标的实时检测与跟踪.     

基于改进卡尔曼滤波目标跟踪分簇方法研究

针对现有的目标跟踪分簇算法没有从根本上解决参与跟踪的节点数量过多,导致整个无线传感器网络(WSN)能耗的增加问题,提出一种基于Fisher信息矩阵的改进卡尔曼滤波的目标跟踪分簇方法 (Fisher Matrix for Kalman Filter,FMKF),用于针对性的选择节建立跟踪簇。该算法利用随机矢量估计的克拉美罗下界获得未知噪声的统计特性,优化卡尔曼滤波器的误差协方差。在无线传感器网络动态分簇时,创新的使用信息判据作为标准,并且加入节点剩余能量判据。仿真结果显示,FMKF算法与控制簇的激活半径算法和无分簇算法相比,FMKF算法可以在减少跟踪节点的数量的同时提高跟踪精度。     

以离散曲线为测地线的离散曲面构造

为了解决已知曲面特征线的外形设计问题,提出一种以B样条为度量函数的离散曲面构造算法。即假设给定离散曲线为测地线,并计算给定离散曲线的Frenet标架以获取曲线特征,然后由测地线特征计算出曲面约束条件,从而通过离散化约束条件设计满足约束条件的B样条度量函数来构建离散曲面。实验结果表明:该算法能有效地控制离散曲面形状,设计者可以通过控制B样条度量函数的形状,使得所生成离散曲面满足工业生产需求。     

基于矩阵加权多模型融合的认知跟踪波形设计

针对机动目标状态跟踪问题,认知雷达能够调整发射端波形来获取持续、稳健目标跟踪信息.本文基于矩阵加权多模型融合思想引入一种新的面向机动目标跟踪的认知雷达自适应波形设计方法(Adaptive waveform design method based on Matrix-weighted Interacting Multiple Model,AMIMM).首先,利用多模型思路对机动目标状态进行建模,并考虑各模型目标状态估计及其误差协方差矩阵中元素间相关性,以矩阵加权融合方式代替传统概率加权方式,进而构造基于矩阵加权多模型信息融合的跟踪算法框架;然后,以多模型状态融合后的状态估计误差协方差矩阵为基准,利用特征值分解(Eigen Value Decomposition,EVD)技术求取融合后状态估计误差协方差矩阵对应椭圆参数;最后,通过分数阶傅里叶变换(fractional Fourier transform,FrFT)来旋转雷达量测误差椭圆,使得量测误差椭圆与融合后目标状态估计误差椭圆正交,从而获得下一时刻认知波形参数,实现波形自适应捷变.仿真实验表明,与当前流行多种算法相比,本文所提算法能够进一步提高机动目标跟踪精度和稳健性.     

改进的GM-CBMeMBer机载多普勒雷达多目标跟踪算法

为了有效抑制剩余杂波、提高多目标跟踪(MTT)能力,在高斯混合势平衡多目标多伯努利(GM-CBMeMBer)滤波器的基础上引入多普勒信息,提出了一种适用于机载多普勒雷达的MTT算法(GM-CBMeMBerwD).该算法改进了GM-CBMeMBer滤波器的更新步骤:首先利用位置量测更新目标状态,然后利用多普勒量测对其进一步更新,从而更准确地求得目标似然函数和状态估计.仿真结果表明,与GM-CBMeMBer相比,GM-CBMeMBerwD能更准确且更稳定地估计目标数量;与其他3种跟踪算法相比,GM-CBMeMBerwD能以较低的计算复杂度获得较优的跟踪性能.     

一种改进的泊松点过程概率多假设跟踪方法

多目标跟踪方法的核心是获取量测点与目标间的最优关联.传统的多目标跟踪方法从穷举出的所有可能关联中估计出最优关联,随目标数目指数倍增的关联复杂度制约了雷达跟踪多目标的能力.因此提出了一种低运算复杂度、高跟踪精度的多目标跟踪算法和与其配套的航迹管理方法,目标和杂波产生的量测点被建模为泊松点过程,以量测的来源为缺失信息,通过...     

基于GM-CPHD滤波算法的主动声呐目标跟踪

水下多目标运动状态估计一直是主动声呐目标跟踪的难点问题。为了实现对可变数目水下多目标运动状态的估计,将随机有限集理论应用于多目标跟踪,不仅避免了多目标跟踪数据关联问题,而且解决了多目标跟踪过程中可变数目目标运动状态估计。传统的PHD滤波算法对目标数目估计存在敏感性,虽然CPHD滤波算法引入了对势分布的估计提高了对目标数目估计的精确性,但同时也增加了其计算量。对于高斯线性目标跟踪系统,GM-CPHD滤波算法对目标数目的估计比GM-PHD滤波更加精确。利用椭圆跟踪门策略减小了GM-CPHD滤波算法的计算量。同时,结合水下目标跟踪的特点,利用声呐方程得到一定虚警概率条件下的检测概率与距离关系的解析式,提出了一种适合于水下目标跟踪的自适应检测概率GM-CPHD滤波算法,仿真结果表明:该算法在多目标跟踪中可以更有效地实现目标状态及数目的估计。     

基于RK-UKF算法的再入目标质阻比估计

针对再入目标质阻比实时估计的问题,根据目标的三维再入运动模型及量测模型,提出了一种基于龙格-库塔（Runge-Kutta）积分的不敏卡尔曼滤波（UKF）算法（RK-UKF）的再入目标质阻比估计方法,给出了RK-UKF算法与扩展卡尔曼滤波（EKF）算法和不敏卡尔曼滤波算法的仿真比较.仿真结果表明,RK-UKF算法可实现对再入目标的高精度跟踪和其质阻比快速稳定的估计.     

