多传感器多目标分布跟踪中数据关联的快速算法

本文提出了一种基于局部估计融合的多传感器多目标数据关联算法，它包括粗关联和精关联两个过程。     

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。     

三维空间被动传感器的快速数据关联算法研究

这篇文章主要研究的是三维被动传感器的静态测量数据关联问题.多维指派算法以及它的诸多近优改进型方法已被证明可有效解决数据关联问题,但它们的缺点是候选关联代价的计算复杂且计算量大.我们提出了一种快速数据关联算法即基准线最小代价算法,该算法实质上是基准线算法与改进的三维指派算法的结合.它的优点是可快速削减候选关联集合的数目,并可简化关联代价的计算.仿真结果表明,该算法的计算量小于标准的三维指派算法.     

基于遗传算法的多传感器多目标静态数据关联

提出利用遗传算法解决在传感器存在漏检,检测空域中目标个数未知情况下,单平台多传感器融合系统对目标进行检测时的静态数据关联问题。实验结果表明,这种算法具有很高的关联成功率,并且提高了多传感器数据融合系统的检测概率。     

一种多目标跟踪起始和数据关联的快速算法

包含有新目标跟踪起始的数据关联问题是多目标跟踪算法研究中的一个难点。本文首先描述了红外搜索跟踪（ＩＲＳＴ）系统进行多目标跟踪中的跟踪起始和跟踪终结问题;然后提出了采用可变跟踪门的方法,并且将ＩＲＳＴ系统接收到的目标红外辐射作为一个参考量。给出了多目标跟踪起始和数据关联的快速算法。最后给出了数值仿真结果,仿真表明了这种算法的快速性和有效性。     

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。     

多红外传感器融合系统数据关联算法

针对传统多红外传感器多目标多维分配数据关联模型在构造关联代价时未充分考虑位置估计不确定性所引入的随机误差问题,提出了一种可精确到二阶的高精度关联代价构造方法。取非线性量测函数泰勒展开式的前二阶项,将最小二乘估计的均值和方差信息代入得到伪量测信息的均值和方差,继而将伪量测与真实量测信息的统计距离作为最终的关联代价。最后对不同关联算法的正确率进行了实验对比,仿真结果表明修正后的关联代价能够更精准地反映出数据关联的可能性,基于该修正代价的关联算法较之其他关联算法可获得更好的关联性能。     

广义概率数据关联算法

随着跟踪环境、跟踪对象和跟踪系统的不断变化、发展,目标与量测已很难仅仅以一一对应的关联关系来描述,这使得多目标跟踪中数据关联这一核心问题更具挑战.Jesus Garrcia、T.Kirubarajan和Bar-Shalom等学者从智能方法或重复使用一对一分配JPDA等方面进行了研究,取得一定成效,但计算量和性能均未达到理想效果.本文首先提出更符合实际情况的新的目标与量测相关联的可行性规则,给出广义联合事件的一种分割与组合方法,利用贝叶斯法则推导出了一种全局次优的广义概率数据关联算法(Generalized Probability Data Association,GPDA).通过本文设计的各种典型环境的仿真计算表明,GPDA算法的性能在目标与量测无论是否在一一对应的情况下,全面优于JPDA算法,且由于新算法的设计技巧,使计算量和存储量也大大小于JPDA算法,为发展同时具有良好实时和关联性能的多目标跟踪算法给出了新的尝试.     

被动传感器系统分层快速关联算法

被动传感器系统的核心问题是测量数据关联问题.在被动传感器系统中,多维分配算法是一种有效的关联算法,但多维分配本身是一个NP-hard问题并且建立候选分配树需耗费大量时间.为解决被动传感器系统中测量数据快速关联问题,本文提出了分层快速关联算法.该算法通过统计量检验减少候选关联,分层搜索寻找正确关联.仿真实验结果表明,分层快速关联算法是一种有效的关联算法,正确关联率高于拉格朗日松驰算法.     

