AKF与EFRLS在动态目标跟踪性能上的比较

卡尔曼滤波是具有递推估计形式的最优滤波,但最优性的获得是在过程噪声和观测噪声统计特性已知的前提下得到的。然而,在大量的动态目标跟踪实际问题中噪声具有不确定性,因而有必要研究在噪声不确定下动态目标的跟踪算法以满足实际问题的需要。文中介绍自适应Kalman滤波对过程噪声方差的估计以及推广的遗忘因子最小二乘法对状态估计的递推公式,并且在平均误差最小准则下通过计算机仿真比较两种方法对动态目标的跟踪性能.仿真结果表明,在不确定噪声下自适应Kalman滤波能够取得比推广的遗忘因子递推最小二乘法更好的跟踪性能。     

基于GM(1,1)尺度估计的核相关性滤波跟踪方法

针对在目标视觉跟踪过程中目标尺度变化导致跟踪精度下降的问题,提出了基于GM(1,1)尺度估计的核相关性滤波跟踪方法。在核相关性滤波跟踪算法的基础上引入GM(1,1)灰色预测模型对目标尺度进行预测,并设计尺度估计流程估计当前目标尺度,有效地解决了尺度变化明显导致跟踪性能下降的问题。最后利用OTB-100视频序列数据集测试算法的性能,测试结果表明在目标尺度明显变化时,该算法仍具有较好的跟踪性能,可实现稳定准确的目标跟踪,有效地提高了核相关性滤波跟踪算法的跟踪性能。     

一种水下被动目标纯方位跟踪方法

针对水下被动目标跟踪的非高斯噪声环境和弱可观性的特点,提出了将粒子滤波算法应用于水下被动目标跟踪的思路.该算法直接利用传感器获得的含有噪声的角度数据,通过改进极坐标系下的系统方程得到目标状态的后验概率分布,来估计目标的运动状态.仿真结果表明该算法提高了滤波的稳定性,跟踪精度优于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法.     

自适应非线性GM-PHD滤波及在无源跟踪中的应用

首先针对无源传感器目标跟踪中的非线性问题,将高斯-厄米特求积分规则运用于高斯混合概率假设密度滤波,提出一种求积分卡尔曼概率假设密度滤波。其次,针对未知时变过程噪声,将基于极大后验估计原理的噪声估计器运用到概率假设密度滤波中,同时依据目标状态一步预测与状态滤波结果之间的残差,提出一种对滤波发散情况判断和抑制的算法。最后通过无源传感器双站跟踪仿真表明:相较于已有的非线性高斯混合概率假设密度滤波,所提算法有更高的精度,并且在未知时变噪声环境中具有较好跟踪效果。     

测量噪声相关线性系统异类传感器航迹融合

研究了异类传感器航迹融合问题。在测量噪声相关的条件下,利用线性无偏最小方差估计的基本理论,通过对异类传感器的状态估计采用顺序滤波的方法,得到了相关测量噪声线性系统异类传感器测量融合算法和状态矢量融合算法。计算机数字仿真结果表明,由于考虑了测量噪声之间的相关性,该算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善。     

基于Sage-Husa的优化粒子滤波算法

针对非线性系统噪声未知时粒子滤波容易发散或者精度下降的问题,提出一种粒子滤波和改进的Sage-Husa估计器相结合的混合滤波算法。首先用粒子滤波对系统状态进行初步估计,将初步估计值作为次级Sage-Husa滤波器的输入量测值,并与系统状态方程组成新的系统,进而用改进的Sage-Husa算法实时估计系统噪声的统计特性并进行滤波,得到最终的系统状态估计值;为了进一步比较算法的性能,对算法的复杂度进行了定量计算,分析表明优化的算法并未明显提高算法的计算量;最后通过目标跟踪仿真实验验证了算法的有效性。     

基于扩展集员滤波与信息几何的机动目标跟踪

面对当前日益复杂的雷达跟踪目标和环境,广泛应用的卡尔曼滤波及其扩展类算法虽然能以较少的计算量得到较好的跟踪效果,但其要求过程噪声与量测噪声符合零均值高斯分布,否则会导致滤波发散。为解决系统状态及噪声未知但有界情况下的机动目标跟踪问题,介绍了一种扩展集员滤波机动目标跟踪算法,并辅以基于信息几何的跟踪性能监测处理。通过仿真分析验证了基于集员滤波与信息几何的机动目标跟踪边界约束性能及跟踪准确度较好,且能通过统计流形距离的变化来探测目标是否发生机动。     

