箱粒子PHD演化网络群目标跟踪算法

群演化网络模型对群结构的构建和实时更新提供了良好的实现方式.针对粒子概率假设密度(SMC- PHD)滤波算法存在运算量大的问题,提出一种基于箱粒子概率假设密度(BP-PHD)滤波的演化网络群目标跟踪算法.将群演化网络模型得到的群结构信息反馈回BP-PHD滤波过程中,从而实现群目标的跟踪和群数目的估计.对比实验表明,所提出算法可以在保证跟踪效果的同时减少计算量,并且在杂波密集的条件下具有更好的跟踪精度和鲁棒性.     

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.     

基于IMMBPF的纯方位区间量测机动目标跟踪

针对纯方位区间量测下机动目标跟踪问题,提出了一种交互式多模型箱粒子滤波(IMMBPF)算法。该算法通过交互式多模型算法估计每个箱粒子的状态,利用多传感器交叉定位构建用于非线性测角区间分析的包含函数。在滤波更新阶段,引入二次压缩算法,使得更新的箱粒子具有更大的新息区间和存活概率,从而达到提高箱粒子多样性和目标状态估计性能的目的。利用等效浮点运算测度,从理论上推导分析了算法的复杂度。通过仿真实验对比了IMMBPF、交互式多模型粒子滤波(IMMPF)和匀速运动模型箱粒子滤波(CV-BPF)三种算法的目标跟踪性能,仿真结果证明了所提算法的有效性。     

一种学生◢t◣混合粒子实现的概率假设密度滤波器

在非线性多目标跟踪问题中,高斯混合粒子概率假设密度（GMP-PHD） 滤波器在重尾的过程噪声和量测噪声的影响下会导致滤波性能的下降。针对该问题,提出一种新的学生◢t◣混合粒子概率假设密度（STMP-PHD）滤波器。该滤波器将过程噪声和量测噪声近似为学生◢t◣分布,并用学生◢t◣混合模型来近似多目标的强度;同时,利用蒙特卡洛方法计算学生◢t◣积分,建立了学生◢t◣混合形式的闭式递推框架。仿真结果表明,该滤波器能够有效克服由重尾的过程噪声和量测噪声带来的不利影响,并能够保持较高的跟踪精度。     

基于粒子滤波的检测前跟踪改进算法

针对低信噪比环境下微弱目标的实时检测与跟踪,提出一种基于粒子滤波的检测前跟踪改进算法.该算法在粒子滤波的基础上融合不敏卡尔曼滤波(uKF1)算法,融合后的新算法在利用重要性密度函数产生粒子时充分考虑当前时刻的量测,从而引导粒子向高似然区域移动,使得粒子的分布更接近状态的后验概率分布.仿真实验表明,改进算法的检测与跟踪性能优于标准的粒子滤波算法.     

基于自适应遗传PHD滤波的多群目标跟踪方法

针对标准的概率假设密度（PHD）滤波算法在杂波环境下对群目标跟踪误差较大的问题,提出一种基于自适应遗传PHD滤波的多群目标跟踪方法。该方法在PHD粒子滤波的基础上,利用选择概率减少了新生粒子的数量。为了有效抽取交叉粒子,在时间更新阶段引入当前量测与群目标间的马氏距离。为了提高预测粒子的鲁棒性,推导出自适应交叉与变异操作方案。仿真实验表明,所提出的方法能有效跟踪杂波环境下的多群目标,具有目标总数估计稳定、运动状态估计准确的特点。     

基于箱粒子PHD滤波的多目标视频跟踪方法

针对粒子滤波运算量大的问题,提出一种基于箱粒子概率假设密度(Box-PHD)滤波的多目标视频跟踪方法.首先给出一种快速运动目标检测算法,通过阈值自动选取的帧差分法得到目标质心并作为量测,然后经箱粒子PHD滤波预测更新后,及时修正检测偏差实现多目标的跟踪和目标数目的估计;最后为所提算法设计了航迹识别步骤,通过颜色特征与纹理特征作为相似性度量,从而实现航迹识别,弥补了PHD滤波无法区分目标的不足.利用目标的特征区分出每个目标的航迹,同时进一步剔除了目标状态集中的杂波,保证了跟踪精度.箱粒子PHD滤波器不仅可以解决量测不确定性的问题,同时可以降低复杂度,减小运算量.实验表明,文中算法可以实现目标新生、消失、合并和分裂等复杂情况下的多目标视频跟踪,并实时区分不同目标的航迹,在保证跟踪效果的同时提高了实时性.     