噪声相关下含无序量测的多传感器信息融合估计

多传感器跟踪系统中因通信延迟常会出现无序量测现象,为了提高系统估计精度,采用直接更新法对状态进行更新估计,并针对噪声相关下含无序量测的多传感器系统,提出了矩阵加权最优信息融合状态估计算法,考虑了过程噪声和量测噪声的相关性以及局部估计的误差相关性.仿真计算验证了算法的有效性.     

一种适用于机动目标跟踪的改进卡尔曼滤波算法

针对卡尔曼滤波跟踪强机动目标时性能下降的问题,提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法.该算法在卡尔曼滤波算法的基础上,根据当前量测目标航向与前一目标航向之间的航向角度差,判断机动强弱并计算出加权函数值,然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态,最终改进目标的状态估计.仿真结果表明,目标强机动时该算法具有较高的跟踪精度.     

基于改进LMedS的多传感器偏差稳健估计

针对误关联条件下的多传感器偏差估计问题,在最小平方中值方法的基础上,提出了一种改进的估计方法。该方法首先以加权最小一乘为目标函数,并基于NM单纯形算法获取粗估值;然后以粗估值为基准对量测数据按子集进行排序,再用排序后筛选的中值量测序列进行最小二乘求解得到精确估计。通过多传感器多目标的仿真算例对文中算法进行了验证。仿真结果表明,相对于最小平方中值算法,在高误关联率的情况下,该方法能够得到更高的估计精度。     

强干扰环境下水下纯方位PMHT多目标跟踪

针对强干扰环境水下纯方位多目标跟踪的非线性、不可观测性以及数据关联模糊等问题,基于期望极大化算法,结合扩展卡尔曼滤波(extended Kalman filter,EKF)平滑算法和无味卡尔曼滤波(unscented Kalman filter,UKF)平滑算法,提出了基于EKF和UKF的多传感器多目标纯方位概率多假设跟踪(probabilistic multiple hypothesis tracking,PMHT)算法。纯方位PMHT算法通过引入目标和量测数据之间的关联变量来解决量测与目标之间的数据关联模糊问题。简化了基于EKF平滑算法的多传感器纯方位PMHT算法,避免堆积每个传感器的合成量测,有效减小了运算量。仿真结果表明,在水下强干扰环境下,对于静止多观测站和机动单观测站,2种算法对多个交叉运动目标和邻近运动目标的航迹关联成功率高,抗干扰性能好,并且运算量小,证明了算法的有效性。     

基于特征的三维人体建模

应用B样条拟合方法，提出一种基于特征的人体模型网格曲面造型方法，文中介绍了B样条曲面的拟合理论和B样条曲面用于三维人体曲面拟合的具体过程及其获取具有真实感的三维人体模型的消隐处理算法。并采用了基于特征的参数化设计思想，用人体参数控制人体，使结果的变化十分快捷。     

一种多机动目标协同跟踪的博弈论算法

针对传感器网络中的动态跟踪问题,提出一种基于博弈论的多机动目标协同跟踪算法.首先利用交互多模型扩展粒子滤波估计网络中每个机动目标的状态;然后以滤波过程中获得的目标信息增益为衡量标准,促使跟踪精度未达系统要求的目标的代理发起谈判,在保证谈判双方利益最大化的前提下,通过博弈为谈判发起者争取更多的传感器对其所代表的目标进行跟踪.仿真结果表明,在非线性非高斯环境下,该方法与传统方法相比能够有效提高跟踪精度,动态分配传感器资源以实现协同跟踪.     

无线传感器网络下的并行粒子滤波目标跟踪算法

针对无线传感器网络环境下目标跟踪问题,提出一种基于分布式并行粒子滤波的目标跟踪方法.在建立了网络动态分簇模型和目标运动模型的基础上,将并行粒子滤波算法应用于动态目标进行跟踪.算法通过多个感知节点并行的运行局部粒子滤波器,得到每个节点对目标状态的估计,动态成簇的簇头节点对簇内每个节点的信息进行融合,形成动态目标的状态估计...     

不确定性量测的融合估计

为了解决多传感器环境下各传感器观测的有效性具有时变不确定性时,难以恰当地构造系统观测向量与观测矩阵的困难,提出一种不确定性观测向量的量测融合算法.该方法对现有并行滤波量测融合估计算法进行推广,为各传感器观测向量的每一维定义其有效度函数,来构造能表示量测不确定性的广义观测向量以及广义误差方差阵,获得形式上的有效量测,就可以利用现有的量测融合方法获得最优融合估计.为了便于数值计算,同时给出一种次优的融合估计算法.实验结果表明,文中方法能适应量测有效性时变情况下的多传感器量测融合估计,且计算量与现有确定性量测的融合估计方法基本相同.