采用目标假设的三被动式传感器数据关联算法

被动式传感器目标跟踪是多传感器多目标跟踪领域的一个重要研究方向。针对三被动式传感器多目标定位系统全局最优数据关联的三维分配问题,在允许传感器漏检和虚警的情况下,通过分析拉格朗日松弛算法,提出一种假定真实目标的快速收敛算法。该算法通过粗关联假定真实目标并重新修改代价矩阵,然后进行细关联,使得拉格朗日松弛算法在保证关联精度的前提下有效地提高了收敛速度。理论分析和实验结果表明,该算法提高了数据关联的速度,并在一定程度上提高了关联准确率。     

基于改进动态关联的多目标无源跟踪算法

针对状态-状态动态关联算法关联精度差,计算量大等缺点,提出了基于状态-量测动态关联的多目标只测角无源跟踪算法。该算法在航迹起始后,将目标状态估计直接与下一时刻由静态量测-量测数据关联确定的S元量测进行关联,利用二维分配算法得出关联对后,通过不敏卡尔曼滤波算法对关联出的方位角集合进行非线性滤波从而实现对与之关联目标的状态更新。仿真结果表明所提多目标跟踪算法能有效关联不同时刻源于同一目标的S元量测从而实现多目标跟踪且适合目标数目变化的情况,具有较好的工程应用前景。     

被动传感器组网模糊综合贴近度的数据关联算法

针对被动传感器采样非周期且采样数据缺乏距离信息等特点,提出了一种用于解决目标航迹与传感器量测相关联的模糊综合贴近度的数据关联算法.由于被动传感器的量测没有距离信息且传感器探测范围小,本算法首先设置两个关联波门进行量测筛选;然后采用航向确定法得出航向角信息,并综合方位角、俯仰角信息,使用模糊综合的方法进行最终的关联,以解决关联错误率高的问题;最后使用扩展卡尔曼滤波进行目标状态与协方差的更新.实验结果证明了该算法方法的有效性.     

基于GA的漏检情况下多传感器多目标数据关联算法

研究了漏检情况下多传感器多目标检测中的数据关联问题,并将其描述为数学规划中组合最优化问题,当传感器大于３时,该问题的求解是ＮＰ的。提出一种基于ＧＡ（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ）的数据关联算法,仿真实验表明,该算法具有较高的关联成功率,并能优化求解的多目标个数,提高多传感器系统的检测概率。     

基于多目标多特征信息融合数据关联的无源跟踪方法

在多目标无源跟踪中,传统的数据关联方法只利用那些与目标状态向量计算直接相关的信息(如DOA、TOA信息等).本文提出了一种新的数据关联算法——基于多目标多特征信息融合的数据关联算法,该算法同时利用了更多的目标特征信息(如频率、PRI等),应用D-S证据理论进行单目标多特征信息融合,在此基础上,再进行多目标综合数据关联.它是一种基于多特征信息的全局最优的算法.计算机仿真表明,基于该算法的无源跟踪性能要优于传统的NN方法和扩展的NN方法.     

多目标跟踪中的数据关联和航迹管理

传统的多目标关联算法JPDA存在两个缺陷:计算量较大,且其算法框架里缺乏航迹起始和终止逻辑。文中给出了一个航迹管理表,它包含多种情况下航迹的关联,能完成航迹的起始、维持和终结。在可靠航迹关联中,该文提出了一个改进的快速关联算法—多维概率数据关联(MPDA),讨论时主要考虑关联门相交区域中的公共回波对航迹更新的影响。MPDA可以类似与PDA的较低的计算代价达到了接近JPDA的关联成功率。仿真结果表明,文中的数据关联和航迹管理算法对复杂条件下的多目标跟踪能保持较高的跟踪成功率。     

基于红外和雷达的目标跟踪数据关联快速算法

在顺序串行多传感器联合概率数据关联算法的基础上,提出了一种杂波环境下多传感器多机动目标快速跟踪算法,即顺序的MSFAFDA.首先顺序地用来自红外和雷达的量测更新状态估计,然后应用多传感器快速数据关联算法进行数据关联,易于推广到具有多个传感器的跟踪系统.仿真结果表明,MSFAFDA算法的计算量要比一般的多传感器IMM-JPDA算法小,具有更快的收敛速度;跟踪的目标数越多,MSFAFDA算法在实时性方面的优势就越明显.     

一种改进的基于特征空间自适应波束形成算法

在基于特征空间(ESB)自适应波束形成算法的基础上,本文提出一种更稳健的波束形成算法,该算法利用对阵列接收信号相关矩阵特征分解获得的信号子空间,对基于特征空间算法中的约束导向矢量进行校正,并完成波束形成.计算机仿真和分析证实了该算法性能要优于常规ESB算法的性能.     

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.