基于目标指示的两坐标警戒雷达目标高度补偿状态估计

为了克服现有目标高度补偿算法存在的模型假设不合理、实际应用效果难以保证等问题,本文以目标恒海拔等速运动为前提,利用协同单元提供的目标指示信息,对两坐标雷达的空间目标跟踪问题重新进行了研究.首先根据不同坐标系间的转换关系,构建了目标高度的准确表达式.然后通过恒等变换和合理的近似,得到了目标高度的估计公式,并利用绝对值不等式和柯西-施瓦茨不等式,推导得到了高度估计公式的误差.最后联合目标高度估计公式和两坐标雷达的缺维量测方程,采用扩展卡尔曼滤波方法,实现了目标空间状态的估计.仿真结果表明:本文算法可有效地对目标高度进行补偿,获得稳定、可靠的目标空间状态估计,从而为两坐标雷达目标空间状态估计问题提供了相对有效完善的解决方法.     

基于PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。     

基于动态集群和DKF的协作式目标跟踪

针对具有有限感知范围的无线传感器网络中的动态目标跟踪问题,提出了一种将卡尔曼一致滤波和动态集群自组织相结合的协作式动态目标跟踪算法。首先,算法采用一个由群头挑选阶段和集群重新配置阶段构成的动态集群协议来限制参与目标状态估计过程中节点间的信息交换,然后用一个分布式加权估计预测算法即卡尔曼一致滤波来估计目标状态并预测其下一个位置,这样有助于唤醒最合适的节点来进行目标跟踪并最恰当地组织网络通信,而其他节点保持在睡眠状态。仿真结果表明,提出的算法相比于集中式和其他2种常用的分布式动态目标跟踪算法,不仅能够降低网络的平均能耗,而且能够明显提高跟踪过程中的误差估计质量。     

面向OTHR多目标跟踪的多路径标记PHD滤波算法

针对天波超视距雷达(OTHR)多目标跟踪面临着多路径、低检测概率等问题,利用概率假设密度(PHD)滤波器在状态估计过程免数据关联的优点,提出了多路径标记PHD(MLPHD)滤波算法。该算法采用分布式PHD滤波策略,构建标记子PHD表征独立目标信息,同时引入多路径子PHD删剪及合并策略,避免标准PHD滤波在OTHR跟踪过程出现的目标数过估问题,进一步给出了该算法的序贯蒙特卡洛(SMC)实现。仿真结果表明,在OTHR跟踪中,SMC-MLPHD滤波器能够较准确的估计目标状态和目标数,缓解了直接利用SMC-PHD滤波器处理带来的目标数过估和较高计算量的问题。     

基于贝叶斯框架的空间群目标跟踪技术

对大量密集的空间群目标进行有效跟踪、编目已成为空间监测的迫切需求。地基雷达作为近地轨道空间监测的主要手段,在对高密度的空间小碎片云进行跟踪时,通常会由于分辨能力有限,造成对个体目标检测、观测信息严重缺失,使得传统的多目标跟踪技术难以奏效。为此,该文基于群跟踪的概念,在贝叶斯框架下以群目标的整体运动趋势为跟踪对象,同时兼顾个体的运动目标轨迹跟踪,通过建立群目标的中心和观测量之间的相互作用约束模型,可以提升在漏警概率较高情况下的目标数目估计的稳健性以及单个目标的跟踪精度。贝叶斯积分的求解过程通过MCMC-Particle 算法具体实现。通过对空间群目标跟踪的仿真实验验证了群跟踪技术的有效性。      

