小波分析在多传感器多目标跟踪的航迹相关算法中的应用

在多传感器多目标融合跟踪系统中,航迹关联是对目标进行连续跟踪最重要的关键技术。在融合中心,对多传感器获得的目标航迹数据进行航迹关联处理,判断哪些航迹数据源于同一个目标。利用小波分析的方法提取航迹信号的趋势项信息,再结合传统的航迹关联处理方法对这些趋势信号进行关联判决。仿真实验表明这种方法是可行的。     

基于纯方位信息的多传感器航迹融合仿真分析

对于现代战场环境来说,多传感器信息融合越来越重要。但是由于不同传感器性能存在差异,使用不同的关联方法会造成航迹关联正确率不同,航迹关联正确是航迹融合有效的基础,因此需要深入研究。首先理论分析了异类传感器航迹融合性能的主要影响因素及其影响程度,提出了异类传感器航迹关联方法。仿真结果表明,提高传感器测量精度、降低异类传感器测量精度差异、提高异类传感器航迹关联正确率将会改善航迹融合的效果。     

分布式多传感器多目标跟踪方法综述

多传感器多目标跟踪是信息融合领域的热点问题,其通过融合多个局部传感器数据,提高目标跟踪精度和稳定性。多传感器多目标跟踪按融合体系可分为分布式、集中式、混合式3类,其中分布式融合结构对网络通信带宽要求低、可靠性和稳定性强,广泛应用于军事、民用领域。该文聚焦分布式多传感器多目标跟踪涉及的目标跟踪、传感器配准、航迹关联、数据融合4项关键技术,主要分析了各关键技术的理论原理与适用条件,重点介绍了不完整测量条件下的空间配准与航迹关联,并给出仿真结果。最后,该文总结了现有分布式多传感器多目标跟踪关键技术存在的问题,并指出了其未来发展趋势。      

分布式多传感器信息融合中的航迹文件管理技术

为了使文献［１～５］提出的航迹关联算法能在工程和实际中得到更好的应用。系统地讨论与这些航迹关联算法配套使用的航迹号管理、关联映射、系统航迹的建立、保持和撤消技术．并详细研究在航迹关联过程小两局部节点数据率不匹配、选主站和其它参数利用等问题的解决方法。     

分布式多目标跟踪系统的灰色航迹关联模型

本文以分布式多目标跟踪系统的航迹关联问题为研究对象,首先指出了现有的两类航迹关联算法的固有缺 点,然后基于灰色理论提出了一种新的航迹关联算法,该算法根据数据列因素之间发展态势的相似或相异程度来衡量航迹 间接近的程度,使航迹关联问题突破了样本容量和典型分布这两条限制。最后给出了典型环境下的仿真结果,并与加权法 进行了比较,显示了该算法的优越性。     

多目标跟踪中的数据关联和航迹管理

传统的多目标关联算法JPDA存在两个缺陷:计算量较大,且其算法框架里缺乏航迹起始和终止逻辑。文中给出了一个航迹管理表,它包含多种情况下航迹的关联,能完成航迹的起始、维持和终结。在可靠航迹关联中,该文提出了一个改进的快速关联算法—多维概率数据关联(MPDA),讨论时主要考虑关联门相交区域中的公共回波对航迹更新的影响。MPDA可以类似与PDA的较低的计算代价达到了接近JPDA的关联成功率。仿真结果表明,文中的数据关联和航迹管理算法对复杂条件下的多目标跟踪能保持较高的跟踪成功率。     

带反馈信息的分布多传感器航迹融合算法

为了改善传感器级的跟踪性能,本文研究带反馈信息的多传感器状态估计技术,在给出有、无反馈信息情况下的局部节点状态估计解的基础上,该文提出多坐标系中有、无反馈信息情况下的航迹融合方程,并指出有、无反馈信息情况下的两种融合解是等价的、最优的。仿真结果表明,在分布式多传感器信息融合系统中引入反馈机制可以明显改善局部节点估计精度,其性能又接近融合中心。在集中和雷达反隐身系统中,就空间重叠、覆盖而论,融合系统     

基于模糊综合函数的航迹关联算法

本主运用现代数学中的综合分析方法,提出了模糊综合航迹关联算法,文中详细讨论了状态零碎垧 量间模糊综合相信度的计算和评价方法,导出了三种典型模糊综合函数的递推式,研究了模糊综合航迹关联准则,并通过仿真将它与两种经典方法进行了比较,仿真结果表明,在密集目标环境下和／或交叉、分岔和机动航迹较多的场合,模糊航迹关联算法的性能明显优于传统方法,其正确关联率比传统方法提高了大约４０％     

机载多传感器跟踪航迹数据融合研究

随着机载传感器的增加和性能的提高,使目标探测和跟踪信息更加全面,精度也大大提高,但机载显示和火控需求的参数是唯一的,所以需要对不同传感器探测和跟踪的目标信息进行融合.本文针对机载传感器特点和飞机平台参数需求,对多传感器跟踪生成的目标航迹数据融合进行了研究,并给出了相应算法.     

