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.     

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跟踪位置估计不精确等问题,引入箱粒子划分技术,提出一种划分交互式概率假设密度滤波(partitioned interacting multiple model probability hypothesis density filter,PIMM-Box-PHD)算法,来处理椭圆形多机动目标的跟踪问题。该算法首先在预测阶段针对多目标的机动问题引入IMM预测,利用多模型交互方法来解决目标运动时模型失配问题;其次,利用箱划分技术将预测得到的箱粒子划分为大小和权值相同的多个子箱,以提高目标位置估计精度;最后,利用Box-PHD滤波对划分后的小箱粒子集进行区间量测更新。利用实验验证了PIMM-Box-PHD算法在多机动目标跟踪方面的良好性能,以及相较于IMM-Box-PHD算法在目标位置估计方面的优势。     

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。     

基于目标预测的扩展目标量测集划分算法

扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）跟踪算法是扩展目标跟踪领域内最为重要的跟踪算法之一。然而当多个目标邻近时,该算法的状态估计精度降低,这是由于距离-Kmeans++（Distance Partitioning-Kmeans++,DP-Kmeans++）量测集划分算法无法输出正确的结果所导致。为解决该问题,提出了改进的DP-Kmeans++量测集划分算法,利用目标预测信息来分割量测集,从而提高了划分精度。仿真结果表明,当目标邻近时,使用提出划分算法使ET-GM-PHD跟踪算法的OSPA误差距离减小。     

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.     

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.

     

基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法

针对低信噪比条件下多弱小目标检测前跟踪算法跟踪效率低、计算复杂度高等问题,提出一种基于箱粒子概率假设密度滤波的弱目标检测与跟踪算法.首先,针对由目标的贡献强度和噪声获得的目标强度量测图像,利用均值滤波抑制强度量测图像中的噪声;其次,以不交叉原则挑选出强度值较大区域作为区间量测;最后,利用箱粒子概率假设密度(BOX-PHD)滤波对上述所得的区间量测进行目标跟踪.仿真结果表明,所提出的方法可以提高跟踪性能,且计算效率高.     

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.     

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.     

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.

     

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。     

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。     

基于核密度估计的K-CFSFDP聚类算法

快速搜索和发现密度峰值的聚类算法(Clustering by Fast Search and Find of Density Peaks,CFSFDP)是一种新的基于密度的聚类算法,它通过发现密度峰值来有效地识别类簇中心,具有聚类速度快、实现简单等优点。针对CFSFDP算法的准确性依赖于数据集的密度估计和截断距离(dc)的人为选择问题,提出一种基于核密度估计的K-CFSFDP算法。该算法利用无参的核密度估计分析数据点的分布特征并自适应地选取dc,从而搜索和发现数据点的密度峰值,并以峰值点数据作为初始聚类中心。基于4个典型数据集的仿真结果表明,K-CFSFDP算法比CFSFDP,K-means和DBSCAN算法具有更高的准确度和更强的鲁棒性。     

一种基于K近邻的比较密度峰值聚类算法

快速搜索与发现密度峰值聚类算法（Fast Search and Discovery Density Peak Clustering Algorithm，CFSFDP）的聚类效果十分依赖截断距离[dc]的主观选取，而最佳[dc]值的确定并不容易，并且当处理分布复杂、密度变化大的数据集时，算法生成的决策图中类簇中心点与非类簇中心点的区分不够明显，使类簇中心的选取变得困难。针对这些问题，对其算法进行了优化，并提出了基于K近邻的比较密度峰值聚类算法（Comparative Density Peak Clustering algorithm Based on K-Nearest Neighbors，CDPC-KNN）。算法结合K近邻概念重新定义了截断距离和局部密度的度量方法，对任意数据集能自适应地生成截断距离，并使局部密度的计算结果更符合数据的真实分布。同时在决策图中引入距离比较量代替原距离参数，使类簇中心在决策图上更加明显。通过实验验证，CDPC-KNN算法的聚类效果整体上优于CFSFDP算法与DBSCAN算法，分离度实验表明新算法使类簇中心与非类簇中心点的区分度得到有效提高。     

