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。     

多站无源雷达多起伏目标检测前跟踪算法

针对多站无源雷达背景下多起伏目标同时检测和跟踪的问题,该文提出一种基于多目标多伯努利(MeMBer)滤波器的多起伏目标检测前跟踪(TBD)算法。由于起伏目标的平均信噪比(SNR)未知使得目标的回波幅度似然函数不确定,该文假定包络检波器的输出平均SNR服从先验的均匀分布,并对可能取值区间进行边缘化处理,得到一个估计的似然函数,基于该估计的似然函数,融合中心利用所有收发对的幅度观测信息对MeMBer滤波器的各个预测分量进行更新。仿真结果表明,该算法能够有效地同时检测和跟踪多起伏目标,并且在平均SNR大于9 dB时,其性能与平均SNR已知情况下的性能近似。     

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。     

基于PHD的多目标检测前跟踪改进方法

基于概率假设密度粒子滤波的多目标检测前跟踪方法(PF-PHD-TBD)存在目标数目估计不准确、状态估计精度不高等问题。借鉴Rao-Blackwellised粒子滤波(RBPF)将目标的状态空间进行降维分解,分别采用线性与非线性滤波器进行跟踪的思想,在PF-PHD-TBD的预测与更新过程中采用RBPF方法,以最优卡尔曼滤波对目标速度分量进行处理,以粒子滤波对位置分量进行处理,显著降低了运算复杂度,相比仅使用粒子滤波时过分依赖目标位置信息的缺点,充分利用了位置与速度之间的关联特性,提高了目标数目估计的准确度和状态估计的精度。最后用仿真实验验证了所提方法的有效性。     

基于JMS-SMC-PHD滤波的检测前跟踪算法

针对低信噪比条件下机动目标的检测与跟踪问题,提出跳跃马尔可夫系统下的序贯蒙特卡罗概率假设密度(JMS-SMC-PHD)滤波的检测前跟踪算法。该算法在机动目标数目和模型未知情况下,直接利用红外传感器量测数据,通过在目标状态矢量中增加模型变量并利用马尔可夫模型概率转移矩阵结合序贯蒙特卡罗概率假设密度(SMC-PHD)滤波,实现机动弱小目标的检测前跟踪。仿真结果表明所提方法可以有效地实现目标的检测与跟踪。     

雷达微弱目标检测前跟踪算法综述

军事隐身目标的出现,给雷达带来了严峻的挑战.检测前跟踪算法是雷达微弱目标检测和航迹处理的一种有效方法.文中对雷达微弱目标检测前跟踪算法进行了综述,首先介绍了三维匹配滤波、Hough变换、动态规划和粒子滤波4类最常用的检测前跟踪实现算法的基本原理,然后述评了4类检测前跟踪算法的研究进展情况,最后在分析现有检测前跟踪算法问题的基础上,展望了雷达微弱目标检测前跟踪算法的发展趋势.     

雷达微弱目标检测前跟踪技术研究综述

战场环境的改变、武器系统的发展和隐身技术的应用,使得现代雷达系统对目标的检测和跟踪面临很大挑战,检测前跟踪技术是解决微弱目标检测和跟踪问题的一种有效方法。首先介绍了检测前跟踪技术的基本原理,然后重点综述了雷达微弱目标检测前跟踪算法的发展历程和研究现状,包括三维匹配滤波、动态规划、Hough变换、粒子滤波等检测前跟踪算法,并对常用的几种算法进行了对比分析,最后结合目前研究动态提出了雷达微弱目标检测前跟踪技术需要重点关注的问题和未来发展趋势。     

改进的概率假设密度滤波多目标检测前跟踪算法

基于概率假设密度滤波(Probability Hypothesis Density,PHD)的检测前跟踪(Track before detect,TBD)技术可以有效解决未知目标数的弱小点目标检测前跟踪问题.文章针对现有PHD-TBD算法存在目标数估计不准、目标发现延时较久的问题进行研究.从标准PHD滤波出发,更为合理地推导出PHD-TBD算法的粒子权重更新计算表达式,实现对目标数的准确估计;同时利用贝叶斯滤波理论,推导出基于量测的新生粒子概率密度采样函数,完成对目标的快速发现.仿真实验表明,与现有的PHD-TBD相比,改进算法能够适应目标扩散情况,准确估计目标数目,并实现对目标的快速发现和位置准确估计.     