基于代价参考粒子滤波器组的检测前跟踪算法

基于粒子滤波的检测前跟踪方法是检测和估计非线性调频信号的有效方法之一。但此类方法运算量大,难以并行执行。此外,由于粒子滤波算法收敛较慢,基于粒子滤波的检测前跟踪方法的检测和状态估计能力有待提高。针对上述问题,该文首先提出一种代价参考粒子滤波器组。该滤波器组收敛快速,具有完全的并行结构,可快速准确地估计非线性调频信号的瞬时频率。其次,提出基于代价参考滤波器组的检测前跟踪算法,可在给定虚警率下,在各个时刻检测目标和估计目标状态。两类非线性调频信号检测和估计的仿真结果表明,基于代价参考粒子滤波器组的检测前跟踪算法的检测性能、估计性能和运行速率均优于类似的方法,如基于粒子滤波的检测前跟踪方法,基于Rutten粒子滤波的检测前跟踪方法等。     

基于权重一致性优化的实时Marginalized粒子滤波算法

针对Marginalized粒子滤波中随机量测噪声对于非线性状态估计精度的不利影响以及线性状态估计中计算量较大问题,提出了一种基于权重一致性优化的实时Marginalized粒子滤波算法.首先,结合量测系统建模中先验信息的提取和利用,通过粒子权重间一致性距离和一致性矩阵的构建,提出了量测提升策略下权重的一致性优化方法,以改善粒子滤波在非线性状态估计中的滤波精度.其次,通过对Marginalized粒子滤波实现中时间更新和量测更新环节的结构优化,给出了实时Marginalized粒子滤波,以降低蒙特卡罗仿真实现下卡尔曼滤波在状态线性估计中的计算复杂度.最后,在两者的动态结合基础上给出了新算法具体实现步骤.利用基于单站雷达目标跟踪仿真场景,分析了算法性能.理论分析和仿真实验结果验证了算法的可行性和有效性.     

基于IMM-极限迭代UFIR的机动目标跟踪算法

为提高非高斯噪声条件下机动目标跟踪的精度,提出基于交互式多模型极限迭代无偏有限脉冲响应滤波(IMM-极限迭代UFIR)算法。采用对噪声统计特性不敏感的极限迭代无偏有限脉冲响应滤波(UFIR)作为其子滤波器,对各模型进行状态估计,最后通过对各模型的输出结果综合得到机动目标状态。仿真结果表明,在噪声条件复杂的情况下,该算法比交互式多模型卡尔曼滤波(IMM-KF)具有更高的跟踪精度和稳定性,计算量小于IMM-PF,算法能较好地兼顾跟踪精度和计算量两方面性能。     

一种改进的α-β滤波算法

针对传统α-β滤波算法不够有效跟踪机动目标的问题,详细分析了其内在原因,提出一种改进的α-β滤波算法.该算法不需要假定目标的机动模型,而是将目标的机动加速度作为滤波状态直接估计出来,将估计加速度作为输入控制量引入到传统α-β滤波器的状态估计方程中进行机动目标的跟踪.然后将它与传统α-β滤波算法进行比较,证明了新的算法不仅具有传统算法计算量小的优点,而且还可以对机动目标进行实时跟踪.仿真结果表明,新算法在综合性能上明显优于传统算法.     

基于形态匹配聚类的近邻扩展目标跟踪算法

针对传统扩展目标跟踪（Extended Target Tracking, ETT）算法在处理近邻目标时面临的计算效率低下和跟踪不准确的问题,提出了一种形态匹配聚类量测集划分与高斯逆威沙特概率假设密度（Gaussian Inverse Wishart Probability Hypothesis Density, GIW-PHD）滤波器相结合的跟踪处理方法。该方法首先由GIW-PHD滤波器得到预测的目标状态,其次使用DBSCAN(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)算法完成量测集的初步划分,在此基础上利用较高权重的预测分量实现对多个近邻目标混合量测簇的判断,进而使用椭圆形状约束（Elliptic Shape Constraint, ESC）的FCM(Fuzzy C-Means, FCM)算法（ESC-FCM）对混合簇进行二次划分得到更精确的划分结果,最后将划分结果合并后送入GIW-PHD滤波器完成目标状态的更新。仿真结果表明,本文所提量测集划分方法能够充分利用GIW-PHD滤波器预测步获取...     

