基于多伯努利概率假设密度的扩展目标跟踪方法

高分辨率雷达系统中,扩展目标一般会产生多个量测。现有随机有限集(RFS) 类算法一般假定扩展目标的量测数目服从泊松分布,然而这个假设与实际情况不符。针对这一问题,该文提出一种多伯努利扩展目标概率假设密度(MB-ET-PHD)跟踪算法。该算法首先假设扩展目标的量测数目服从多伯努利分布,然后通过有限集统计(FISST)理论的多目标微积分推导得到校正等式,最后给出了高斯混合(GM)框架的仿真结果。仿真结果表明该算法能够获得比泊松ET-PHD算法更好的跟踪性能。     

多目标多传感器的跟踪

多目标多传感器的跟踪是一个非常复杂的问题，其关键是数据的融合。单个传感器的多目标跟踪主要是解决数据的关联问题，多个传感器的多目标跟踪虽然有时也是解决数据关联问题，但是多传感器的数据关联就要复杂得多，它是一个多维的问题。文中主要介绍多目标多传感器跟踪网络构成策略及分级分布传感器跟踪的数据和轨迹融合方式。     

一种新的近程多目标轨迹参数测量方法

针对传统的近程单目标轨迹参数测量技术不能满足对齐射弹和子母弹等多目标轨迹参数进行测量的实际需求,提出了一种新的近程多目标轨迹参数测量方法。使用逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像技术提取目标的距离及多普勒频率信息,采用概率多假设跟踪(Probabilistic Multi-Hypothesis Tracking,PMHT)算法对多个目标的距离及多普勒频率数据进行数据关联,运用非线性最小二乘方法进行多目标轨迹参数估计。仿真结果表明,该方法运算速度较快,可以得到较高精度的近程多目标轨迹参数测量结果。     

多假设跟踪在红外搜索跟踪系统中的应用

红外搜索跟踪系统得到的数据存在较多虚警和杂波,所以宜采用多假设跟踪(MHT)算法对多个运动目标进行跟踪.针对MHT算法计算量大的缺点,对算法做出了改进和简化,仿真结果表明了改进后的算法在降低计算量的同时能够有效地摒弃虚警、跟踪多个目标.     

基于最大置信度的多目标检测算法

针对混合运动模式下目标数量及目标运动速度范围等多项先验信息缺乏状况下的复杂航迹起始问题,提出一种基于最大置信度的多目标检测算法。该算法借鉴动态规划技术中的能量积累思想,并充分利用了传感器信号强度信息。在粗起始阶段利用扩展搜索算法生成候选航迹,并利用模型粗匹配的方法将候选航迹大致分为直线运动及曲线运动两种类型。在航迹确认阶段,采用基于信号强度信息的概率多假设跟踪算法,通过计算最优状态估计值获得量测点属于某一目标的最大置信度,并依据最大置信度确认目标量测。仿真实验结果表明,该方法实时性强,不仅能对多目标航迹准确起始,也可以有效避免概率多假设跟踪算法由于初值质量差而导致的错误跟踪现象。      

天基红外系统多目标快速跟踪方法

多传感器多目标跟踪是天基红外系统的核心关键技术之一,面临目标数目随时间变化、目标出现时间与位置难以预知、虚警干扰严重等难点,传统多目标跟踪方法存在组合爆炸问题。文中采用高斯混合概率假设密度滤波器（GM-PHD,Gaussian mixture probability hypothesis density）进行多目标跟踪,有效避免了复杂的数据关联运算;同时,针对GM-PHD滤波器新目标丢失问题,采用反馈滤波方法,通过将传感器量测假设作为新目标的量测,有效实现了对新目标的快速跟踪处理。仿真试验结果表明,本文所提反馈滤波方法具有更好的跟踪性能和更快的收敛速度。     

