基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法

多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。     

重拖尾海杂波下基于MCSEAPHD目标跟踪算法

针对重拖尾海杂波下的对海探测问题，提出了一种基于多帧杂波稀疏度估计和幅值辅助概率假设密度的海面目标跟踪算法。首先，提出重拖尾海杂波下的多帧杂波稀疏度估计技术，利用高斯混合后验强度和多帧杂波累积剔除源自幸存目标和新生目标的测量，实时估计空间分布未知且时变的重拖尾海杂波密度；然后，将杂波密度估计参数传递到跟踪器中，并建立带幅值的量测似然函数，在概率假设密度算法框架下进行状态更新，并将更新后的高斯混合后验强度用于下一帧的杂波密度与目标状态估计；最后，进行了仿真试验，仿真结果验证了所提算法的有效性。     

基于高斯混合势化概率假设密度的脉冲多普勒雷达多目标跟踪算法

为在新兴的随机有限集(RFS)框架下充分利用多普勒信息跟踪杂波环境下的多目标,该文提出基于高斯混合势化概率假设密度(GM-CPHD)的脉冲多普勒雷达多目标跟踪(MTT)算法.该算法在标准GM-CPHD基础上,在使用位置量测更新状态后,再利用多普勒量测进行序贯更新,可获得更精确的似然函数和状态估计.仿真结果验证了该算法的有效性,表明在GM-CPHD基础上引入目标的多普勒信息可有效抑制杂波,显著改善跟踪性能.     

杂波环境下被动多传感器机动目标跟踪新算法

针对杂波环境被动传感器机动目标跟踪问题,该文研究了一种基于粒子滤波的被动多传感器机动目标跟踪新算法。 在该算法中,首先推导了杂波环境下粒子滤波的似然函数表达式。其次将粒子滤波与交互多模型(IMM)相结合,用IMM方法实现模型的切换,以适应目标的机动变化。用粒子滤波实现对观测方程的非线性处理。最后,建立了被动多传感器的非线性观测模型,避免了目标的不可观测性,并且算法还能够处理非高斯噪声情况。仿真实验结果表明,提出的算法能够有效地对被动机动目标跟踪,且性能优于交互多模型概率数据关联滤波器(IMM-PDAF)。     

一种适用于非高斯杂波背景的DP-TBD算法

针对动态规划检测前跟踪(DP-TBD)算法在非高斯杂波背景、起伏目标条件下检测和跟踪性能差的问题,将粒子滤波引入动态规划的似然比阶段指标函数计算中,利用粒子权值的均值表征目标存在假设下的似然函数,导出似然比指标函数模型,进而给出了一种适用于非高斯杂波背景和起伏目标的最大似然DP-TBD算法。应用文中算法在对数-正态杂波、Swerling起伏模型条件下,对目标的检测跟踪性能进行了仿真,并与两种传统的DP-TBD算法进行比较,验证了该算法的有效性。     

基于联合似然函数的多扩展目标广义标签多伯努利滤波器

高分辨率雷达监视系统可观测到区域内不同形状的多个扩展目标,可靠的形状估计有利于提高扩展目标跟踪性能,并可作为战场态势评估的重要依据。该文针对不同形状多扩展目标跟踪问题,提出一种基于联合似然函数的广义标签多伯努利(JL-GLMB)滤波器,可实现目标数目、航迹以及形状的精确估计。首先,将目标形状建模为星凸集,并利用非线性量测变换滤波器更新GLMB分布中的高斯分量,有效提高扩展目标状态估计精度。然后,通过对数加权融合策略,构造联合似然函数,综合衡量扩展目标和量测单元之间的相似程度。最后,基于吉布斯采样,提出快速计算扩展目标状态后验概率密度的方法,有效提高数据关联的准确率和计算效率。仿真实验结果表明,所提滤波器能够有效估计不同形状的多扩展目标状态,且在杂波环境下具有稳定的势估计。     

多站无源雷达多起伏目标检测前跟踪算法

针对多站无源雷达背景下多起伏目标同时检测和跟踪的问题,该文提出一种基于多目标多伯努利(MeMBer)滤波器的多起伏目标检测前跟踪(TBD)算法。由于起伏目标的平均信噪比(SNR)未知使得目标的回波幅度似然函数不确定,该文假定包络检波器的输出平均SNR服从先验的均匀分布,并对可能取值区间进行边缘化处理,得到一个估计的似然函数,基于该估计的似然函数,融合中心利用所有收发对的幅度观测信息对MeMBer滤波器的各个预测分量进行更新。仿真结果表明,该算法能够有效地同时检测和跟踪多起伏目标,并且在平均SNR大于9 dB时,其性能与平均SNR已知情况下的性能近似。     