基于交互式CPHD的多传感器多机动目标跟踪

针对多传感器高速多机动目标的跟踪问题,提出一种多传感器交互式贪婪势概率假设密度(MS-IMMGreedy-CPHD)滤波器.该滤波器在预测阶段,通过交互式多模(IMM)算法对势概率假设密度(CPHD)滤波中目标的状态、势分布和运动模型同时进行预测;在滤波的更新阶段,利用贪婪(greedy)量测划分机制选取多传感器量测子集和拟分区,并通过拟分区量测子集对不同模型下CPHD预测的目标状态和势分布以及模型进行交互式更新.仿真结果表明,所提出MS-IMM-Greedy-CPHD滤波能够对高机动多目标进行稳定有效的跟踪,相较于多传感器势概率假设密度(MS-CPHD)滤波,跟踪结果的OSPA误差更小且势估计更加准确.     

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.     

基于粒子滤波的检测前目标跟踪算法

针对低信噪比下红外图像中的弱小目标检测与跟踪问题,由于噪声的影响,信号不准确,图像不清晰。为解决上述问题,采用基于粒子滤波的检测前跟踪算法,直接利用传感器的原始数据,通过粒子滤波算法得到目标状态的后验概率分布,以目标出现概率作为检测目标的判断准则,检测出真实目标,并估计出目标在空间平面内的准确位置。并在抽取新生粒子时设定一个阈值,有效提高了抽取粒子的质量。对单个点的目标检测与跟踪系统进行了仿真。仿真结果表明,改进算法跟踪误差小,精度高,具有良好的检测与跟踪性能。     

划分交互式箱粒子概率假设密度滤波法

针对现有的多机动目标追踪问题,将交互式多模型(interacting multiple model,IMM)思想与箱粒子概率假设密度滤波器(box probability hypothesis density filter,Box-PHD)相结合,并针对箱粒子在区间密集杂波等复杂环境下箱体偏大,所导致的箱粒子冗余和目标...     

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.

     

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.     

交互式箱粒子标签多伯努利机动目标跟踪算法

针对多机动目标追踪问题, 将交互式多模型(Interacting multiple model, IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter, Box-LMB)相结合, 提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态, 引入模型匹配概率变量, 并利用量测信息在预测阶段更新模型匹配概率, 进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次, 在更新阶段提出二次收缩算法, 通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率, 也更加接近真实目标位置, 从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明, 二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法, 能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下, 与匀速直线运动(Constant velocity, CV)模型下的Box-LMB算法相比, IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.     

基于ET-PHD的自适应联合跟踪与分类算法

针对新生目标强度先验未知的扩展目标（Extended target,ET）联合跟踪与分类（Joint tracking and classification,JTC）问题,提出一种基于扩展目标概率假设密度（Extended target-probability hypothesis density,ET-PHD）滤波器的自适应联合跟踪与分类算法,并给出其高斯混合实现方法.算法利用量测信息生成新生目标强度,在滤波预测阶段对存活目标和新生目标分别按照其类别进行传播,再引入属性量测信息,用位置和属性的联合量测似然函数代替单目标位置似然函数,对预测后所有目标强度进行联合更新,之后按照类别进行高斯项的删减与合并,提取相应类别目标的状态集.仿真结果表明,提出的自适应算法改进了概率假设密度滤波器在扩展目标跟踪中的性能.     

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.     

A novel multiple maneuvering targets tracking algorithm with data association and track management

A novel multiple maneuvering targets tracking algorithm with data association and track management is presented in this paper. First, the variation of the generalized pseudo-Bayesian estimator of first order is designed. Then, the data association and track management via handling two matrices are given, which reflect the relationships between target trajectory and the output of the Gaussian mixture probability hypothesis density (PHD) filter for jump Markov system models (JMS-GM-PHD) filter. The tracking performance of the proposed algorithm is compared with two conventional algorithms. One is JMS-GM-PHD filter, the other is algorithm entitled hybrid algorithms for multi-target tracking using MHT and GM-CPHD which is denoted as hybrid method hereinafter. The results of Monte Carlo simulation show that the proposed filter has overall performance than the conventional.     

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.     

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．