基于MMPHDF的多机动目标联合检测、跟踪与分类算法

针对场景中存在新目标出现、旧目标消失(即目标数目变化)和密集杂波的复杂情形,利用多模型概率假设密度滤波器(MMPHDF)在多机动目标联合检测与跟踪上的优势,加入类别辅助信息,提出了一种多机动目标联合检测、跟踪与分类算法.该算法的基本思想是在MMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,从而改善了目标数目及状态的估计精度;在更新目标状态后,对目标属性信息进行更新,更为精确的目标数目及状态估计又保证了目标分类性能.本文给出了该算法的粒子实现方法.仿真结果验证了上述结论.     

面向扩展目标跟踪的网格聚类量测划分方法

针对扩展目标跟踪中量测集划分困难及目标数目估计不准的问题,提出了一种面向扩展目标跟踪的网格聚类量测集划分方法。首先,由目标之间的时空关联性,将当前时刻的量测划分为存活目标量测与新生目标量测。然后,针对高斯混合概率假设密度滤波器与扩展目标高斯混合概率假设密度滤波器,分别推导出改进的模糊C均值算法与改进的网格聚类算法用于划分存活目标量测集与新生目标量测集。仿真结果表明本文方法可实现量测集的准确划分,有效完成扩展目标跟踪,避免了漏检与过检。     

基于时空关联—网格聚类的多扩展目标跟踪算法

针对多扩展目标的跟踪问题,提出了基于时空关联—网格聚类的多扩展目标跟踪算法。根据时空相关性,将当前量测分为存活目标量测和新生目标量测。对存活目标,利用模糊C均值(FCM)算法进行量测划分,由高斯混合—概率假设密度(GM-PHD)滤波器得到存活目标轨迹。对新生目标,用网格聚类完成量测集划分,由扩展目标—高斯混合—概率假设密度(ET-GM-PHD)滤波器得到新生目标的轨迹。仿真结果表明:所提算法能够对多扩展目标进行准确跟踪,特别是在目标交叉时刻,估计目标数目更准确,算法实时性更好。     

基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法

针对未知测量噪声协方差情况下的多扩展目标跟踪问题,利用扩展目标概率假设密度（ET-PHD）滤波器和变分贝叶斯（VB）近似理论,提出了一种标准ET-PHD滤波器的扩展方法及其解析的实现方法。首先,根据标准ET-PHD滤波器的目标状态方程和测量方程,定义了目标状态和测量噪声协方差的增广状态变量及二者的联合转移函数;然后,根据标准ET-PHD滤波器,构建了扩展的ET-PHD滤波器的预测和更新公式;最后,在线性高斯假设的条件下,利用高斯和逆伽马（IG）混合分布表示目标的联合后验强度函数,从而给出了扩展ET-PHD滤波器的解析实现。仿真结果表明：所提算法能提供可靠的跟踪结果,可有效地处理未知测量噪声协方差环境中的多扩展目标跟踪问题。     

基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法

针对未知测量噪声协方差情况下的多扩展目标跟踪问题，利用扩展目标概率假设密度（ET-PHD）滤波器和变分贝叶斯（VB）近似理论，提出了一种标准ET-PHD滤波器的扩展方法及其解析的实现方法。首先，根据标准ET-PHD滤波器的目标状态方程和测量方程，定义了目标状态和测量噪声协方差的增广状态变量及二者的联合转移函数；然后，根据标准ET-PHD滤波器，构建了扩展的ET-PHD滤波器的预测和更新公式；最后，在线性高斯假设的条件下，利用高斯和逆伽马（IG）混合分布表示目标的联合后验强度函数，从而给出了扩展ET-PHD滤波器的解析实现。仿真结果表明：所提算法能提供可靠的跟踪结果，可有效地处理未知测量噪声协方差环境中的多扩展目标跟踪问题。     

基于ET-GM-PHD的机动多扩展目标跟踪算法

针对原始扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）滤波算法不能解决机动目标跟踪问题,在高斯混合概率假设密度（Gaussian Mixture Probability Hypothesis Density,GM-PHD）滤波框架下,引入修正的输入估计算法（Modified Input Estimation,MIE）,可以有效地处理多扩展目标的机动问题。此外,提出的算法虽然可以实现对未知数目的多机动扩展目标进行跟踪,但无法获得各个目标的航迹。针对此问题,进一步引入高斯分量标记方法,有效地将多机动扩展目标的航迹进行准确关联,获取各个目标的航迹。实验结果表明,提出的算法在弱机动扩展目标跟踪中具有较好的跟踪性能,同时能够有效地估计多扩展目标的航迹。     