基于高斯混合概率假设密度的运动参数估计组合平滑滤波算法

针对高斯混合概率假设密度(GM-PHD)滤波器在目标速度未知或不准确时,目标状态估计性能较差,该文提出一种基于GM-PHD的运动参数估计组合平滑滤波算法。该算法通过目标状态提取速度信息,经过中值平滑和线性平滑组合处理提升速度估计准确性,然后将速度反馈给GM-PHD滤波器的状态转移方程,提高状态预测精度。仿真结果表明,目标速度未知或不准确时,所提算法能够明显改善GM-PHD滤波器状态估计性能。     

反直升机雷群的机动目标跟踪

反直升机雷测距精度较低,而利用角度信息估计目标的距离和速度实质上是一个非线性状态估计问题,这种单站被动式跟踪可能构成一个不可观测系统,将导致跟踪滤波器的不稳定和发散。本文对由反直升机雷构成的雷群的目标定位和跟踪进行了研究,利用最小二乘法和基于“当前”统计模型的自适应滤波组合算法进行数据处理,最小二乘法的估计结果作为自适应滤波的观测值,结果表明算法简单而且有效,在目标机动和非机动时都能得到良好的估计结果。     

基于伪线性和输入估计的无源自适应跟踪算法

基于伪线性滤波算法和输入估计算法提出了一种对空中机动目标进行三维测向无源自适应跟踪的新算法。该算法把目标机动加速度看成是未知的输入向量附加到状态方程中,再利用状态向量扩维情况下的伪线性滤波算法对目标进行三维无源跟踪,跟踪过程中在对原来目标状态向量进行估计的同时估计目标加速度。仿真结果表明：该算法不需要对目标进行机动检测,即能够适应目标机动和非机动2种工作模式,实现对空中机动目标的自适应无源跟踪。     

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

基于量测转换IMM的多普勒雷达机动目标跟踪

多普勒雷达目标跟踪中,如何有效解决系统量测与目标状态之间的非线性并实现机动目标跟踪,是亟待解决的问题.本文提出一种基于量测转换交互多模型（Interactive Multiple Model,IMM）的目标跟踪算法,其以IMM为框架,并结合静态融合滤波器处理多普勒量测的结构,解决多普勒雷达机动目标跟踪问题.仿真结果表明了所提出算法的有效性.     

基于拟蒙特卡罗概率假设密度的卷积实现

本文提出了两种新的算法.第一,拟蒙特卡罗概率假设密度(QMC-PHD)滤波,主要思想是利用QMC方法来实现PHD滤波.在仿真实验中可以发现:在目标数目和状态估计方面,新算法比序贯蒙特卡罗概率假设密度(SMC-PHD)滤波器更精确.第二,卷积核拟蒙特卡罗概率假设密度滤波(CKQMC-PHD),主要思想是基于QMC-PHD...     

一种新的基于粒子滤波的多模型跟踪算法

粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。     

A Nonlinear Filter Coupled With Hospitability and Synthetic Inclination Maps for In-Surveillance and Out-of-Surveillance Tracking

This paper presents an algorithm for in-surveillance and out-of-surveillance mobile ground target tracking. In this respect, a nonlinear Bayesian estimation filter is presented. Then, an adaptive algorithm is derived to reduce remarkably the computational burden of this filter, while not degrading the accuracy of the state estimates. Additionally, an algorithm employing the concepts of hospitability and synthetic inclination maps is introduced and is coupled with the nonlinear Bayesian filter to track the mobile ground target once it goes out-of-surveillance. Loosely speaking, the hospitability map can be viewed as a terrain-based map defining a likelihood or a “weight” for each point on the earth's surface proportional to the ability of the target to move and maneuver at that location. On the other hand, the synthetic inclination map describes how the target favors certain regions within the search area, hence being “synthetically” inclined to move toward them.