基于无味卡尔曼滤波的多雷达方位配准算法

将无味卡尔曼滤波（Unscented Kalman filter,UKF）应用于雷达配准,提出一种新的多雷达方位配准算法。在该算法中,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,且具有较高的计算精度。与传统的扩展卡尔曼滤波（Extended Kalman filter,EKF）方法进行了仿真比较,结果表明UKF方法能有效地克服非线性跟踪问题中很容易出现的滤波发散问题,且估计精度高于UKF方法。     

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.     

多雷达组网系统空间误差分布 与配准算法仿真

空间配准是多目标跟踪系统中的关键环节.本文针对实际的多雷达组网系统,详细分析了造成观测误差的空间误差源分布情况,并对误差进行了分类.在此基础上,深入研究了各类误差配准算法,结合工程实际,推导了基于测地坐标系的目标航迹转换方程;利用最小二乘配准算法推导了广义最小二乘算法,仿真结果表明了算法的有效性.但当量测噪声相对系统偏差较大时,估计结果会变差,因而减小初始校准误差是提高系统观测精度的最重要环节.     

基于概率假设密度的多目标视频跟踪算法

研究目标数变化的多目标视频跟踪问题.首先阐述了概率假设密度(PHD)滤波的基本原理;然后给出序列图像多目标跟踪系统的运动目标检测算法、状态方程、观测方程以及基于高斯混合概率假设密度(GM-PHD)的多目标视频跟踪算法的具体实现.该算法有效解决了新目标出现、目标合并、目标分裂及目标消失等多目标跟踪问题.实验结果表明,该算法在复杂场景下具有较强的鲁棒性,能有效实现目标数变化的多目标视频跟踪.     

基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法

针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法.首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪.仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高.     

基于概率假设密度滤波方法的多目标跟踪技术综述

概率假设密度 (Probability hypothesis density, PHD) 滤波方法在多目标跟踪、交通管制、图像处理以及多传感器管理等领域得到了广泛关注. 本文对基于PHD滤波方法的多目标跟踪技术的产生、发展及研究现状进行了综述, 主要包括PHD滤波器、PHD执行方法、峰值提取及航迹提取技术、多传感器多目标跟踪及多传感器管理、 PHD平滑器以及多目标跟踪性能评价指标等, 并对PHD滤波器的相关应用进行介绍. 最后, 基于现有PHD滤波进展, 提出了PHD滤波技术在多目标跟踪领域需要重点关注的若干问题.     

多模型概率假设密度平滑器

针对杂波环境下的多个机动目标跟踪问题, 本文将多模型概率假设密度(Multiple-model probability hypothesis density, MM-PHD)滤波器和平滑算法相结合, 提出了MM-PHD前向--后向平滑器. 为了避免引入复杂的随机有限集(Random finite set, RFS)理论, 本文根据PHD的物理空间(Physical space)描述法推导得到了MM-PHD平滑器的后向更新公式. 由于MM-PHD前向--后向平滑器的递推公式中包含有多个积分, 因此它在非线性非高斯条件下没有解析的表达形式. 故本文又给出了它的序贯蒙特卡洛(Sequential Monte Carlo, SMC)实现. 100次蒙特卡洛(Monte Carlo, MC)仿真实验表明, 与MM-PHD滤波器相比, MM-PHD平滑器能够更加精确地估计多个机动目标的个数和状态, 但MM-PHD平滑器存在一定的时间滞后, 并且需要耗费更大的计算代价.     

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。     

一种粒子势概率假设密度滤波纯方位多目标跟踪算法

针对基于势概率假设密度算法(CPHD)的纯方位多目标跟踪,提出一种新型的多传感器粒子CPHD滤波算法.该算法通过分析混合线性/非线性状态模型的结构信息,结合粒子滤波(PF)与卡尔曼滤波(KF)对各个目标的状态进行预测与估计,运用Mean-Shift方法提取概率假设密度的峰值作为目标状态估计值,并对算法复杂度进行了分析.仿真结果表明,算法可改善目标跟踪效果.     

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计（modifiedinputestimation,MIE）概率假设密度多机动目标跟踪算法．在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生人幅度突变的机动目标白适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,町以较好地跟踪未知数目的多机动目标．仿真结果表明,新算法比传统的多机动目标跟踪算法具有更岛的跟踪精度,且具有较好的实时性．     

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.     

Multi-target state-estimation technique for the particle probability hypothesis density filter

A simple yet effective state-estimation algorithm is presented and demonstrated to have advantages over previous standard clustering techniques used for the particle probability hypothesis density filter.The idea behind the proposed algorithm is that it uses the latest available information(i.e.,the measurements) to direct particle clustering.The particle likelihood and target number estimation,computed during probability hypothesis density recursion,are both used to partition particles into clusters,and the center of each cluster gives the state estimation of an individual target.Simulation results indicate that the proposed algorithm outperforms the standard clustering approach using the k-means algorithm,achieving higher accuracy and shorter computational time.     

Multiple-model Rao-Blackwellized particle probability hypothesis density filter for multitarget tracking

Multitarget tracking (MTT) is a frequent topic in visual surveillance systems. Although the multiple-model probability hypothesis density (MM-PHD) filter plays an important role in the MTT, both computerized intractability and imprecise estimate are still inevitable. To solve the problems, a novel filter is presented in this paper. Different from the previous work, the Rao-Blackwellized particle filtering algorithm is incorporated with the MM-PHD filter to reduce computational load, where the sequence Monte Carlo method is adopted to estimate the nonlinear state of targets, and the linear state is predicted using the Kalman filter with the information embedded in the estimated nonlinear state. With respect to tracking precision, we find that the reweighting scheme can be realized for the numberestimate of both undetected targets and false alarms. The result is useful in balancing the required particle number in order to stabilize target estimates during the surveillance period. The illustrative simulation is finally provided to show the effectiveness of the proposed filter.     

基于高阶零陷滤波的空间多目标跟踪算法

针对传统的移动多目标跟踪算法计算量大、实时性差的问题, 提出了一种新的基于阵列天线的空间多目标跟踪算法。算法利用阵元个数相对于信源数目的自由度, 设计一个高阶的零陷空域滤波器组, 对空间干扰源进行陷波, 并对空间波束成形后的信号进行自适应跟踪, 估计出多个移动目标的波达方向（direction of arrival, DOA）。仿真结果表明, 此算法精度较高, 计算复杂度较低, 为空间移动多目标的实时跟踪提供了一种新方法。     

Probability hypothesis density filter based on strong tracking MIE for multiple maneuvering target tracking

Taking into account the difficulties of multiple maneuvering target tracking due to the unknown target number and the uncertain acceleration, a novel multiple maneuvering target tracking algorithm based on the Probability Hypothesis Density (PHD) filter and Modified Input Estimation (MIE) technique is proposed in this paper. First, the unknown acceleration vector is added to the target state to form a new augmented state vector. Then, strong tracking filter multiple fading factors are introduced to the MIE method which can adjust the prediction covariance and the corresponding filter gain at different rates in real time, so that the MIE method can adaptively track high maneuvering targets well. Finally, we combine this adaptive MIE method with the PHD filter, which can effectively track multiple maneuvering targets without much prior information. Simulation results show that the proposed algorithm has a higher tracking precision and a better real-time performance than the conventional maneuvering target tracking algorithms.