一种有轨迹标识的利用测量生成新目标密度的GM-PHD滤波器

在存在杂波、漏检、目标数目未知和变化的情况下,PHD滤波器是一种多目标跟踪新方法,GM-PHD滤波器是PHD滤波器的一种近似实现。然而,GM-PHD滤波器没有提供单个目标状态估计的身份,而构建目标运动轨迹需要目标状态估计的身份,同时,现有的GM-PHD滤波器在新目标密度生成时对新目标出现位置进行了限制,难以对观测空间任意位置随机出现的目标进行跟踪。为解决非线性观测系统GM-PHD滤波器中目标状态估计的身份标识和新目标密度生成问题,设计了一种新的GM-PHD滤波器。该滤波器利用传感器的观测数据生成新目标密度,通过给滤波器输出的高斯项增加专有身份标识并使用身份标识将源于同一目标不同时刻的目标状态估计关联起来。仿真实验验证了滤波算法的有效性。      

基于量测驱动新生目标强度估计的PHD滤波算法

针对多目标跟踪中存在的新生目标强度未知的问题,提出一种基于量测驱动新生目标强度估计的PHD(MDTBI-PHD)滤波算法。该算法采用增广状态空间方法,在由真实目标状态与虚拟目标(杂波)状态构成的增广状态空间上实现PHD多目标跟踪。算法通过构造新生目标量测集,采用量测驱动的方式对新生目标强度进行估计,从而避免了对新生目标强度先验知识的依赖,同时,该算法也避免了未知杂波对真实目标强度估计的干扰。仿真结果表明,该算法在新生目标强度未知的情况下,具有对目标数目变化敏感的优势,可降低计算复杂度,明显提高跟踪精度。     

一种抗遮挡自适应粒子滤波目标跟踪方法

针对传统视觉跟踪算法在目标发生遮挡时容易发生偏离或失败的缺陷,提出了一种新的抗遮挡自适应粒子滤波(PF)目标跟踪方法。在粒子传播过程中,利用目标SSD(sum of squareddifference)残差所生成的高似然区域能自适应地调整状态空间中的粒子采样区域范围和采样粒子数量,使跟踪中粒子采样覆盖目标的各种状态可能性,全面提高状态空间质量。预测状态和粒子估计状态通过噪声协方差很好地融合起来,能够较有效地解决遮挡情况下的跟踪问题,使目标定位更加精确。粒子数量的自适应不仅能很好提高跟踪精度,而且在一定程度上降低了计算代价。实验结果表明,本文算法对跟踪目标遮挡具有较好的容错性和跟踪鲁棒性,能有效实现复杂场景下的目标跟踪。     

一种基于多模型高斯逆Wishart PHD滤波器的空间邻近目标跟踪方法

将空间邻近目标(Closely Spaced Objects,CSOs)整体建模为扩展目标(Extended Target,ET),用随机矢量和随机矩阵分别描述CSOs质心运动和扩散状态,并采用高斯逆Wishart(Gaussian inverse Wishart,GIW)概率假设密度(Probability Hypothesis Density,PHD)滤波器实现杂波和漏检条件下CSOs的稳定跟踪.修正了原GIW-PHD滤波器量测模型和形状估计的缺陷,给出新的递推表达式,并在此基础上提出一种多(形变)模型GIW-PHD滤波器,以适应CSOs分裂和融合引起的形状变化.仿真结果表明,所提算法能够有效跟踪CSOs,状态估计比原GIW-PHD更加准确,对CSOs的变化更加敏感.     

LFMCW雷达运动目标距离与速度超分辨估计

超分辨谱估计算法能得到比传统周期图法高得多的分辨率,针对LFMCW雷达动目标检测问题,本文提出一种基于状态矢量空间方法的LFMCW雷达距离与速度超分辨估计方法。文中介绍了状态矢量空间方法的基本原理并分析了三角LFMCW雷达上、下扫频段差频信号的特点,使用基于状态矢量空间方法估计差频信号频谱,同时给出了相应的运动目标距离与速度的估计算法。该算法解决了LFMCW雷达动目标去耦问题,与传统FFT方法相比提高了运动目标距离与速度的分辨率和估计精度。仿真结果证明了该算法的有效性。      

