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。     

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.     

基于势概率假设密度滤波的检测前跟踪新算法

基于势概率假设密度滤波(Cardinalized Probability Hypothesis Density, CPHD)检测前跟踪(Track before detect, TBD)算法能有效解决未知目标数的弱小目标检测跟踪.文章深入研究了CPHD算法, 从标准CPHD滤波的粒子权重更新出发, 结合检测前跟踪的实际, 合理地推导出CPHD-TBD算法的粒子权重更新表达式; 分析了CPHD滤波目标势分布的物理意义, 实现了目标势分布更新计算在检测前跟踪的应用.将CPHD滤波和TBD进行有效结合, 提出了基于势概率假设密度滤波的检测前跟踪算法, 并给出其详细实现步骤.仿真实验证明提出的CPHD-TBD算法与现有概率假设密度检测前跟踪(PHD-TBD)算法相比, 能更详细地传递目标分布信息, 从本质上改变了PHD-TBD对目标数估计的方式, 能更准确稳定估计目标数, 实现了对目标的发现和状态准确估计, 性能明显更优.     

基于PHD滤波的雷达起伏目标检测前跟踪算法研究

针对雷达微弱起伏目标的检测和跟踪问题,研究了Swerling 0,1,3三类起伏目标模型,提出了概率假设密度滤波下幅度起伏的雷达微弱目标检测前跟踪算法.该算法建立了概率假设密度检测前跟踪算法下复似然比和幅度似然比两种跟踪模型,其中复似然比方法弥补了幅度似然比在计算过程中只考虑量测的幅度信息,而忽略相位信息的缺陷,从而更...     

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。      

一种基于QMC-APF的检测前跟踪算法

针对粒子滤波检测前跟踪算法中存在的粒子数目大,导致计算量和存储量大的问题,提出了一种基于拟蒙特卡罗的辅助粒子滤波检测前跟踪算法。该算法通过引入拟蒙特卡罗思想,产生低差异序列代替原来算法中的伪随机序列,使得粒子分布更加均匀,可以有效降低粒子数;采用辅助粒子滤波算法,对粒子进行两次加权操作。实验仿真表明,在对雷达弱目标进行检测与跟踪的过程中,该算法能够在保证算法性能的同时减少算法中的粒子数目,有效降低计算量和存储量。     

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。     

基于序贯蒙特卡罗滤波的MIMO快时变信道跟踪

高数据传输速率以及终端的高速移动,导致无线通信信道具有时间选择性与频率选择性两个特征.本文主要研究了基于训练序列的多输入多输出（MIMO）时变频率选择性衰落信道的估计与跟踪问题.首先,根据时变无线信道的动态性,将信道冲击响应近似看作一个低阶的自回归矢量过程（AR）,以便于进行时变信道的跟踪.接着在此模型的基础上,利用序贯蒙特卡罗滤波对MIMO通信系统中的双选择性信道进行了跟踪;跟踪过程中需要与信号检测交替进行,即在状态变量的预测和新息修正的中间要进行一次码元的检测,所采用的方法是极大似然序列检测,最后与扩展卡尔曼滤波作了比较.仿真结果表明,在信道噪声是非高斯的情形下,序贯蒙特卡罗滤波的跟踪性能更优越于扩展卡尔曼滤波.     

一种用于多目标跟踪的增强型SMC-PHD 滤波算法

该文对标准型SMC-PHD 滤波器作了两点改进。第一,提出基于观测值的目标个数和目标状态估计方法,该方法首先计算以观测值为行、存活粒子为列的权值矩阵,将按行计算的权值和与判决门限比较,把大于门限的观测值判决为真实观测值,并据此估算目标个数和目标状态。第二,为每个粒子分配表示存活年龄的辅助变量,以抑制强杂波环境下的目标数高估问题。仿真实验表明,在强杂波环境下,增强型SMC-PHD 算法在多目标跟踪稳定性方面优于标准型SMC-PHD 算法。      

粒子滤波算法在TBD目标检测中的应用

提出了基于生存概率模型的目标检测滤波器设计,实现了基于序惯Monte-Carlo采样粒子滤波方法.优化设计了目标生存概率的算法;给出了粒子滤波器的TBD算法的理论推导及数值计算过程.仿真实验表明:基于粒子滤波器的TBD算法能够检测低信噪比的目标.     

一种基于粒子滤波的双极化雷达检测前跟踪算法

针对雷达在低信噪比（signal to noise ratio,SNR）条件下对运动目标的检测和跟踪难题,提出了一种基于粒子滤波（particle filter,PF）的双极化雷达运动目标检测前跟踪（track before detect,TBD）算法,又称联合粒子滤波检测前跟踪（joint particle filter-track before detect,JPF-TBD）方法.该算法借鉴传统的TBD算法处理框架,以经典PF算法为基础,使用双通道幅度相位似然比函数计算粒子权值,并实现了完整的PF过程.与同类研究相比,所提算法能够充分利用双极化雷达各通道幅度和相位信息,进一步扩展了PF算法的应用范围.仿真实验表明:在SNR>10 dB,虚警概率为10-6的情况下所提算法对目标的检测概率大于0.8.     

