基于稀疏度阶数优化的杂波密度估计算法

针对杂波分布不均匀且密度未知的多目标跟踪问题,提出一种基于稀疏度阶数优化的杂波密度估计算法.首先,剔除在跟踪门内的潜在目标测量,获取杂波测量集;其次,从杂波测量集中构造“稀疏度阶数-超立方体容积”的样本,并利用支持向量回归机对样本拟合;再次,通过梯度法求得拟合曲线的极值点,实现稀疏度阶数在线优化;最后,将优化后的杂波稀疏度估计器嵌入高斯混合概率假设密度滤波器中,实现复杂杂波环境下目标状态与杂波密度联合估计.仿真结果验证了所提出算法的有效性.     

未知杂波环境下的多目标跟踪算法

提出了一种未知杂波环境下的多目标跟踪算法. 该算法通过有限混合模型(Finite mixtrue model, FMM)建立多目标似然函数, 其中混合模型参数可通过期望极大化(Expectation maximum, EM)算法及模型合并与删除技术得到. 由估计的混合模型参数可进一步得到杂波模型估计、目标个数估计以及多目标状态估计. 类似基于随机有限集(Random finite set, RFS)的多目标跟踪算法, 该算法也可避免目标与测量的关联过程. 仿真实验表明, 当杂波分布未知并且较复杂时, 本文算法的估计效果要明显优于未进行杂波拟合时的多目标跟踪算法.     

基于杂波强度在线估计的多目标跟踪算法

针对多目标跟踪中的未知杂波强度,提出了基于熵分布的杂波强度在线估计算法.利用有限混合模型对未知杂波强度建模,将仅依赖于混合权重的熵分布作为混合参数的先验;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;以随机近似过程为在线估计策略,推导了基于缺失数据的分量均值和方差的在线估计公式.仿真结果表明,基于熵分布的杂波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.     

基于均方根容积卡尔曼的δ-GLMB多目标跟踪算法

在非线性高杂波密度场景下,高斯混合(Gaussian Mixture,GM)实现的δ-广义标签多伯努利滤波器(δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB)难以准确地估计目标数目及运动状态。针对这一问题,提出基于均方根容积卡尔曼滤波(Square-rooted Cubature Kalman Filter,SCKF)的δ-GLMB高斯混合实现算法。基于三阶球面-径向容积准则选取一组等权的容积点集,对GM-δ-GLMB滤波器的伯努利分量传递过程中的高斯参量进行预测及更新,实现非线性模型系统下的目标跟踪。仿真结果表明,与现有的δ-GLMB滤波器的扩展卡尔曼滤波(Extended Kalman Filter,EKF)高斯混合实现及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)高斯混合实现相比,该算法可提高非线性高杂波密度环境下的目标跟踪精度。     

基于拟蒙特卡罗的未知杂波GMP-PHD 滤波器

针对非线性系统模型中未知杂波环境下的多目标跟踪问题,提出一种基于拟蒙特卡罗方法的未知杂波高斯混合粒子概率假设密度(GMP-PHD)算法.首先利用有限混合模型拟合未知杂波空间分布,使其能够在杂波模型未知的情况下稳定跟踪目标;然后利用低偏差点集在状态空间中分布均匀的特性将拟蒙特卡罗采样方法应用到GMP-PHD中,使其在解决非线性滤波问题的同时提高目标跟踪精度.仿真实验表明,所提出的算法具有良好的跟踪性能.     

基于EK-GMPHD的分布式聚类融合算法

针对杂波环境下非线性系统中目标跟踪精度问题,提出了一种基于扩展卡尔曼—高斯混合概率假设密度(EK-GMPHD)的模糊C均值(FCM)分布式融合算法。算法在全局估计上采用FCM聚类融合算法,得出隶属度最大的目标状态估计,再根据相关公式,计算得出全局目标状态估计。在局部航迹缺乏的状态下,所提算法可提高目标的跟踪精度。仿真结果表明:提出的融合算法在杂波环境下对多目标进行跟踪时对多目标数目和状态的估计更优。     

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.     