A novel track maintenance algorithm for PHD/CPHD filter

Probability hypothesis density (PHD) filter and cardinalized PHD (CPHD) filter have proved to be promising algorithms for tracking an unknown number of targets in real time. However, they do not provide the identities of the individual estimated targets, so the target tracks cannot be obtained. To solve this problem, we propose a new track maintenance algorithm based on the cross entropy (CE) technique. Firstly, the particle filter PHD (PF-PHD) algorithm is used to estimate the target states and the target number. Then, the results of the estimation are used as vertexes to construct a connectivity graph with associated weights, and the CE technique is employed as a global optimization scheme to calculate the optimal feasible associated events. Furthermore, due to the advantages of the CPHD filter and the Rao-Blackwellized particle filter (RBPF), we propose another track maintenance algorithm based on the CE technique, named the RBPF–CPHD tracker, which can further improve the track maintenance performance due to the more accurate state estimates and their number estimates. Simulation results show that the proposed algorithms can effectively achieve the track continuity, with stronger robustness and greater anti-jamming capability.     

嵌入式容积粒子PHD多目标跟踪算法

针对基于概率假设密度算法（Probability Hypothesis Density,PHD）的非线性多目标跟踪估计精度不高、滤波发散、实时性差等问题,提出一种嵌入式容积粒子PHD算法（Imbedded Cubature Particle PHD,ICP PHD）。新的算法在采样阶段引入Halton点集,并基于三阶嵌入式容积准则产生有限的积分点,对每个采样粒子进行滤波,来拟合重要密度函数。由于Halton点集得到的粒子分布更加均匀,故而ICP PHD算法能够避免 “粒子聚集”的现象。另外,由于三阶嵌入式容积准则的积分点少、精度高,因此ICP PHD算法能更好的协调时间与精度之间的矛盾。仿真结果表明ICP PHD能对多目标进行有效跟踪,相比高斯厄米特粒子PHD算法（Gauss Hermite Particle PHD,GHP PHD）具有实时性强的优势,在目标数目和状态估计上比容积粒子PHD算法（Cubature Particle PHD,CP PHD）精度更高。      

基于改进的PHD粒子滤波的多目标跟踪技术

有限集统计学（FISST）理论将任意时刻目标状态的集合视为多目标集值状态,而相应的传感器观测值集合被视为多目标集值观测。通过随机有限集建模并利用集合的微积分运算可推导出最优多目标贝叶斯滤波器。然而由于涉及集合微积分运算,最优多目标贝叶斯滤波器的运算量极大。概率假设密度（PHD）滤波器是最优多目标贝叶斯滤波器的一阶矩近似,可以实现在关联不确定、目标数目未知或变化情况下的多目标状态估计。相比于最优多目标跟踪技术,基于PHD滤波器的多目标跟踪技术的运算复杂度得到了有效的降低,更易于工程应用。但在密集杂波背景下PHD滤波器的粒子实现方法仍然存在运算复杂度过高的问题。本文针对密集杂波的情形,提出一种有效的杂波滤除方法,在不影响滤波性能的情况下,降低了运算复杂度,提高了滤波效率。      

Extensions of the SMC-PHD filters for jump Markov systems

The probability hypothesis density (PHD) filter is a promising algorithm for multitarget tracking, which can be extended for jump Markov systems (JMS). Since the existing multiple model sequential Monte Carlo PHD (MM SMC-PHD) filter is not interacting, two extensions of the SMC-PHD filters are developed in this paper. The interacting multiple-model (IMM) SMC-PHD filter approximates the model conditional PHD of target states by particles, and performs the interaction by resampling without any a priori assumption of the noise. The IMM Rao-Blackwellized particle (RBP) PHD filter uses the idea of Rao-Blackwellized to further enhance the performance of target state estimation for JMS with mixed linear/nonlinear state space models. The simulation results show that the proposed algorithms have better performances than the existing MM SMC-PHD filter in terms of state filtering and target number estimation.     

