基于随机神经网络的数据关联组合优化研究

本文研究密集多回波环境下的机动多目标数据关联问题，通过对联合概率数据关联方法性能特征的分析，将其归结为一类的束组合优化问题，进而应用随机神经网络Ｂｏｌｔｚｍａｎｎ机的组合优化求解策略，结合改进的模拟增益退火方法，提出了一种新颖有效的机动多目标快速随机神经数据关联组合优化算法，克服了传统，ＪＰＤＡ存在出现的计算组合爆炸现象，仿真结果表明，该方法不仅收敛速度快，而且计算量小，关联效果好，回波愈密集，其     

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.     

多传感器多目标检测中的数据关联

研究在漏检、无杂波情况下多传感器对数目未知的目标检测中数据关联问题,并将其表述为多传感器数据集之间数据的组合化分配问题,提出一种基于ＧＡ的关联算法。仿真实验表明,该算法具有较高的关联成功率,可大幅度提高多传感器的检测概率,并能对目标个数进行优化。     

多目标跟踪数据关联及其改进算法

本文研究了多目标跟踪数据关联问题,针对联合概率数据关联算法的"组合爆炸"现象,介绍了一种改进算法,以较小的计算量直接计算后验概率.蒙特卡罗仿真表明,该算法在对多个目标进行跟踪时具有很好的性能.     

多目标跟踪数据关联及其改进算法

本文研究了多目标跟踪数据关联问题,针对联合概率数据关联算法的“组合爆炸”现象,介绍了一种改进算法,以较小的计算量直接计算后验概率。蒙特卡罗仿真表明,该算法在对多个目标进行跟踪时具有很好的性能。     

马尔可夫链蒙特卡洛重要度采样与多目标跟踪

针对强杂波环境下的多目标跟踪问题,提出一种基于马尔可夫链蒙特卡洛重要度采样的跟踪方法．通过马尔可夫链蒙特卡洛实现对联合关联事件的采样,据此计算目标可关联量测数据的边缘关联概率．在联合关联事件求解中利用单目标量测的概率密度进行重要度采样,提高采样效率．马尔可夫链蒙特卡洛重要度采样方法克服了联合概率数据关联中的“组合爆炸”问题,能够在强杂波干扰下较好地实现多目标实时跟踪．通过仿真实验对比分析了算法的跟踪精度和处理的时效性,验证了方法的有效性．     

多传感器多目标联合概率数据关联研究

提出改进联合概率数据关联算法对多传感器、多目标量测进行同源划分及单一传感器测量数据转换,并采用联合概率数据关联算法求解空间目标轨迹交叉时的数据关联.仿真结果表明,改进联合概率数据关联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.     

Data association method of SLAM based on ant colony algorithm

针对SLAM的数据关联问题,提出了基于蚁群算法的数据关联方法。将SLAM的数据关联问题演化为组合优化问题,通过利用蚁群算法解决组合优化问题的优势,结合JML关联理论,将蚁群算法应用于选择量测和特征的关联集合。详细介绍了该方法的实现步骤,建立了基于蚁群算法的数据关联模型,最后在仿真环境下对其进行了试验。分析结果表明,所提方法在保证关联效率的前提下有效地降低了运算时间,是一种解决SLAM数据关联的可行算法。     

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。     

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。     

一种改进的联合概率数据关联算法

对于多目标跟踪问题,数据关联是其核心部分,联合概率数据关联算法(JPDA)是多目标跟踪的典型方法。当目标较为密集,计算量剧增,会出现计算组合爆炸现象,而其本质就在于确认矩阵拆分成可行矩阵的计算量。为了降低JPDA的计算量,本文提出了一种改进的JPDA算法,在拆分确认矩阵时引入分支定界算法的思想,以确定每个目标的最后一个回波。当搜索到最后一个回波时停止搜索,执行下一个目标回波的搜索,直至结束。利用该改进算法对杂波环境下多目标跟踪进行仿真实验,结果表明,该算法使其时间代价减少。     