基于目标预测的扩展目标量测集划分算法

扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）跟踪算法是扩展目标跟踪领域内最为重要的跟踪算法之一。然而当多个目标邻近时,该算法的状态估计精度降低,这是由于距离-Kmeans++（Distance Partitioning-Kmeans++,DP-Kmeans++）量测集划分算法无法输出正确的结果所导致。为解决该问题,提出了改进的DP-Kmeans++量测集划分算法,利用目标预测信息来分割量测集,从而提高了划分精度。仿真结果表明,当目标邻近时,使用提出划分算法使ET-GM-PHD跟踪算法的OSPA误差距离减小。     

多模型GM-CBMeMBer滤波器及航迹形成

提出了一种可适用于杂波环境下对多个机动目标进行跟踪并能形成多目标航迹的多模型势平衡多目标多伯努利（Cardinality balanced multi-target multi-Bernoulli,CBMeMBer）滤波器. 随后,在多机动目标时间演化模型和观测模型均为线性高斯的假设条件下利用高斯混合（Gaussian mixture,GM）技术获得了该滤波器解析的递推形式——-多模型 GM-CBMeMBer 滤波器,并简要给出了它在非线性条件下的扩展卡尔曼（Extended Kalman,EK）滤波近似. 仿真实验结果表明所建议的多模型 GM-CBMeMBer 滤波器能有效地对多个机动目标进行跟踪而单模型 GM-CBMeMBer 滤波器则会产生明显的航迹丢失和虚假航迹,并且对于信噪比较低的仿真场景,它的性能优于多模型高斯混合概率假设密度（GM probability hypothesis density,GM-PHD）滤波器,接近于多模型高斯混合势概率假设密度（GM cardinalized PHD,GM-CPHD）滤波器.     

基于GGIW-CPHD的衍生扩展目标跟踪算法

针对杂波环境下伽玛高斯逆威舍特混合势概率假设密度（GGIW-CPHD）滤波器难以有效提取衍生扩展目标的问题，提出采用多假设对衍生目标建模跟踪的方法。算法利用随机矩阵模型对扩展目标的形状和尺寸进行建模，并根据多假设模型对衍生事件进行预测，最后通过GGIW混合实现扩展目标运动状态、扩展状态和量测率的联合估计。实验结果表明，与标准GGIW-CPHD滤波算法相比，在含有衍生事件的情景下所提方法实现更好的目标势估计性能且具有较强的适用性。     

纯方位距离参数化概率假设密度和势概率假设密度滤波器

考虑多目标跟踪中量测源的不确定性,本文提出两个基于随机有限集(RFS)的多距离假设纯方位跟踪(BOT)滤波器.首先,详细推导距离参数化高斯混合概率假设密度(PHD)滤波器的递推公式.然后,详细推导距离参数化高斯混合势概率假设密度(CPHD)滤波器的势分布和强度的递推公式.此外,为跟踪随机出现的目标,提出一种自适应BOT新生目标强度的建立方法.仿真验证了算法的有效性.     

自适应门限GM-CPHD多目标跟踪算法

带有势估计的高斯混合概率假设密度滤波（GM-CPHD）作为一种杂 波环境下目标数可变的检测前跟踪方法,将复杂的多目标状态空间的运算转换为单目标状态 空间内的运算,有效避免了多目标跟踪中复杂的数据关联问题,但该方法的计算复杂度与观 测数的3次方成正比,在密集杂波情况下计算量十分巨大。针对该方法计算复杂度高的问题 ,提出利用一种最大似然自适应门限的快速算法,该算法首先利用自适应门限对观测进 行处理,然后仅利用处于门限内的有效观测进行GM-CPHD算法的更新步计算,大大降低了算 法的计算复杂度。实验结果证明,本文方法在有效降低计算复杂度的同时,在多目标跟踪效 果 方面与GM CPHD相当,优于GM-PHD滤波算法。     

多目标跟踪中一种改进的高斯混合PHD滤波算法

高斯混合概率假设密度（GM-PHD）滤波是一种杂波环境下多目标跟踪问题算法,针对算法中存在的目标漏检和距离相近时精度下降的问题,提出一种改进的高斯混合PHD滤波算法。该算法在高斯混合框架下通过修正PHD递归方程,有效地解决了漏检引起的有用信息丢失问题;利用权值判断高斯分量是否用于提取目标状态,避免了具有较高权值的高斯分量合并在一起,从而改善目标相互接近时的跟踪性能。仿真实验表明,改进算法在滤波精度和目标数估计方面均优于传统的GM-PHD算法。     

基于交互式多模型的不敏卡尔曼概率假设密度滤波算法

针对非线性高斯场景下目标数目未知或随时间变化的机动多目标跟踪问题, 提出一种基于交互式多模型的不敏卡尔曼概率假设密度滤波算法.首先, 在高斯混 合概率假设密度滤波框架下, 结合不敏卡尔曼滤波中状态预测和量测更新的实现机理, 构建一种不敏卡尔曼概率假设密度滤波器; 然后, 通过引入交 互式多模型方法中状态模型软判决机制, 实现对目标机动过程中运动模式不确定的处理; 最后, 通过理论分析和仿真结果验证了所提出算法的可行性和有效性.     