多模型粒子滤波跟踪算法研究

针对机动目标跟踪问题,该文设计了一种改进的多模型粒子滤波(EMMPF)算法。与传统的多模型粒子滤波(MMPF)算法按照模型概率分配粒子数不同,该算法可根据用户定义的准则灵活控制各个模型的粒子数,且无需对模型间的粒子进行交互。模型估计和状态估计分开计算,并用模型似然函数更新模型后验概率。与MMPF进行的仿真比较表明,该算法能用较少的粒子数获得更好的滤波性能。     

使用高斯混合滤波器的机动目标跟踪

实际目标跟踪过程中,被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息,给出了目标状态与类型不确定性的联合状态类型概率密度函数表示,并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质,引入高斯混合滤波器,实现了机动目标的有效跟踪。在仿真分析中,通过对比3种算法的跟踪结果,进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。     

图像目标检测前跟踪的广义多伯努利滤波算法

针对目标影响区域重叠时的图像目标检测前跟踪问题,推导了基于多伯努利滤波器的多目标联合检测与跟踪算法.在分析多个目标叠加条件下观测似然函数的基础上,利用预测得到的目标状态对观测似然函数进行估计,从而消除目标叠加对观测更新带来的影响.该方法在目标预测与跟踪阶段皆保持了目标状态的多伯努利分布特性,是较为严格意义上的多伯努利多目标滤波器,可应用于一般图像观测条件下(目标重叠或非重叠)的目标检测前跟踪.给出了该算法的实现步骤,并通过加标签的方法,更准确地实现目标轨迹提取和虚假目标剔除,最后通过计算机仿真实验验证了所提算法的有效性.     

RGPO 干扰下基于改进的IMM-PDAF 的机动目标跟踪技术

研究了距离波门拖引(RGPO)干扰下杂波环境中机动单目标的跟踪问题,在建立RGPO 干扰条件下雷达量测模型的基础上,提出了一种RGPO 干扰下基于改进的交互多模型-概率数据关联算法(IMM-PDAF)的目标跟踪技术。该技术联合RGPO 鉴别与跟踪一体化。在干扰鉴别上,采用信号似然比预处理、角度研究了距离波门拖引(RGPO)干扰下杂波环境中机动单目标的跟踪问题,在建立RGPO 干扰条件下雷达量测模型的基础上,提出了一种RGPO 干扰下基于改进的交互多模型-概率数据关联算法(IMM-PDAF)的目标跟踪技术。该技术联合RGPO 鉴别与跟踪一体化。在干扰鉴别上,采用信号似然比预处理、角度 检验以及m / n 逻辑检验方法。在跟踪算法方面,采用提出的基于量测功率特征的IMM-PDAF 算法,同时目标状态更新依据是否存在干扰采用不同的方法。若存在RGPO 干扰,则根据RGPO 假目标与真目标量测对的特点,采用提出的距离最近选择、角度数据压缩方法合成新量测对目标状态进行更新,若无RGPO 干扰,则综合功率和位置特征对所有量测进行加权更新目标状态。仿真结果表明,该技术不仅能有效剔除RGPO 干扰对跟踪算法带来的不良影响,而且具有良好的机动目标跟踪性能。 检验以及m / n 逻辑检验方法。在跟踪算法方面,采用提出的基于量测功率特征的IMM-PDAF 算法,同时目标状态更新依据是否存在干扰采用不同的方法。若存在RGPO 干扰,则根据RGPO 假目标与真目标量测对的特点,采用提出的距离最近选择、角度数据压缩方法合成新量测对目标状态进行更新,若无RGPO 干扰,则综合功率和位置特征对所有量测进行加权更新目标状态。仿真结果表明,该技术不仅能有效剔除RGPO 干扰对跟踪算法带来的不良影响,而且具有良好的机动目标跟踪性能。     

Amplitude information based robust tracking method for multiple marine targets

A robust multi-Bernoulli filter based on the amplitude information of the target in sea clutter was proposed,in which the amplitude information of the target and sea clutter was exploited to improve the measurement likelihood.Therefore,the proposed approach could distinguish targets from clutter better when they were spatially close,which further enhanced the ability to track targets in marine radar detection applications.The simulation results of Swerling type Ⅰfluctuating targets tracking in K distributed sea clutter show that,the proposed algorithm is superior in performance to the robust multi-Bernoulli filter in terms of state estimation,cardinality estimation,as well as clutter rate estimation.     

