基于随机有限集的多目标跟踪算法在红外预警系统中的应用研究

红外预警系统由于量测周期长、跟踪目标数量多,从而导致多目标跟踪算法起始时间长、实时性差。采用基于随机集的多目标跟踪算法来解决这些难点,并针对标准随机集多目标跟踪算法需要给出新生目标先验出生概率强度、航迹无法编批的不足,采用分扇区处理、均匀新生目标强度模型、航迹编批管理方法对算法进行了改进。仿真结果表明,改进后的算法能够满足红外预警系统工程需求。     

结合幅度信息的扩展目标随机有限集跟踪方法

基于随机有限集的扩展目标跟踪方法通常根据量测的空间信息进行量测划分,在杂波密集环境下有可能将杂波量测划入目标单元,从而造成跟踪性能的下降。为此,该文将目标和杂波的幅度信息引入高斯逆威沙特概率假设密度(GIW-PHD)滤波器,通过计算量测子集的幅度似然寻找最优的量测划分方法。此外,计算量测单元的中心时,采用幅度加权的方法计算量测单元的质量中心,以取代目前广泛使用的几何中心,从而进一步降低杂波对滤波器的干扰。在信杂比分别为13 dB和6 dB的条件下,通过对Rayleigh杂波中Swerling 1型起伏目标的跟踪结果证明了所提方法相比高斯逆威沙特概率假设密度滤波器具有更优的势估计和状态估计性能。      

视野有限的传感器网络中分布式多目标跟踪

在传感器网络的多目标跟踪研究中,大多数现有的跟踪算法通常设定网络中所有节点具有相同的视野,即所有节点都能够得到目标的测量,但在实际中,节点的感测范围通常是有限的。针对这一问题,本文提出了一种能够在感测范围有限的多传感器网络中实现多目标跟踪的分布式概率假设密度滤波算法,该算法通过融合传感器网络视野范围内的后验概率假设密度粒子集来克服传感器节点感测范围的局限。仿真结果表明,提出的算法可以在感测范围有限的情况下实现多目标状态和数目的有效跟踪,同时可以在一定程度上抑制杂波,具有较好的跟踪稳定性。      

基于随机有限集理论的无源多站联合定位与跟踪算法

针对无源多站目标跟踪中涉及到复杂的数据关联以及测向交叉定位处理,提出了基于随机有限集理论的无源多站联合定位与跟踪算法( RFS-JLT)。该算法采用伯努利随机有限集形式构建目标状态和多站量测随机有限集模型,依据目标运动特性以及随机有限集卷积公式计算出多目标状态转移密度函数和多站量测似然函数,然后基于多目标贝叶斯估计理论推导了目标后验概率密度的递推式,避免了多站测向数据关联以及交叉定位处理。仿真结果表明,在无源多站目标跟踪中,RFS-JLT算法能够显著提升目标跟踪精度。     

基于随机有限集的中段弹道目标群星载红外像平面跟踪方法

弹道目标进入中段飞行时释放弹头及大量诱饵形成密集目标群,对星载红外像平面的目标跟踪提出新的挑战.针对像平面对目标群各目标分辨个数的时变性,及各目标像平面轨迹非线性程度强的特点,提出基于随机有限集的目标群像平面跟踪方法.随机有限集为最优贝叶斯多目标跟踪提供统一的理论基础,但直接递推多目标后验分布计算量大,概率假设密度为多目标后验概率分布的一阶矩,在随机有限集框架下递推概率假设密度为现实可行的次优多目标跟踪方法.采用序贯蒙特卡罗方法实现多目标概率假设密度递推跟踪滤波,计算所有粒子权值之和估计目标数目,以k-m eans方法对粒子集进行聚类提取各目标的状态;最后构建天基光学星座对中段弹道目标群的跟踪仿真场景,在不同交接跟踪任务、虚警率和目标个数条件下进行对比分析和仿真验证.结果表明,该方法能同时跟踪星载红外像平面上动态变化目标群各目标的状态和数目.     

基于IAUKF-JPDA算法的多目标跟踪

针对不同传感器融合跟踪精度低的问题,提出一种采用加权融合的改进自适应无迹卡尔曼滤波算法(IAUKF).针对不同传感器的融合处理中场景切换导致的传感器精度变化,对来源于不同传感器的数据设置不同的权重,引入Sage-Husa自适应思想,实时处理测量噪声的统计特性,利用联合概率数据关联(JPDA)来完成杂波的去除和量测-目标...     

