密集杂波环境下多目标跟踪算法

在密集回波环境下对多目标进行航迹起始和跟踪是一个很难解决的问题，对此提出一种基于m-best 2-D分配算法和广义似然比判决的多目标跟踪算法。数值仿真实验表明提出的多目标跟踪算法能够有效解决“量测-目标”数据关联问题，并且能在较短时间内发现假航迹，确认真航迹，大大减轻对系统的存储量、计算量的要求。     

一种基于变分推断的雷达多目标跟踪JPDA算法

针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法（Joint Probability Data Association,JPDA）。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k 近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN－JPDA) 算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。     

基于高斯粒子JPDA滤波的多目标跟踪算法

在多目标跟踪中,由于观测的不确定性带来数据关联问题,并且,多目标状态空间尺寸的增长带来了维数增大问题,该文提出了一种新的高斯粒子联合概率数据关联滤波算法(GP-JPDAF),在JPDA框架中引入高斯粒子滤波(GPF)的思想,通过高斯粒子而不是高斯量,来近似目标与观测的边缘关联概率,利用GPF计算目标状态的预测及更新分布。将其应用于被动多传感器多目标跟踪,仿真结果表明该算法比MC-JPDAF具有更好的跟踪性能。     

基于JPDA的多目标跟踪算法及其应用

在多目标和杂波环境下,量测与对应目标源的关联将变得复杂,当邻近目标运动时,采用滤波算法跟踪目标时,源于目标的量测会相互干扰,导致误跟现象的发生。针对此问题,本文采用基于联合概率数据关联JPDA的方法进行处理,通过引入两个基本假设条件,即每个量测只有一个源和每个量测至多源于一个目标,计算各量测与各目标源的关联概率,进而估计出各目标的状态信息。仿真结果表明在采用本文的算法处理多目标问题时,目标的位置和速度信息能够得到较好的估计,避免误跟现象的发生。     

一种耦合检测和JPDA滤波的多目标跟踪算法

传统雷达信号处理中对目标的检测和跟踪是割裂处理的,通常为先检测后跟踪(DBT);当目标的信噪比较低时,检测过程中将出现大量的虚警及漏检,使得后继的跟踪算法失效。针对这一问题,在联合处理检测和跟踪方法的基础上,提出了一种耦合贝叶斯检测和联合概率数据关联(JPDA)滤波的多目标跟踪算法(JPDAF-BD)。JPDA滤波器将目标的位置分布信息反馈到贝叶斯检测器,继而贝叶斯检测器将该反馈作为先验信息用于检测判决。仿真结果表明,所提出的JPDAF-BD算法较之传统DBT体制下的多目标跟踪算法(JPDAF-NP)有显著的性能提升,可以实现更低信噪比下的多目标检测和跟踪。     

两类典型多目标跟踪算法的性能分析与比较

在处理目标跟踪的两类主要方法中,一类是通过数据关联来解决,如PDA和JPDA等;另一类则是绕过关联直接处理,如随机集、GM-PHD等。该文从两类典型方法中各选取一种有代表性的方法,如JPDA与GM-PHD,首先通过分析两种算法主要步骤的计算量,得到相应算法总计算量的解析表达式;然后根据观测与目标状态之间关联复杂程度,分3种情况对两类算法的计算量进行比较;最后以仿真说明算法的跟踪效果,并以算法运行时间来验证计算量公式的正确性。     

一种可递归和并行实现的快速JPDA算法

联合概率数据关联算法是密集杂波环境下一种良好的多目标数据关联跟踪算法,计算量爆炸效应一直是该算法的一个难题,本文提出了一种基于分层的构造关联事件的快速算法,层次间的搜索具递归性并可以独立进行,因而可行并行实现,文中还将本文的方法跟有关文献方法作了比较,并且给出相应的计算机仿真实验和结果。     

基于IAUKF-JPDA算法的多目标跟踪

针对不同传感器融合跟踪精度低的问题,提出一种采用加权融合的改进自适应无迹卡尔曼滤波算法(IAUKF).针对不同传感器的融合处理中场景切换导致的传感器精度变化,对来源于不同传感器的数据设置不同的权重,引入Sage-Husa自适应思想,实时处理测量噪声的统计特性,利用联合概率数据关联(JPDA)来完成杂波的去除和量测-目标...     

