基于箱粒子的多扩展目标PHD滤波

在高斯混合多扩展目标PHD 滤波的基础上, 结合最新兴起的箱粒子滤波, 提出一种基于区间分析的多扩展目标PHD 滤波算法. 采用大小可控的非零矩形区域来代替传统的多个点量测, 这样可降低权值计算中对量测分布的要求. 仿真对比实验表明, 采用区间分析方法在保证近似于传统滤波精度的同时可降低计算复杂度, 在目标数目估计及抗杂波干扰方面也具有较为突出的优势, 并且可解决在目标靠近时由于不能正确给出子划分而造成的漏检问题.

     

一种基于椭圆RHM的扩展目标Gamma高斯混合CPHD滤波器

针对杂波环境下扩展目标形状难以估计、目标跟踪精度低等问题, 提出一种自适应估计扩展目标形状的伽玛高斯混合势概率假设密度算法(GGM-CPHD). 该算法将目标的扩展形状建模为椭圆随机超曲面模型, 并将其嵌入到GGM-CPHD 滤波器中, 更新扩展目标的质心、椭圆形状和方向等信息以完成对扩展目标的跟踪. 通过杂波环境下未知数目的扩展目标仿真实验, 表明了所提出算法在质心状态和椭圆长短轴的估计精度方面要优于传统的基于随机矩阵的伽玛高斯逆韦氏CPHD滤波器.

     

未知噪声统计下多模型概率假设密度粒子滤波算法

针对传统多目标概率假设密度滤波(PHD) 器在噪声先验统计未知或不准确时滤波精度下降甚至丢失目标的问题, 设计一种自适应多模型粒子PHD(MMPHD) 滤波算法. 该算法利用多模型近似思想, 推导出一种多模型概率假设密度估计器, 不仅能估计多目标状态, 而且能实时估计未知且时变的噪声参数, 并采用蒙特卡罗方法给出了MMPHD闭集解. 仿真实例表明, 所提出的算法具有应对噪声变化的自适应能力, 可有效提高目标跟踪精度.

     

一种基于GHF 的高斯粒子滤波算法

高斯粒子滤波算法重要性权值方差不会随迭代次数的增加而增加, 能够较好地解决粒子退化问题, 但其重要性密度函数没有考虑最新的量测信息, 导致有效粒子数减少, 算法滤波性能下降. 针对该问题, 提出一种基于Gaussian-Hermite 滤波(GHF) 的高斯粒子滤波算法, 采用GHF构造高斯粒子滤波的重要性密度函数, 考虑最新的量测信息, 增加有效粒子数, 提高算法的滤波精度. 仿真结果表明, 所提出算法的滤波精度明显优于高斯粒子滤波算法.

     

自适应分块多线索融合粒子滤波跟踪方法

多线索融合是解决复杂情况下跟踪问题的有效手段, 为此提出一种基于自适应分块目标模型的多线索融合 粒子滤波跟踪方法. 根据目标颜色分布自适应分块建立目标描述模型, 可提高对目标初始描述的适应性; 采用多线索融合粒子滤波跟踪, 在跟踪过程中能根据子块可靠程度动态调整权重, 提高对剧烈光照变化、目标姿态变化、遮挡等复杂情况的适应性. 实验结果表明, 所提出的跟踪方法在多种复杂情况下能准确有效地跟踪目标.

     

免聚类粒子PHD滤波多目标状态提取方法

概率假设密度粒子滤波（P-PHD）以粒子集形式反映目标的状态信息,是一种有效的多目标跟踪方法,其关键步骤是从粒子集中准确提取多目标状态信息。提出一种免聚类概率假设密度粒子滤波多目标状态提取方法,通过分解P-PHD迭代更新过程,筛选疑似真实目标量测类别,并重新分配粒子集,根据新粒子集直接提取目标状态,可避免粒子中心聚类和粒子峰值提取过程。仿真结果表明该方法具有较高状态提取精度。     

基于容积粒子滤波的时延差定位估计算法

在基于粒子滤波的时延差定位估计方法中, 重要密度函数的选取将直接影响估计的性能, 为此, 提出了基 于容积粒子滤波的时延差估计(BCPF-TDE) 算法. 该算法利用最新的数据检测信息, 通过容积卡尔曼滤波(CKF) 获 取粒子滤波的重要性密度函数. 仿真实验表明, 在粒子数目相同的情况下, 基于容积粒子滤波的时延差估计(BCPF- TDE) 方法与基于扩展粒子滤波的时延差估计(BEPF-TDE) 方法相比, 定位估计误差只有后者的50% 左右, 而运行时 间相当.

     

基于CFSFDP的箱粒子CPHD扩展目标跟踪

针对当前扩展目标跟踪量测划分方法中,距离划分存在划分数过多、计算复杂度高的问题,本文将密度峰值快速聚类算法CFSFDP (Clustering by Fast Search and Find of Density Peaks)与箱粒子势概率假设滤波器(Box Cardinalized Probability Hypothesis Density filter,Box-CPHD)相结合,提出基于CFSFDP的箱粒子CPHD扩展目标滤波算法.该算法采用CFSFDP进行量测划分,基于量测信息密度的不同可以有效划分区间量测,并剔除杂波量测,然后采用箱粒子CPHD进行预测更新和目标状态估计.仿真实验表明与经典的距离划分方法相比,在箱粒子CPHD扩展目标算法流程中采用CFSFDP进行量测预处理,CFSFDP在达到同等效果的前提下,运行时间明显减少;在剔除杂波之后的高杂波环境下,杂波的变化只影响距离划分的运算时间而不再影响CFSFDP划分,采用CFSFDP处理量测信息可以有效提高运行效率和算法实时性,剔除杂波之后在一定程度上提高了目标位置估计精度.     

