基于联合概率数据关联和粒子滤波的多目标跟踪算法

数据关联一直是多目标跟踪中的核心问题,是实现多目标有效跟踪的关键。介绍了多目标跟踪的基本原理以及联合概率数据关联的基本原理,并且将粒子滤波引入到联合概率数据关联模型中,提出了联合概率数据关联-粒子滤波算法来实现多目标跟踪。仿真结果表明,此算法可以很好的实现固定数目多目标跟踪。     

基于粒子滤波的JPDA多目标跟踪算法

对于非线性非高斯系统的多目标跟踪问题,在已获得各目标初始信息和观测信息的基础上,结合联合概率数据关联算法,提出了一种基于数值积分粒子滤波的多目标跟踪算法.仿真结果表明,该算法在解决非线性非高斯系统的多目标跟踪问题时是可行有效的.     

闪烁噪声环境下机动目标跟踪的改进的高斯-厄米特粒子滤波

针对闪烁噪声环境下机动目标跟踪的非线性、非高斯问题,提出了一种改进的高斯-厄米特粒子滤波算法.和传统的高斯-厄米特粒子滤波算法相比,在生成粒子集时,改进的高斯-厄米特粒子滤波算法采用高斯-厄米特滤波对当前时刻的各个粒子进行估计,将得到的估计值和协方差直接作为粒子滤波算法的粒子集及相应的协方差.仿真结果表明,改进的高斯-厄米特粒子滤波算法对闪烁噪声环境下的机动目标能够进行有效的跟踪,提高了跟踪精度.     

基于B样条曲线的GHPF轮廓跟踪算法

针对视觉跟踪中粒子滤波算法的建议性分布函数选择问题,提出一种目标轮廓跟踪的高斯厄米特粒子滤波算法(GHPF).该算法采用B样条曲线描述目标轮廓,建立目标运动模型.利用高斯厄米特滤波器产生建议性分布函数,通过实时融入最新的观测数据来逼近系统状态的后验概率,提高了滤波估计的精度.实验仿真结果验证了所提算法的有效性.     

基于粒子滤波的交互式多模型多机动目标跟踪

针对交互式多模型联合概率数据关联滤波算法(IMM-JPDAF)在非线性情况下跟踪精度低,并不适用于非高斯问题的情况,提出了一种基于粒子滤波的交互式多模型多机动目标跟踪算法;将交互式多模型联合概率数据关联(IMM-JPDA)与粒子滤波相结合,在交互式多模型联合概率数据关联的框架下,各模型采用粒子滤波算法处理非线性非高斯问题,避免了噪声的高斯假设和非线性部分的线性化误差。仿真结果表明,IMM-JPDA-PF算法的跟踪性能明显优于IMM-JPDAF算法,能够对杂波环境中的多机动目标进行有效跟踪。     

稀疏高斯厄米特PHD机动多目标跟踪算法

针对基于概率假设密度（probability hypothesis density，PHD）的非线性机动多目标跟踪精度低、滤波发散、目标数目估计不准确等问题，提出一种基于交互式多模型的稀疏高斯厄米特PHD算法.该算法在PHD滤波器下，采用稀疏高斯厄米特方法对目标进行状态预测和量测更新，构造一种稀疏高斯厄米特PHD滤波器；然后将交互式多模型算法融入稀疏高斯厄米特PHD滤波框架中，解决了目标机动过程中运动模式不确定的问题.仿真结果表明该算法能对机动多目标进行有效的跟踪，相比交互式多模型不敏卡尔曼PHD等滤波方法具有更高的状态估计精度，且目标数目估计更准确.     

多回波环境中多机动目标跟踪的新算法*

目标的状态估计与数据关联是机动多目标跟踪中的关键问题.针对杂波环境中多机动目标的跟踪问题,本文首先引入一种自适应滤波算法,并与快速概率数据关联算法结合,提出一种适于实际应用的密集回波环境下机动多目标跟踪的新算法-快速自适应概率数据关联(FAPDA)算法,利用近似概率数据关联(PDA)算法的计算量达到优于联合概率数据关联(JPDA)算法的跟踪效果,并能快速检测到机动.通过与JPDA算法的仿真结果进行对比,表明了该算法的有效性和快速性.     

神经网络在多机动目标跟踪中的应用

为解决多目标跟踪中数据关联与状态估计的问题引入神经网络方法.针对联合概率数据关联(JPDA)存在的计算组合爆炸问题,利用Hopfield网络解决TSP问题的思路找到神经网络联合概率数据关联(NJPDA)方法,并对其进行一定的改进解决其参数确定问题.基于以上关联方法得到的关联概率,利用简化的信息融合自适应滤波算法,实现对目标轨迹的状态滤波与预测.以上综合方法充分利用了神经网络的优点,保证了多目标的跟踪精度及实时性.     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

基于KLD-JPDA的多目标无源协同定位算法

针对杂波环境下面向无源协同定位系统的多目标跟踪问题,提出一种基于KL散度(Kullback-Leibler Divergence、 KLD)的联合概率数据关联算法(Joint Probabilistic Data Association, JPDA)。首先,在联合概率数据关联框架内计算关联事件的后验概率密度函数,并计算该函数与高斯概率密度函数之间的KLD。其次,将KLD作为代价函数优化关联事件的后验概率密度函数。最后,根据优化的后验概率密度函数对目标状态进行估计。仿真结果表明,所提算法能有效解决杂波环境下多目标跟踪问题,提高跟踪性能。