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF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,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。     

优化的多模型粒子滤波机动微弱目标检测前跟踪方法

在机动微弱目标的检测和跟踪方面,当前主要研究方法之一是多模型粒子滤波检测前跟踪（MMPF-TBD）,该方法以尽可能多的运动模型去匹配目标的机动,符合运动模型精细化研究方向,但存在模型数目与类别较多,模型之间转移计算复杂和有效模型使用效率低等问题。本文从多个运动模型结构上的相似性出发,提出一种优化的多模型粒子滤波检测前跟踪方法,通过粒子机动加速度的变化,在一个模型框架下模拟出类似MMPF TBD中的多种机动模型,简化了算法结构;在该方法实现过程中,采用辅助粒子滤波提高状态估计精度。仿真实验表明该方法相比MMPF-TBD具有更稳定的检测和跟踪性能以及在低信噪比环境中更好的适用性。      

一种改进的外推动态规划检测前跟踪算法

检测前跟踪(TBD)方法能够有效地检测弱小目标从而提高雷达作用距离,但其计算量较大,制约其在工程中的应用。针对上述问题,文中提出了一种改进的外推动态规划TBD方法。将数据先经过恒虚警处理来减少待处理的状态,在后面的递推积累阶段,对邻帧关联不上的状态进行隔帧搜索,以降低失跟的概率。经蒙特卡洛仿真表明,该方法在提高运算速度的同时能够保证检测性能。     

基于多模粒子滤波的机动弱目标检测前跟踪

检测前跟踪技术是低信噪比环境下目标检测与跟踪的有效方法。该文针对目标作复杂运动的情况,提出了机动弱目标检测前跟踪的多模粒子滤波算法。该算法在目标状态矢量中增加了表示目标存在与否以及目标运动模型的变量,采用粒子滤波实现了包含两个离散变量的混合滤波过程。仿真试验表明,该算法在经典跟踪方法难以发挥作用的低信噪比条件下,能够有效实现机动目标的检测与跟踪。     

一种改进的分布式弱目标检测前跟踪算法

针对融合粒子权重的计算实现和传感器局部粒子间融合对应关系的确定问题,本文提出了一种改进的基于粒子滤波的分布式检测前跟踪(PF-DTBD)算法.算法重新推导了融合粒子权重的计算公式,得到一个近似计算式,保证计算结果正确的同时简化了计算;设计了一种基于Gibbs采样的参数估计算法解决了多传感器局部粒子间融合对应关系的确定;依据融合粒子权重与传感器局部粒子权重间的关系引入了结合序贯概率比检验和固定样本长度似然比检验的弱目标检测算法,明确实现了弱目标的检测.与单传感器处理的仿真试验对比,验证了本文算法的有效性,降低了弱目标检测时延,提高了状态估计精度.     

基于粒子滤波算法的DS-CDMA多用户检测

粒子滤波算法是一种基于贝叶斯估计的蒙特卡罗方法,尤其适用于处理非线性、非高斯系统的状态估计问题。该算法应用于DS-CDMA系统的多用户检测中,检测器能在检测性能和计算复杂度之间取得很好的平衡。基于粒子滤波算法的多用户检测器在性能上逼近于最优多用户检测器,而计算复杂度远低于最优多用户检测器,与次优多用户检测器相当。利用白化匹配滤波器的输出可以建立同步DS-CDMA系统的状态空间方程,使得粒子滤波算法应用于多用户检测中。仿真实例证明了基于粒子滤波算法的多用户检测器在等功率和远近效应的情况下的性能优势。     

采用粒子滤波的先跟踪后检测算法

先跟踪后检测(TBD)算法能够有效解决低信噪比条件下弱小目标的检测与跟踪问题.与传统的先检测后跟踪方法相比,它的优点在于可完整传感器数据,随时间累积起来能获得更好的检测与跟踪性能,特别是检测与跟踪弱小目标.同时与传统的跟踪算法相比,先跟踪后检测算法提供给跟踪器的信息更多,适合于跟踪低信噪比的弱小目标.探讨了先跟踪后检测问题的两个方面:滤波和检测.为了检测目标的出现与消失,在状态向量中增加一个二元变量对应目标存在.对于非线性、非高斯的跟踪问题,使用粒子滤波器跟踪弱小目标,基于粒子滤波器的权值实现最优检测器.给出粒子滤波器的TBD算法的理论推导以及数值计算过程.仿真实验表明:基于粒子滤波器的TBD算法能够检测与跟踪低信噪比的目标.