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...     

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.     

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。     

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.     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.     

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.     

基于拟蒙特卡罗方法的概率假设密度多目标跟踪

为了改善多目标跟踪问题中概率假设密度（PHD）滤波的估计精度,提出基于拟蒙特卡罗的PHD滤波算法.该算法利用低偏差点集在状态空间中分布均匀的特性,使得采样粒子集最大程度地相互远离,充分地描述多目标状态的后验概率密度,从而准确地利用带有相应权值的粒子集来计算多目标数目和各个目标状态的估计值.仿真实验表明了算法的有效性,且估计性能优于粒子PHD滤波算法.     

未知探测概率下多目标PHD跟踪算法

针对未知探测概率下多目标跟踪问题,提出一种基于时变滤波算法的多目标概率假设密度(PHD)滤波器.算法推导了未知探测概率PHD递推式,提出了将未知探测概率转化为目标的丢失与接收事件,并依此建立了目标跟踪的马尔科夫模型,给出了该模型下时变卡尔曼滤波最优解,进而在高斯混和PHD(GMPHD)框架下推导了算法闭集解.仿真实验表明,所提出算法在未知且随时间变化的探测概率情形下,仍能实时地跟踪各目标,具有良好的工程应用前景.     

未知探测概率下多目标PHD 跟踪算法

针对未知探测概率下多目标跟踪问题, 提出一种基于时变滤波算法的多目标概率假设密度(PHD) 滤波器. 算法推导了未知探测概率PHD递推式, 提出了将未知探测概率转化为目标的丢失与接收事件, 并依此建立了目标跟 踪的马尔科夫模型, 给出了该模型下时变卡尔曼滤波最优解, 进而在高斯混和PHD(GMPHD) 框架下推导了算法闭集解. 仿真实验表明, 所提出算法在未知且随时间变化的探测概率情形下, 仍能实时地跟踪各目标, 具有良好的工程应用前景.     

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。     

粒子概率假设密度平滑器异常平滑问题的解决方法

针对粒子概率假设密度（PHD）平滑器中由漏检或目标消失现象引起的异常后向平滑估计问题,提出一种基于目标存活概率修正的改进方法。首先,修正前向滤波的预测与更新计算公式以获取滤波的目标强度函数和估计滤波过程的存活目标个数。在此基础上根据存活目标个数的前向滤波估计值的变化情况,判断跟踪过程中是否存在目标消失或漏检现象,确定后向平滑计算用到的目标存活概率值,然后采用此确定的存活概率值来改进后向平滑迭代计算公式,据此计算PHD分布中的粒子权值。仿真结果表明,所提方法能有效地解决PHD平滑器的异常平滑问题,其时间平均的最优子模式分配（OSPA）距离误差相对于标准算法由7.75 m减小至1.05 m,目标跟踪性能有了明显提升。     

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.     

采用分段RTS的CPHD平滑算法

针对多目标跟踪中的固定间隔平滑问题,将势概率假设密度（CPHD）滤波器和RTS平滑器相结合,提出了RTS的势概率假设密度滤波平滑算法。考虑到在平滑过程中存在较大的输出延迟问题,采用分段思想,提出了分段RTS的势概率假设密度滤波平滑算法。对需要平滑的估计值进行分段;采用匈牙利算法进行航迹-估计关联;对关联后的估计值逐段进行RTS平滑。实验结果表明,与CPHD滤波结果相比,分段RTS的势概率假设密度滤波平滑算法能够更加精确地估计目标状态,并且可以有效避免直接应用RTS平滑造成的实时性欠佳问题。     

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。     

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.     

有序粒子概率假定密度跟踪算法

针对由单传感器概率假定密度滤波到多传感器情形推导困难的问题,提出了一种有序粒子概率假定密度跟踪算法。首先,推导出集中式多传感器粒子概率假定密度滤波模型,再根据集中式融合系统的特点,选取与多传感器相关的重要性密度函数,通过多传感器多步更新重采样粒子,从而实现多传感器多目标有序粒子概率假定密度跟踪。仿真结果表明,该算法的跟踪误差距离差要小于单传感器粒子概率假定密度跟踪算法,且具有更优越的跟踪性能。     

基于CODHD聚类划分的多扩展目标跟踪算法

杂波环境下,利用概率假设密度滤波器进行扩展目标跟踪存在量测集划分难且计算效率低的问题,提出基于层次划分密度的聚类优化（CODHD）算法对扩展目标进行量测集划分的方法。先利用自适应椭球门限的方法对量测集进行预处理,通过簇合并方式生成量测划分;计算各划分聚类质量并构造为质量曲线;将得到的聚类数和聚类中心通过模糊C-均值（FCM）运算获得量测划分。仿真结果表明,利用所提方法对量测集进行划分,能够得到准确的划分结果且计算代价得到降低。     

基于均值漂移和双层群结构模型的群目标GMPHD滤波

针对不可分辨群目标跟踪算法中群合并、交叉及分裂前后群目标数出现漏估及量测划分数多、计算量大两个问题,提出一种基于均值漂移(MS)和双层群结构(BGS)模型的群目标高斯混合概率假设密度(GMPHD)滤波算法.该算法采用MS进行量测划分,同时依据第2层群结构反馈回的群信息判断是否需要进行2次划分;然后,采用基于椭圆随机超曲面模型(RHM)的群目标GMPHD滤波进行预测更新和状态提取;最后,使用提取出的群目标状态进行第二层群结构更新,并将所得群信息反馈回量测划分步.仿真对比实验表明,所提出算法可获得更高的实时性,能够解决群目标合并、交叉及分裂前后群数目的漏估问题.