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.     

一种用于三维空间杂波环境机动目标跟踪的数据互联方法

目标跟踪过程中运动模型不准会导致预测中心不准,而预测中心不准会导致错误关联。为解决三维空间杂波环境下机动目标跟踪过程中数据互联问题,在数据关联时假定目标转弯率在一定范围内变化并且转弯方向是任意的,这样,预测中心为三维空间中的一曲面。在计算测量与目标间的关联度时,依据的是测量点距该曲面的距离。为了减少数据互联的计算量,该文提出了与特定测量相匹配的转弯率和转弯方向的计算方法。仿真实验表明,杂波环境下对机动目标跟踪时,采用该文方法提高了数据正确关联率,降低了航迹丢失率,同时提高了状态估计的精度。     

结合幅度信息的扩展目标随机有限集跟踪方法

基于随机有限集的扩展目标跟踪方法通常根据量测的空间信息进行量测划分,在杂波密集环境下有可能将杂波量测划入目标单元,从而造成跟踪性能的下降。为此,该文将目标和杂波的幅度信息引入高斯逆威沙特概率假设密度(GIW-PHD)滤波器,通过计算量测子集的幅度似然寻找最优的量测划分方法。此外,计算量测单元的中心时,采用幅度加权的方法计算量测单元的质量中心,以取代目前广泛使用的几何中心,从而进一步降低杂波对滤波器的干扰。在信杂比分别为13 dB和6 dB的条件下,通过对Rayleigh杂波中Swerling 1型起伏目标的跟踪结果证明了所提方法相比高斯逆威沙特概率假设密度滤波器具有更优的势估计和状态估计性能。      

机动目标DOA跟踪粒子滤波算法

针对标准粒子滤波算法在机动目标波达方向(direction of arrival, DOA)随时间快速变化导致跟踪精度下降、实时性变差及多目标跟踪误差大等不足的问题,本文提出了一种改进粒子滤波(particle filter, PF)算法。该算法依据阵列信号处理模型和匀速(constant velocity,CV)模型,建立了机动目标跟踪的状态方程和观测方程作为状态空间模型,并在此基础上,借鉴多重信号分类(multiple signal classification,MUSIC)算法谱函数修改了粒子滤波的似然函数,实现了对目标方位的实时动态跟踪。仿真结果表明,与传统子空间类跟踪算法和标准粒子滤波算法相比,本文方法跟踪精度更高,收敛速度更快,抗噪能力及鲁棒性更强,对轨迹交叉的多目标跟踪性能也更优。      

多编队目标先后出现时的无先验信息跟踪方法

针对多编队机动目标先后出现时的跟踪问题,该文提出了一种基于交互式多模型高斯混合概率假设密度滤波(IMM-GM-PHD)算法的无先验信息跟踪方法。首先,在IMM-GM-PHD算法预测过程完成的基础上,引入密度检测机制,利用相关域为所有预测高斯分量挑选有效量测,结合密度聚类(DBSCAN)算法检测是否出现新编队目标。其次,在IMM-GM-PHD算法状态更新完成的基础上,利用更新高斯分量的组成情况完成模型概率的更新。最后,在状态估计优化过程中,结合编队目标的特点,加入相似度判别技术,利用杰森-香农(JS)散度度量高斯分量间的相似度,剔除没有相似分量的高斯分量,进一步优化估计结果。仿真结果表明,该文方法能够快速有效地跟踪非同时出现的多编队机动目标,具有较好的跟踪性能。     

一种快速的多目标跟踪非线性滤波算法

多机动目标跟踪问题是目前目标跟踪领域的一个重要研究方向,而数据关联与跟踪维持是多目标跟踪的核心部分。利用支持向量机在分类识别方面的优势,研究了基于支持向量机的数据关联方法。在此基础上,采用交互式多模型算法和无味卡尔曼滤波相结合的方法研究了多机动目标的跟踪问题。在该方法中,目标的运动状态和方位误差由选定的采样点来近似,在每个更新过程中,采样点随着状态方程传播并随非线性测量方程变换,得到目标的运动状态和方位误差的均值,避免了对非线性方程的线性化,至少给出最佳估计的二阶近似。与传统的扩展卡尔曼(EKF)方法进行了仿真比较,仿真结果表明了该算法的有效性。