粒子流粒子滤波检测前跟踪方法

检测前跟踪通过在连续多帧观测中对目标信号进行非相参积累以检测和跟踪微弱目标。积累的关键在于对目标轨迹的准确估计和多帧迭代滤波。传统粒子滤波器过于依赖建议分布，对目标轨迹的估计不够准确。新提出的粒子流滤波器是一种很好的替代方法，但其过于依赖当前时刻的量测而弱化多帧迭代滤波。本文提出一种在粒子滤波框架下采用粒子流的检测前跟踪方法:采用粒子滤波器进行多帧迭代滤波，但在每一帧内，采用Localized Exact Daum-Huang粒子流进行滤波。为了应对目标量测的不确定性，本文改造了Localized Exact Daum-Huang滤波器，为每个粒子在其邻域内寻找最大似然量测，并利用该量测更新粒子状态。Rayleigh分布杂波下Swerling1型起伏目标的检测和跟踪实验证明了所提算法的性能。      

基于粒子滤波的扩展目标检测前跟踪算法

针对扩展目标跟踪检测问题,把粒子滤波与检测前跟踪算法相结合应用于扩展目标。把目标强度和空间长度引入状态向量,解决粒子滤波易发散的缺点,实现对扩展目标的有效跟踪检测。最后,在对目标有效检测的基础上,对目标强度和空间长度进行估计。仿真表明,该算法能够较好地跟踪和检测扩展目标,并能有效估计目标强度和扩展长度。     

杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法

在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪 (PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显著的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。      

基于粒子滤波理论的雷达多目标TBD检测

粒子滤波理论适用于在非线性和非高斯环境下的目标跟踪与检测。文中基于序列重要性采样定理,提出了模型环境和多雷达目标检测的递归贝叶斯TBD算法。此算法在基本粒子滤波算法SIR的基础上,采用多模型粒子滤波器实现了多雷达目标的检测。仿真结果表明,算法能够有效地进行目标跟踪与检测。     

基于动态规划的雷达检测前跟踪新算法

 为解决低信杂比下雷达检测前跟踪技术存在末级检测门限设置困难和动态规划算法对运动目标跟踪能力弱的问题,本文首先分析了两级检测门限的雷达检测前跟踪算法自身特点.在瑞利杂波条件下,对经过动态优化后的信号进行杂波置信检验和航迹检测和校正.该算法末级检测门限设置简单并且提高了跟踪概率.仿真验证了新方法的有效性.     

基于动态规划的多目标检测前跟踪算法

本文针对低信杂比条件下的多目标检测与跟踪问题,提出了一种基于动态规划的多目标检测前跟踪算法.该算法能够比较准确地估计搜索空间中潜在的目标数量,并且最佳地分离出每个目标的航迹,从而较好地解决了以往检测前跟踪算法在目标数量未知的条件下容易出现漏警和虚警较多的问题.     

粒子初始化对TBD算法性能的影响探究

基于粒子滤波的检测前跟踪(TBD)算法是检测微弱目标的有效手段,但现有粒子滤波方法在进行微弱目标检测时,通常是在已知粒子初始参数范围的条件下进行研究的,没有考虑粒子初始参数对算法性能的影响。在对粒子状态预测过程中涉及的参数进行理论分析的基础上,发现粒子初始速度范围和初始状态范围两种参数对算法性能有较大影响。通过大量实验证明粒子初始参数的优化对算法的检测能力、跟踪精度和时间复杂度3方面性能都有所改善,为研究利用基于粒子滤波的TBD微弱目标检测提供新的思路。     

MIMO雷达多目标检测前跟踪算法研究

 本文基于检测前跟踪技术研究了MIMO雷达系统中多个运动目标的早期预警问题,在推导已知目标数量时的二元广义似然比检验的基础上,提出了一种次优的基于“逐目标消除和极坐标Hough变换（STC-PHT）”的多目标检测前跟踪算法,并推导了该算法的虚警概率和检测概率表达式。与以往的多目标检测前跟踪算法相比,新算法具有较低的计算量,且本质上无需目标数量的先验信息,避免了目标数量未知时需执行多元假设检验的问题。仿真分析表明,新算法能有效地改善MIMO雷达在低信噪比条件下的检测性能。     

基于道路约束的粒子滤波检测前跟踪算法

标准的多模型粒子滤波检测前跟踪技术是在低信噪比环境下检测与跟踪机动性的微弱目标的有效手段。但是由于其采用固定的运动模型数量,当运动模型数量过大时,模型之间的竞争会导致性能的下降。针对此问题,利用道路信息提出了一种变结构的多模型粒子滤波检测前跟踪算法。在每一时刻,根据目标的估计状态和挖掘的道路信息自适应地更新和改变运动模型集以能够选择更加有效的模型集,同时减少了模型数量,并且利用道路信息对目标的运动状态进行约束和限制。最后通过Monte Carlo仿真实验表明,基于文中所提出的算法在检测跟踪性能方面明显优于标准的多模型粒子滤波检测前跟踪算法。