基于自适应可达距离的密度峰值聚类算法

针对基于快速搜索和发现密度峰值的聚类（CFSFDP）算法中截断距离需要人工选取,以及最近邻分配带来的误差导致的在具有不同密度簇的复杂数据集上的聚类效果不佳的问题,提出了一种基于自适应可达距离的密度峰值聚类（ARD-DPC）算法。该算法利用非参数核密度估计方法计算点的局部密度,根据决策图选取聚类中心,并利用自适应可达距离分配数据点,从而得到最终的聚类结果。在4个合成数据集和6个UCI数据集上进行了仿真实验,将所提算法ARD-DPC与基于快速搜索和发现密度峰值的聚类（CFSFDP）、基于密度的噪声应用空间聚类（DBSCAN）、基于密度自适应距离的密度峰聚类（DADPC）算法进行了比较,实验结果表明,相比其他三种算法,ARD-DPC算法在7个数据集上的标准化互信息（NMI）、兰德指数（RI）和F1-measure取得了最大值,在2个数据集分别取得F1-measure和NMI的最大值,只对模糊度较高、聚类特征不明显的Pima数据集聚类效果不佳;同时,ARD-DPC算法在合成数据集上能准确地识别出聚类数目和具有复杂密度的簇。     

基于MMPHDF的多机动目标联合检测、跟踪与分类算法

针对场景中存在新目标出现、旧目标消失(即目标数目变化)和密集杂波的复杂情形,利用多模型概率假设密度滤波器(MMPHDF)在多机动目标联合检测与跟踪上的优势,加入类别辅助信息,提出了一种多机动目标联合检测、跟踪与分类算法.该算法的基本思想是在MMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,从而改善了目标数目及状态的估计精度;在更新目标状态后,对目标属性信息进行更新,更为精确的目标数目及状态估计又保证了目标分类性能.本文给出了该算法的粒子实现方法.仿真结果验证了上述结论.     

基于ET-PHD滤波器和变分贝叶斯近似的扩展目标跟踪算法

针对未知测量噪声协方差情况下的多扩展目标跟踪问题,利用扩展目标概率假设密度（ET-PHD）滤波器和变分贝叶斯（VB）近似理论,提出了一种标准ET-PHD滤波器的扩展方法及其解析的实现方法。首先,根据标准ET-PHD滤波器的目标状态方程和测量方程,定义了目标状态和测量噪声协方差的增广状态变量及二者的联合转移函数;然后,根据标准ET-PHD滤波器,构建了扩展的ET-PHD滤波器的预测和更新公式;最后,在线性高斯假设的条件下,利用高斯和逆伽马（IG）混合分布表示目标的联合后验强度函数,从而给出了扩展ET-PHD滤波器的解析实现。仿真结果表明：所提算法能提供可靠的跟踪结果,可有效地处理未知测量噪声协方差环境中的多扩展目标跟踪问题。     

基于密度峰值的混合型数据聚类算法设计

针对k-prototypes算法无法自动识别簇数以及无法发现任意形状的簇的问题,提出一种针对混合型数据的新方法：寻找密度峰值的聚类算法。首先,把CFSFDP（Clustering by Fast Search and Find of Density Peaks）聚类算法扩展到混合型数据集,定义混合型数据对象之间的距离后利用CFSFDP算法确定出簇中心,这样也就自动确定了簇的个数,然后其余的点按照密度从大到小的顺序进行分配。其次,研究了该算法中阈值（截断距离）及权值的选取问题：对于密度公式中的阈值,通过计算数据场中的势熵来自动提取;对于距离公式中的权值,利用度量数值型数据集和分类型数据集聚类趋势的统计量来定义。最后通过在三个实际混合型数据集上的测试发现：与传统k-prototypes算法相比,寻找密度峰值的聚类算法能有效提高聚类的精度。