融合运动信息与表观信息的多目标跟踪算法

多目标跟踪是计算机视觉领域的重要研究方向,其在智能视频监控、人机交互、机器人导航、公共安全等领域有着重要的作用。目前目标跟踪算法仍面临诸多的挑战,例如遮挡、背景复杂、运动模糊等因素所造成的影响难以完全规避。文中基于一种简单的在线跟踪方法,提出一种融合多类信息的算法,有效地提升了跟踪器的性能。模型关注于帧与帧之间的目标检测与数据关联问题,依赖于不同帧之间目标运动与表观的相似性,当目标丢失及存在遮挡时,融合多源信息减少相关的不确定性。同时,该算法在真实环境中可实现实时跟踪的性能。实验评估结果表明,提出的跟踪器在公开数据集上具有良好的性能,可以显著减少目标丢失率以及身份交换率。     

基于一维测量的多传感器多目标航迹起始

针对多传感器多目标跟踪中的航迹起始问题,在各个传感器仅有一维量测数据的情况下,提出一种基于目标距离和信息的多目标航迹起始方法.该方法利用空间约束和空间聚类对航迹起始阶段第一和第二周期的组合进行有效删减,再用跟踪门的方法建立航迹.仿真结果表明该航迹起始方法可以有效抑制一维量测下的组合爆炸,显著降低航迹起始的处理量,具有一定的工程应用价值.     

利用Doppler量测的IJPDA多目标跟踪改进算法

为了提高多频连续波雷达多目标跟踪精度,在基于传统的综合联合概率数据互联(IJPDA)算法基础上,提出一种带Doppler量测的IJPDA滤波跟踪新算法。首先从理论上分析了传统的IJPDA算法,然后详细阐述了引入径向速度量测后的改进算法,最后通过Monte Carlo仿真验证了该算法的有效性。仿真结果表明,径向速度量测的运用使得改进的IJPDA算法在跟踪性能上有了显著提高。     

基于灰关联无源多目标跟踪系统航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本上照搬多传感器数据融合的理论,仅利用目标的状态信息.文中利用了目标的多特征信息(载频、脉宽、脉冲重复间隔等),应用灰关联理论,提出了一种基于灰关联的分布式无源多目标跟踪系统的航迹关联算法.由于利用了目标多特征信息,算法具有关联速度快、正确率高、而且能够适应密集目标环境的优点.仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法.     

一种面向互动投影的多目标跟踪方法

针对互动投影系统对多目标跟踪在自适应和实时性方面的需求,提出了一种基于自适应混合粒子滤波和自适应数据关联的多目标跟踪方法.该方法采用基于背景差检测的混合粒子滤波并将跟踪置信度引入目标的状态量中,根据跟踪置信度大小自适应地加强或减弱关联强度进行数据关联;同时,根据数据关联结果分析目标出现、目标消失、目标衍生、目标相遇等复杂运动情况,对每个目标进行自适应混合粒子滤波跟踪.实验证明该方法提高多目标跟踪性能,能够较好满足互动投影的应用需求.     

分布式多雷达组网融合算法及软件设计

介绍适用于分布式多雷达组网的航迹相关序贯检测算法＾１和两种数据融合算法：加权平均法和线性组合算法＾２,３,以及采用这些算法的航迹融合中心的软件设计。仿真结果表明,综合这些算法,选择合适的软件设计方案,可实现对局部航迹的有效融合。     

基于跟踪状态监视的稳健航迹关联与融合算法

空间邻近目标跟踪过程中存在航迹交错现象,传统的航迹关联与融合算法可靠性大大降低。提出基于跟踪状态监视的稳健航迹关联与融合跟踪算法:首先,采用滑窗式全局最优关联方法利用多帧航迹数据确认航迹关联对,并建立系统航迹;然后,根据确认关联航迹的实时关联状态检测航迹交错;最后,根据航迹衰减残差识别运动状态,自适应选择融合量测或者融合状态估计完成系统航迹的状态更新。仿真结果表明,算法能够提高融合航迹精度,实现稳健航迹关联与融合。     

Time-varying Bias Estimation for Asynchronous Multi-sensor Multi-target Tracking Systems Using STF

Time-varying bias estimation problem was studied for multi-target tracking systems with asynchronous sensors without knowing bias dynamics. We considered general situations where the number of sensors was arbitrary as well as their sampling rates and initial sampling instants. A two-layer fusion structure was adopted. For each target, a pseudo-measurement of sensor bias was generated by fusing sensor measurements of this target. To make the pseudo-measurement decoupled from the target states the fusion coefficient matrix was determined to be a basis for the left null space of an augmented observation matrix. The bias estimation algorithm was proposed based on the Strong tracking filter （STF） by fusing pseudomeasurements. The proposed algorithm makes use of all available sensor information, has strong tracking ability to abrupt changes and avoids the matrix inversion for large dimensional matrices. Finally, the performance of the proposed algorithm is illustrated by the numerical simulation.     

GM-PHD雷达密集多目标跟踪应用研究

针对雷达密集多目标跟踪数据关联的难题,深入研究了可以避免数据关联的多目标跟踪方法-高斯混合概率假设密度算法(GM-PHD)。首先,将多目标的运动和多目标量测建模为随机有限集的形式,并给出了相应的最优多目标贝叶斯滤波器;然后,在线性高斯假设条件下,详细给出了GM-PHD均值、方差和权值的递归形式,降低了计算复杂度,满足跟踪实时性要求;最后,开展了仿真实验和实测数据实验,实验结果显示GM-PHD在不需要数据关联的情况下,能够有效抑制大量杂波,稳定地跟踪密集多目标。