改进的多模型粒子PHD和CPHD滤波算法

多模型粒子概率假设密度(Probability hypothesis density, PHD)滤波是一种有效的多机动目标跟踪算法, 然而当模型概率过小时,该算法存在粒子退化问题,而且它对目标数的泊松分布假设会夸大目标漏检对其势估计的影响. 针对上述问题,本文提出一种改进算法. 该算法并不是简单地对模型索引进行采样, 而是用粒子拟合目标状态的模型条件PHD强度, 在不对噪声做任何先验假设的前提下, 通过重采样实现存活粒子的输入交互,提高了滤波性能. 在此基础上, 进一步将算法在Cardinalized PHD (CPHD)的框架下加以实现,提高其目标数估计精度. 仿真实验表明,所提算法在滤波性能和目标数估计精度方面均优于传统的多模型粒子PHD算法,具有良好的工程应用前景.     

近邻传播观测聚类的多扩展目标跟踪算法

由于传感器分辨率高或目标存在多个反射源等原因,一个目标可以同时产生多个观测数据,对于解决这种扩展目标的跟踪问题,概率假设密度(PHD)滤波算法是一种有效的方法.针对扩展目标概率假设密度滤波算法中观测集合划分,提出一种利用近邻传播聚类方法进行观测集合划分的多扩展目标跟踪算法.实验结果表明,所提出的方法不但能够获得正确的划分观测集合,而且计算复杂度较已有划分方法有较大降低,同时在多目标跟踪效果方面优于已有算法.     

传感器故障条件下的自适应UKF 算法

针对目标跟踪中传感器故障导致滤波发散或者滤波精度不高的问题, 提出一种自适应无迹卡尔曼滤波(UKF) 算法. 该算法在滤波过程中, 根据自适应估计原理引入自适应矩阵因子, 实时调整系统状态向量和量测新息向量的协方差, 以满足无迹卡尔曼滤波算法的最优性条件, 并采取措施对滤波发散的情况进行判断和抑制. 与传统UKF和已有自适应UKF算法相比, 该自适应UKF算法显著提高了滤波精度和数值稳定性, 且具有应对传感器故障的自适应能力. 仿真实验结果表明了所提出算法的有效性.

     

基于自适应加权融合的分布式滤波算法

针对存在丢包的传感器网络中每个传感器节点对目标估计确信度不同的问题,提出一种基于自适应加权融合的分布式滤波算法.考虑节点在网络中的影响力及其节点属性,将节点重要度与传感器网络节点观测数据间的支持度线性加权,获得每个传感器节点对目标的估计确信度,并将该确信度构成的融合权值引入节点状态估计值的一致性协议中,更新传感器节点对目标的状态估计值,提高分布式滤波算法的估计精度和传感器节点估计值的一致性.仿真结果验证了所提出方法的有效性.     

基于特征可分性和稳定性度量的多特征融合目标跟踪算法

针对单一特征目标跟踪算法鲁棒性较差的问题, 提出一种基于特征可分性和稳定性度量的多特征融合目标跟踪算法. 在粒子滤波框架下, 通过计算不同特征对目标和背景的可区分性和稳定性, 设置重要性权值并自适应选择区分能力强、稳定性好的特征描述目标, 建立多特征融合目标模型. 在状态转移过程中, 给出一种基于特征稳定性度量的选择性模板更新策略, 并进行遮挡处理. 实验结果表明, 所提出的算法能够在复杂场景下鲁棒地跟踪目标.

     

基于相对熵的概率假设密度滤波器序贯蒙特卡罗实现方式

概率假设密度滤波器的典型序贯蒙特卡罗实现方式与粒子滤波类似,均是利用大量加权粒子估计多目标状态,典型实现方式是为每个期望目标分配固定数目的粒子,这导致较大的算法时间开销.鉴于此,建立了基于相对熵的序贯蒙特卡罗实现方式.首先计算两个不同规模粒子集合的相对熵,与预设阈值进行比较以确定粒子数目,从而动态调整粒子数目.仿真结果表明,所提出的实现方式提高了跟踪效率,在大部分时间步上优于典型实现方式.     

扩展目标跟踪的PCRLB

在杂波和漏检的环境下针对扩展目标估计的性能评价问题, 提出求扩展目标跟踪估计的后验克拉美罗界(PCRLB) 的方法. 该方法假设单个扩展目标的量测个数服从泊松分布, 杂波的个数也服从泊松分布, 给出在有漏检和杂波环境下求PCRLB 的方法—–信息约减因子法(IRF). 算例展示了不同的检测概率和杂波密度对PCRLB 的影响. 仿真结果表明, 所提出方法能有效反映扩展目标跟踪所能达到的最优性能, 检测概率越高, PCRLB 越小; 杂波密度越大, PCRLB 越大.

     

基于联合特征直方图的均值漂移目标跟踪算法

针对单一颜色特征跟踪性能差的缺点, 提出一种基于联合特征直方图的均值漂移目标跟踪算法. 采用颜色、边缘、运动3 个具有一定互补性的信息进行联合概率跟踪, 以提高目标模型的描述能力; 利用运动信息修正颜色和边缘模型核函数, 用以克服背景颜色、轮廓对跟踪效果的影响; 根据各特征所占权重, 运用自适应融合法生成关联特征直方图, 并将所构建的目标模型融合到mean shift 跟踪框架中, 实现目标跟踪. 实验结果表明, 所提出的算法具有较高的准确性.