GM-PHD雷达密集多目标跟踪应用研究

针对雷达密集多目标跟踪数据关联的难题,深入研究了可以避免数据关联的多目标跟踪方法-高斯混合概率假设密度算法(GM-PHD)。首先,将多目标的运动和多目标量测建模为随机有限集的形式,并给出了相应的最优多目标贝叶斯滤波器;然后,在线性高斯假设条件下,详细给出了GM-PHD均值、方差和权值的递归形式,降低了计算复杂度,满足跟踪实时性要求;最后,开展了仿真实验和实测数据实验,实验结果显示GM-PHD在不需要数据关联的情况下,能够有效抑制大量杂波,稳定地跟踪密集多目标。     

密集杂波环境下逻辑起始算法研究

针对高密集杂波环境下难以有效的进行航迹起始,提出了一种新的起始算法。利用首次扫描的位置信息形成可能航迹,后续周期利用航迹的状态估计信息形成一种椭圆关联门,同时加以角度限制抑制与航迹形成V字的点迹,并对航迹实行分类关联,最终快速起始一条正确的航迹。通过对算法及其性能指标的仿真分析可知,新算法具有更低的虚假航迹起始概率,有更好的起始性能。     

密集杂波环境下多目标数据关联算法研究

为有效降低密集杂波环境下多目标数据关联计算的复杂性,提出一种适合工程应用的数据关联方法。首先在椭圆跟踪门的基础上对目标的运动方向进行限制,尽可能地减少落入跟踪门内的回波,然后使用FAFDA算法对落入公共波门内的测量点迹进行处理。     

密集杂波环境下的多目标航迹起始算法研究

针对密集杂波环境下多目标航迹起始问题,提出了基于Hough变换和直观法的一种新的航迹起始算法,很好地解决了Hough变换在航迹起始中因为扫描周期数有限而无法使用以及直观法在密集杂波下无法正常起始航迹的问题,同时降低了航迹起始的总运算量。通过仿真结果可知,该方法能在密集杂波环境下对多目标航迹实现有效起始,对工程应用有一定意义。     

一种面向互动投影的多目标跟踪方法

针对互动投影系统对多目标跟踪在自适应和实时性方面的需求,提出了一种基于自适应混合粒子滤波和自适应数据关联的多目标跟踪方法.该方法采用基于背景差检测的混合粒子滤波并将跟踪置信度引入目标的状态量中,根据跟踪置信度大小自适应地加强或减弱关联强度进行数据关联;同时,根据数据关联结果分析目标出现、目标消失、目标衍生、目标相遇等复杂运动情况,对每个目标进行自适应混合粒子滤波跟踪.实验证明该方法提高多目标跟踪性能,能够较好满足互动投影的应用需求.     

基于PPP模型的多扩展目标跟踪的JPDA算法研究

针对多扩展目标跟踪问题,提出了基于泊松点过程（Poisson Point Process, PPP）模型的多扩展目标跟踪的联合概率数据关联（Joint Probabilistic Data Association, JPDA）算法。首先,采用PPP对扩展目标进行测量建模,其次以“多对一”关联模型思想提出一种的JPDA算法,从而计算运动目标的当前有效量测的边缘关联概率,然后结合该边缘关联概率以概率数据关联（Probability Data Association, PDA）的方式分别更新每个扩展目标的运动参数和形状参数向量,最后通过仿真实现了当扩展目标相互靠近或出现交叉时的跟踪。实验结果表明,在高杂波环境下,本文所提出的算法在计算时间和跟踪稳定上具有较明显的优势。      

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)。     

基于多基地雷达系统的快速多目标跟踪算法

针对用多基地雷达系统跟踪近距离多高速机动目标的场合,提出了一种快速跟踪算法.该算法首先用观测组合预处理模块和航迹跟踪门大量剔除冗余组合数据,然后用S-D分配算法选择最小代价量测组合,计算航迹初值点,用并行扩展卡尔曼滤波算法估计确定目标的运动状态,并提出将多个目标的滤波进程和S-D分配进程并行化以提高算法的实时性.仿真结果表明,该算法不仅能快速精确地跟踪到多目标运动状态,而且具有很好的收敛特性和稳定性.