基于卡尔曼滤波的高速多目标跟踪

针对监控视频序列中的目标跟踪问题,提出了一种基于卡尔曼滤波的高速多目标跟踪算法.通过卡尔曼滤波,用视频序列上一帧的信息预估出跟踪轨迹在下一帧的位置.然后对所有被检测出的目标,通过寻找最大IOU匹配的方式,将目标和跟踪轨迹关联起来.由于使用的是IOU匹配的方式,并且设置了搜索范围的跟踪门,实验结果表明算法的速度很快,可以...     

基于MF-DeepSORT的交通多目标跟踪

针对交通场景中的多目标跟踪任务,为了提高跟踪算法的跟踪精度,在DeepSORT算法的基础上提出了一种改进的MF-DeepSORT算法。相比于DeepSORT跟踪算法,MF-DeepSORT是一种基于多特征(Multi Feature, MF)融合的目标跟踪算法,相对于仅使用传统的卷积特征,MF-DeepSORT将HOG特征引入到跟踪算法中,进而提高目标外观的表征能力,并引入了基于交并比(Intersection over Union, IOU)的运动距离度量,从而提高跟踪匹配的准确性。同时构建了交通场景多目标跟踪数据集Car-MOT,用于衡量算法在交通多目标跟踪任务的跟踪性能。实验结果表明,所提出的MF-DeepSORT在Car-MOT上相比DeepSORT,MOTA指标提高了4.839%,达到了62.017%,同时跟踪ID切换从34次降到2次,表明MF-DeepSORT在交通多目标数据集的跟踪性能优于DeepSORT算法,是一种高效的交通多目标跟踪算法。     

基于停止集的喷泉编码有限长性能估计

喷泉编码是一类基于删除信道、面向数据分组的前向纠错编码技术。该文分析了停止集的尺度分布对固定码率喷泉编码解码性能的影响,提出了一种估算低误码条件下喷泉编码有限长性能的方法以及一种低复杂度的停止集尺度分布搜索算法。比较结果表明,该文给出的喷泉码解码性能上下界与实际仿真结果非常接近。     

基于Meanshift与卡尔曼滤波的多目标跟踪

多目标跟踪相比较于单目标跟踪而言,视频中的目标数量增加,且在目标运动时,多个目标之间可能会产生遮挡,更增加了目标跟踪的难度,针对以上问题提出了Meanshift算法与卡尔曼滤波相结合的方法进行多目标的跟踪,首先采用Meanshift算法将目标与背景进行分割,然后分别建立Kalman数学模型,结果表明,该方法能够实现较为稳定的多目标的跟踪。     

基于随机集的多主用户多维信息感知算法研究

移动认知网络多主用户(Primary User,PU)信号检测问题是当前认知无线电领域面临的主要问题之一.文中提出将随机集(Random Sets,RS)引入移动认知网络的频谱感知过程中,构建多主用户运动模型及观测模型,通过粒子概率假设密度滤波(Particle Probability Hypothesis Density Filter,P-PHDF)算法实现对主用户数量及主用户状态(位置、速度、使用频率、信号接收角度)的实时检测.较传统感知方法,基于随机集的频谱感知方法不仅能准确跟踪检测活跃主用户的数目,同时还能跟踪检测出主用户的具体位置、使用频率及信号接收角度等信息.仿真结果表明,在移动环境下文中提出的多主用户实时感知方法的检测性能良好,并且能有效地抵抗杂波等的干扰,实现了多维移动认知网络中对检测区域内主用户数量及状态的实时检测跟踪.     

基于颜色与深度信息特征融合的一种多目标跟踪新算法

提出了一种基于颜色与深度信息特征融合的 可逆跳的马尔科夫链蒙特长洛(RJMCMC)多目标跟踪算法。首先,融合彩色信息和深度信息对 运动目标进行检测;然后,根据多目标检测的结果建 立观测似然模型,并构建合理的状态转移模型;最后,通过RJMCMC粒子滤波算法实现多目 标跟踪。实验 结果表明,本文提出的多目标跟踪算法具有较强的鲁棒性,能够稳定的跟踪多目标,具有较 高的准确率。     

基于自适应无迹粒子滤波的目标跟踪算法

为解决复杂场景中目标跟踪问题,提出了一种噪声未知情况下的自适应无迹粒子滤波(A-UPF)算法。算法采用改进的Sage-Husa估计器对系统未知噪声的统计特性进行实时估计和修正,并与无迹Kalman粒子滤波器相结合产生优选的建议分布函数,降低系统估计误差的同时有效提升了系统的抗噪声能力。实验结果表明,本文方法对于复杂条件下的目标跟踪问题具有较高的精度和较强的鲁棒性。     

基于随机集的RBPF多目标关联跟踪算法

针对大量杂波环境下数量变化的纯角度多目标航迹关联跟踪问题,提出一种新的基于Rao-Blackwellized粒子采样(RBPF)航迹关联的高斯混合概率假设密度(GMPHD)滤波算法.算法首先利用GMPHD在每时刻对多个目标组成的随机集合进行估计;然后利用基于随机有限集的RBPF对GMPHD所得到的目标集合进行检测和关联...     