基于高斯混合PHD滤波的多目标状态提取方法

高斯混合概率假设密度滤波(GM-PHD)方法可有效解决线性高斯模型下的多目标跟踪问题,在估计目标个数的同时提取多目标状态。但当杂波浓度过高、目标过于密集时,GM-PHD的状态提取精度有所下降。针对GM-PHD滤波算法在复杂环境下性能下降的问题,提出一种改进的GM-PHD滤波多目标状态提取方法,通过修正高斯分量更新权值,强化合并规则,降低密集目标和杂波造成的干扰。仿真实验表明该方法能在不同杂波环境下提高多目标状态估计的准确度。     

基于星凸随机超曲面的扩展目标伽马高斯混合势概率假设密度滤波器

针对杂波和检测不确定情况下扩展目标形状估计精度低的问题,提出了一种基于星凸随机超曲面模型(SRHM)的扩展目标伽马高斯混合势概率假设密度(CPHD)滤波器.该算法在高斯混合概率假设密度滤波的框架下,首先将目标形状建模为星凸随机超曲面,然后通过CPHD滤波估计出目标的质心位置和目标数目,最后通过将已估计的目标质心位置作为目标形状的中心点来结合量测对目标形状进行估计.其中,算法通过自适应估计尺度变换因子对形状边界进行约束优化,解决了星凸随机超曲面模型存在的边界形状不规则的问题.设计扩展目标个数未知以及含有杂波的实验场景,实验结果验证了该算法的有效性和可行性.     

用于机动目标跟踪的多模型高斯混合概率假设密度滤波器

提出一种多模型高斯混合概率假设密度(PHD)滤波器的实现方法.该算法使用多模型方法对高斯混合PHD滤波器中存在目标对应的高斯分量进行预测及更新,使用融合估计后的估计值描述机动目标PHD分布的高斯分量.该算法具有PHD滤波器和多模型方法的优点,可以用来处理目标数未知时的机动目标跟踪问题.该算法与单模型高斯混合PHD滤波器相比,可提高滤波器对目标发生机动时的跟踪精度;与已有的多模型PHD滤波器相比,节省计算时间30％以上.     

基于TDOA测量的多目标P-GMPHD跟踪算法

针对传统的到达时差(Time difference of arrival,TDOA)多目标跟踪算法计算量大,估计精度低,虚警值较多等问题,提出了一种预关联高斯混合概率假设密度(P-GMPHD)多目标跟踪算法.该算法利用随机集理论对TDOA的目标状态和观测值进行建模,通过递推高斯混合来预测和更新各状态后验概率密度,避免了复杂的数据关联问题.为减轻高斯混合滤波的计算量,提出了将预测信息与观测值进行预关联的思想,剔除虚警值,从而显著地降低了计算量.仿真结果表明,该算法能在杂波环境下有效地利用TDOA测量值跟踪未知数目的多个运动目标,并且在不影响跟踪性能的情形下,其计算量比一般GMPHD有了较大的降低.     

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。     

高斯混合粒子PHD 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成随机集形式,并通过递推计算目标状态联合分布的概率假设密度(PHD)来完成.然而,对于被动测角的非线性跟踪问题,PHD无法获得闭合解,为此提出一种新的高斯混合粒子PHD算法.该算法利用高斯混合近似PHD,以避免用聚类确定目标状态,并采用拟蒙特卡罗(QMC)积分方法计算目标状态的预测和更新分布.仿真结果验证了所提出算法的有效性.     

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...     

多目标跟踪的混合高斯PHD滤波

为解决目标数未知或随时间变化时的多目标跟踪问题,将多目标状态和观测信息表示为随机集的形式,建立了多目标跟踪的混合高斯概率假设密度（PHD）滤波方法。当目标初始的先验概率密度满足高斯分布的形式时,通过将状态噪声、观测噪声、目标的繁衍、新目标的产生、目标的存活概率和检测概率表示成混合高斯的形式,之后每个时刻的后验概率密度均能表示成混合高斯的形式。线性混合高斯PHD滤波方法将Kalman滤波引入到PHD滤波中,利用混合高斯成分预测和更新随机集的PHD,并估计出目标的状态。实验结果表明,在杂波环境下混合高斯PHD滤波方法可以有效地跟踪目标状态。     

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.     

基于自适应密度估计的系统参数辨识

针对噪声分布未知的ARMAX系统,提出了一种自适应非参数噪声密度估计方法,由估计误差动态调整高斯核函数的全局带宽和局部带宽,实现了未知噪声分布密度的自适应估计;通过极小化似然函数,给出了基于噪声密度估计的参数辨识迭代算法,分析了算法的收敛性并给出了算法收敛的充分条件.仿真结果表明本文提出的算法在系统噪声未知时具有较强的抗噪能力和良好的收敛性.