基于目标出生强度在线估计的多目标跟踪算法

针对多目标跟踪中未知的目标出生强度, 提出了基于Dirichlet分布的目标出生强度在线估计算法, 来改进概率假设密度滤波器在多目标跟踪中的性能. 算法采用有限混合模型来描述未知目标出生强度, 使用仅依赖于混合权重的负指数Dirichlet分布作为混合模型参数的先验分布. 利用拉格朗日乘子法推导了混合权重在极大后验意义下的在线估计公式; 混合权重在线估计过程利用了负指数Dirichlet分布的不稳定性, 驱使与目标出生数据不相关分量的消亡. 以随机近似过程为分量均值和方差的在线估计策略, 推导了基于缺失数据的分量均值与方差的在线估计公式. 在无法获得初始步出生目标先验分布的约束下, 提出了在混合模型上增加均匀分量的初始化方法. 以当前时刻的多目标状态估计值为出发点, 提出了利用概率假设密度滤波器消弱杂波影响的出生目标数据获取方法. 仿真结果表明, 提出的目标出生强度在线估计算法改进了概率假设密度滤波器在多目标跟踪中的性能.     

基于概率假设密度的近邻目标快速跟踪算法

针对杂波场景中多个目标相互近邻时,标准概率假设密度滤波器难以正确估计目标状态且计算复杂度高等问题,提出一种基于概率假设密度的近邻目标快速跟踪算法。所提算法首先采用自适应门技术从传感器观测集中划分出源于真实目标的观测集,随后利用真实目标观测集来更新预测强度,最后应用检测导向的近邻目标权重校正方法有选择地重分配各离散时刻后验强度中不精确的分量权重。实验结果表明,所提算法不仅具有高效率的目标跟踪,而且具有良好的鲁棒性。     

高斯混合粒子Cardinalized概率假设密度滤波被动测角多目标跟踪

为解决目标数未知或随时间变化的多目标跟踪问题,通常将多目标状态和观测数据表示为随机集形式,通过Cardinalized概率假设密度(CPHD)滤波,递推计算目标的强度(即概率假设密度,PHD)及目标数的概率分布.然而对于被动测角的非线性跟踪问题,CPHD无法获得闭合解.为此,本文提出一种新的高斯混合粒子CPHD算法,利...     

改进的高斯粒子概率假设密度滤波算法

高斯粒子概率假设密度滤波在预测和更新时需要进行粒子近似和重新采样,这在一定程度上降低了算法的精度和实时性．针对这一问题,提出一种改进的高斯粒子概率假设密度滤波算法．算法通过粒子的方式表示并传递目标的概率假设密度（PHD）预测值,然后直接利用这些表征PHD预测值的粒子进行更新,最后利用具有最大似然性的粒子将更新后的PHD表示为混合高斯形式．仿真实验表明,和高斯粒子概率假设密度滤波相比,改进算法的多目标误差距离减少了约30％,运行时间减少了约50％．     

非线性系统的多扩展目标跟踪算法

目前扩展目标跟踪算法大都假设其系统为线性高斯系统，针对非线性系统的多扩展目标跟踪问题，提出了采用粒子滤波技术对目标状态和关联假设进行联合估计的多扩展目标跟踪算法。首先，提出了将多扩展目标状态和关联假设进行联合估计的思想，解决了在估计目标状态和数据关联时相互牵制的问题；其次，根据扩展目标演化模型、量测模型建立多扩展目标状态和关联假设的联合建议分布函数，并利用粒子滤波技术实现联合估计的Bayes框架；最后，为解决直接采用粒子滤波实现时存在的维数灾难问题，将目标联合状态粒子的产生和演化分解为各个目标状态粒子的产生和演化，对每个目标的粒子集根据与其相关的权重单独进行重抽样，这样在抑制目标状态估计较差部分的同时使每个目标都保留了对其状态估计较好的粒子。仿真实验结果表明，与扩展目标概率假设密度滤波器的高斯混合实现方式和序贯蒙特卡洛实现方式相比，所提算法的状态估计精度较高，形状估计的Jaccard距离分别降低了30%、20%左右，更适合于非线性系统的多扩展目标跟踪。