A new data association algorithm using probability hypothesis density filter

Probability Hypothesis Density (PHD) filtering approach has shown its advantages in tracking time varying number of targets even when there are noise, clutter and misdetection. For linear Gaussian Mixture (GM) system, PHD filter has a closed form recursion (GMPHD). But PHD filter cannot estimate the trajectories of multi-target because it only provides identity-free estimate of target states. Existing data association methods still remain a big challenge mostly because they are computationally expensive. In this paper, we proposed a new data association algorithm using GMPHD filter, which significantly alleviated the heavy computing load and performed multi-target trajectory tracking effectively in the meantime.     

观测最优分配的GM-PHD多目标跟踪算法

概率假设密度滤波器将目标的状态空间及观测空间描述为随机有限集合的形式,有效避免了多目标跟踪中复杂的数据关联问题。但对于不同类型的目标使用同样的全部观测数据集进行目标状态更新,未对观测数据进行合理分配,导致估计性能下降。该文提出一种观测最优分配的高斯混合概率假设密度多目标跟踪算法(MOA-GM-PHD),将目标分为已有目标和新生目标两类,推导极大似然门限来获得两类目标对应的最优观测数据,再分别进行目标状态更新。实验结果表明,该文方法目标跟踪效果优于传统GM-PHD滤波器。      

航向角辅助的高斯混合PHD模糊滤波方法

为了更好的解决目标数未知或随时间变化的多目标跟踪问题, 针对高斯混合概率假设密度滤波器（GMPHD）的局限性,提出了非线性条件下的航向角辅助的GMPHD滤波算法。本文给出采用测量数据计算航向角的方法,将航向角与观测向量组成复合观测向量,在跟踪过程中提高了对目标位置的估计精度;利用测量数据生成新目标密度,提高了目标数的估计精度;同时,本文在非线性高斯条件下,将求容积卡尔曼滤波（CKF）引入计算目标状态的预测和更新分布,取得了很好的效果;最后利用模糊方法确定了各个目标的运动轨迹。实验结果表明,本文提出的算法不但能给出目标的运动轨迹而且在目标的位置、速度和目标数的估计精度上都有明显的提高。      

Target Birth Intensity Estimation Using Measurement‐Driven PHD Filter

The probability hypothesis density (PHD) filter is an effective means to track multiple targets in that it avoids explicit data associations between the measurements and targets. However, the target birth intensity as a prior is assumed to be known before tracking in a traditional target‐tracking algorithm; otherwise, the performance of a conventional PHD filter will decline sharply. Aiming at this problem, a novel target birth intensity scheme and an improved measurement‐driven scheme are incorporated into the PHD filter. The target birth intensity estimation scheme, composed of both PHD pre‐filter technology and a target velocity extent method, is introduced to recursively estimate the target birth intensity by using the latest measurements at each time step. Second, based on the improved measurement‐driven scheme, the measurement set at each time step is divided into the survival target measurement set, birth target measurement set, and clutter set, and meanwhile, the survival and birth target measurement sets are used to update the survival and birth targets, respectively. Lastly, a Gaussian mixture implementation of the PHD filter is presented under a linear Gaussian model assumption. The results of numerical experiments demonstrate that the proposed approach can achieve a better performance in tracking systems with an unknown newborn target intensity.     

基于联合似然函数的多扩展目标广义标签多伯努利滤波器

高分辨率雷达监视系统可观测到区域内不同形状的多个扩展目标,可靠的形状估计有利于提高扩展目标跟踪性能,并可作为战场态势评估的重要依据。该文针对不同形状多扩展目标跟踪问题,提出一种基于联合似然函数的广义标签多伯努利(JL-GLMB)滤波器,可实现目标数目、航迹以及形状的精确估计。首先,将目标形状建模为星凸集,并利用非线性量测变换滤波器更新GLMB分布中的高斯分量,有效提高扩展目标状态估计精度。然后,通过对数加权融合策略,构造联合似然函数,综合衡量扩展目标和量测单元之间的相似程度。最后,基于吉布斯采样,提出快速计算扩展目标状态后验概率密度的方法,有效提高数据关联的准确率和计算效率。仿真实验结果表明,所提滤波器能够有效估计不同形状的多扩展目标状态,且在杂波环境下具有稳定的势估计。