一种面向互联概率加权的JPDA多传感器数据融合方法

针对单传感器联合概率数据互联(Joint Probabilistic Data Association, JPDA)在复杂环境下难以跟踪多个目标的问题,提出一种基于JPDA量测目标互联概率统计加权并行式和序贯式多传感器数据融合方法。首先,给出单传感器JPDA算法。然后,介绍多传感器JPDA数学模型,基于这一模型,使用互联概率加权,推导并行式和序贯式多传感器数据融合公式,这对多传感器数据融合有一定指导意义。最后,对单传感器JPDA方法在不同杂波密度、不同过程和不同观测噪声下目标跟踪的距离RMSE进行仿真,结果表明,随着这3项指标皆增大,目标距离RMSE增大;同时,对本文的2类多传感器JPDA方法与其他几类跟踪方法在数据集PETS2009下有关行人跟踪性能进行仿真,结果表明,本文并行式和序贯式多传感器JPDA方法相较于其他方法在跟踪准确性、跟踪位置准确性、航迹维持以及航迹遗失上皆为最优,而且序贯式融合略优于并行式多传感器JPDA。     

Joint probabilistic data association in distributed sensor networks

A distributed multitarget tracking problem is considered. The joint probabilistic data association (JPDA) algorithm, which has been successfully used for tracking multiple targets in a cluttered environment, assumes a centralized processing architecture. It assumes that measurements are transmitted to a central site and processed. In some applications, however, it may be desirable for the sensor measurements to be processed at or near the sensors instead of transmitting them to the central processor. The local processed results are then sent over a communication network to be used by other processors. This paper presents a distributed version of the JPDA algorithm which is applicable under such a situation.     

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.     

基于联合概率数据关联算法的红外弱小目标跟踪

针对在云天背景下运动的红外弱小目标,从数据关联的角度,利用联合概率数据关联算法实现多个红外弱小目标的跟踪.实验结果表明,在杂波环境下,联合概率数据关联算法可以稳健地跟踪多个红外弱小目标的目标状态,跟踪效果好.     

改进联合概率数据关联的视频多目标快速跟踪

针对监控范围较大、目标外观特征少的视频多目标数据关联及跟踪问题,本文仅利用目标运动特征,提出了一种基于联合概率数据关联（joint probabilistic data association,JPDA）的复杂情况下视频多目标快速跟踪方法．首先采用murty算法求JPDA的最优K个联合事件,大大降低了计算复杂度;然后根据JPDA的关联概率讨论目标的运动情况,分析在多目标新出现、遮挡、消失、分离（前景检测存在目标碎片）等复杂情况下当前帧量测与跟踪目标的数据关联问题,获取复杂运动的多目标跟踪轨迹．在多个监控视频上的实验结果表明,该方法能大大提高跟踪性能,实现复杂情况下的视频多目标快速跟踪．     

Markov Chain Monte Carlo Data Association for Multi-Target Tracking

This paper presents Markov chain Monte Carlo data association (MCMCDA) for solving data association problems arising in multi-target tracking in a cluttered environment. When the number of targets is fixed, the single-scan version of MCMCDA approximates joint probabilistic data association (JPDA). Although the exact computation of association probabilities in JPDA is NP-hard, we prove that the single-scan MCMCDA algorithm provides a fully polynomial randomized approximation scheme for JPDA. For general multi-target tracking problems, in which unknown numbers of targets appear and disappear at random times, we present a multi-scan MCMCDA algorithm that approximates the optimal Bayesian filter. We also present extensive simulation studies supporting theoretical results in this paper. Our simulation results also show that MCMCDA outperforms multiple hypothesis tracking (MHT) by a significant margin in terms of accuracy and efficiency under extreme conditions, such as a large number of targets in a dense environment, low detection probabilities, and high false alarm rates.