双传感器概率假设密度滤波解析实现方法

针对双传感器概率假设密度(PHD)理论的解析实现进行研究。Mahler给出的双传感器PHD理论,由于其中含有抽象的多目标积分,并且其中的二元分割过程计算量十分巨大,所以无法计算机实现。文中在线性高斯混合的假设条件下给出了严格双传感器PHD滤波的递推解析公式,并且通过提出“有效二元分割”算法极大降低了严格理论意义下的双传感器PHD算法的计算复杂度,从而解决了双传感器PHD滤波的计算实现问题。计算机模拟仿真验证了所提出算法的有效性。     

基于改进概率假设密度的多目标跟踪算法

经典序贯蒙特卡罗概率假设密度(Sequential Mote Carlo Probability Hypothesis Density, SMC-PHD)滤波中, 将目标状态转移密度函数做为建议密度函数, 没有利用当前观测信息, 导致大部分预测粒子状态偏离目标真实状态, 粒子退化严重.针对上述问题, 提出利用均方根容积卡尔曼滤波产生建议密度函数, 对其进行采样得到预测粒子状态, 该方法有严格理论基础, 能有效减轻SMC-PHD滤波中的粒子退化, 且适用性很强.仿真实验对比了该算法、经典SMC-PHD和基于无迹卡尔曼的SMC-PHD算法的跟踪性能, 验证了该方法无论对势估计还是对目标状态估计的精度都优于其他两种算法.     

一种基于随机集的PHD多目标多传感器关联算法

针对复杂电磁环境下的多目标关联计算量大、准确率低的问题,提出了一种基于随机集概率假设密度(PHD)的多目标多传感器关联算法。该方法首先采用高斯混合PHD(GMPHD)对多传感器的量测信息进行滤波,再对滤波结果做最近邻数据关联处理,从而得到多目标航迹。杂波环境下的仿真实验表明,该方法在保证滤波精度的同时,能够有效降低运算量,提高数据关联的准确度。     

基于有限集统计学理论的目标跟踪技术研究综述

有限集统计学理论为杂波背景下的目标跟踪问题提供了一种工程友好的理论工具.对近年来基于有限集统计学理论的目标跟踪技术研究现状进行了综述,包括最优多目标贝叶斯滤波器及其近似技术、参数未知与机动多目标跟踪技术、航迹生成方法、单目标联合检测与跟踪滤波器及基于有限集观测的单目标滤波器等,对相关应用亦有所介绍.最后在已有研究发展的基础上,着眼于提高目标跟踪精度和增强目标跟踪鲁棒性的发展需要,提出了基于有限集统计学理论的目标跟踪技术需重点解决和关注的若干问题,包括多目标跟踪性能评价、弱小目标跟踪、多机动目标跟踪、多传感器融合跟踪以及联合目标检测、跟踪与分类等方面.     

基于无味粒子滤波的动态场景下高机动目标跟踪

针对传统粒子滤波的目标跟踪算法存在粒子退化问题,提出了基于无味粒子滤波(UPF)的目标跟踪算法。为了将当前观测信息融入,采用无味卡尔曼滤波(UKF)生成粒子滤波的提议分布,以改善滤波效果。针对目标在机动过程中引起的视觉形变以及背景的变化,又采用了颜色直方图作为目标的颜色分布模型,并与UPF相融合。仿真结果表明,该算法对动态场景下的高机动目标有较好的跟踪效果。     

认知无线电中基于高斯混合概率假设密度滤波的主用户跟踪算法

基于随机集的高斯混合概率假设密度滤波算法是一种典型的多目标跟踪算法,可以在目标数目未知的情况下进行多目标跟踪,但是该算法要求已知目标的起始位置,在很多情况下,目标的起始位置信息是无法获得的。本文针对这一问题,提出了改进的高斯混合概率假设密度滤波算法,并将本文算法应用于认知无线电系统的主用户跟踪问题。该算法利用双向预测的方式对检测结果进行估计,即使用正向预测算法来估计现存主用户的位置,然后采用后向预测算法来搜索新生的主用户并估计出新生主用户的位置。本文算法的主要优点是在主用户的数目、出现的时间和起始位置均未知的情况下仍可以有效的跟踪目标。最后,通过仿真对本文算法的性能进行了分析。仿真结果表明,本文算法在误检率较高的情况下可以准确地跟踪主用户。