基于IMM-UKF的机动目标跟踪方法

针对目标运动模式的不确定性和运动模型的非线性问题,提出基于无味卡尔曼滤波器的交互式多模型方法。该算法采用匀速运动模型、匀加速运动模型、已知转弯角速度的匀速率转弯模型和“当前”统计模型作为模型集,用无味卡尔曼滤波实现非线性状态估计。仿真结果表明,该算法比传统的交互式多模型算法具有更高的跟踪性能。     

角度信息辅助的集中式多传感器多假设跟踪算法

对于密集杂波环境中的多目标跟踪,传统集中式多传感器多假设跟踪(CMS-MHT)算法在每一时刻的航迹-量测关联假设数量大大增加,导致数据关联不确定性增大,以至很难由常规航迹得分给出正确关联,表现为高的漏情率以及航迹分裂现象。基于传感器测量误差较小时虚警与目标量测的空间分布特点,针对多个相同类型传感器进行目标跟踪,该文提出一种角度信息辅助的CMS-MHT算法,设计了新的角度信息辅助的航迹得分计算方法,可以降低航迹-量测关联的不确定性,从而得到比传统CMS-MHT更优的关联假设。仿真实验结果表明,在密集杂波环境中,该算法能有效降低漏情率,并有更好的航迹完整性。     

一种机动目标多雷达协同跟踪方法

目标的机动性能不断提高,使得对目标跟踪提出越来越高的要求。针对多部雷达协同探测的目标联合跟踪问题,提出了基于扩展卡尔曼滤波的交互式多模型算法(IMM-EKF)。为了验证算法的有效性,对实测数据进行了处理。首先,对三部雷达接收的目标运动状态量测数据进行预处理,包括坐标转换、线性插值和数据融合,然后,根据数据预处理后目标航迹的特性,采用基于扩展卡尔曼滤波的交互式多模型算法(IMM-EKF)对目标进行在线跟踪。试验数据处理结果表明,IMM-EKF 算法对于机动目标跟踪的有效性。     

推扫型光学传感器的目标联合检测跟踪算法

为了从扫描图像序列中检测弱小运动目标并对其状态参数进行估计,提出一种基于随机有限集理论的目标联合检测跟踪算法.根据推扫型光学传感器的扫描特性,建立目标在像平面的运动模型和测量模型.将目标状态和量测数据描述为随机有限集合,将目标的联合检测跟踪问题建模为目标状态集的贝叶斯最优估计问题,并依据随机有限集理论推导出贝叶斯滤波的预测和更新表达式.从算法实现的角度,利用高斯混合技术实现算法的递推滤波.仿真结果表明,该算法适应杂波的能力强,对漏检的影响更小,可以有效完成推扫型光学传感器的目标检测跟踪任务.     

一种红外多目标跟踪算法

提出了一种红外多目标的跟踪算法,算法将融合后的红外目标特征值作为特征匹配值,结合卡尔曼滤波算法,给出目标在下一时刻的预测位置,得出以预测位置为中心的搜索区域,计算搜索区域内所有目标的特征匹配值,匹配值最接近的即为需要跟踪的目标。实验结果表明,该算法简单,实时性好,能够较好剔除虚假点,并能对目标稳定跟踪。     

基于强跟踪的平方根不敏卡尔曼滤波器

针对不敏卡尔曼滤波器在递推过程中的数值不稳定性以及系统发生突变时跟踪效果不佳的问题,提出一种新的机动目标自适应跟踪算法——基于强跟踪的平方根不敏卡尔曼滤波器(STF-SRUKF)。该算法一方面基于平方根滤波的思想,在递推过程中采用协方差矩阵的平方根代替协方差矩阵本身,以保证数值计算的稳定性;另一方面,基于强跟踪滤波的思想,在递推过程中引入时变渐消因子,实时调节增益矩阵,以增强目标运动发生突变时的跟踪能力。仿真结果表明,STF-SRUKF算法对于突发机动的目标运动模型具有良好的跟踪效果,而且具有较好的稳定性。     

多目标视频跟踪技术的研究

视频跟踪技术是智能视频分析中的一个基础研究方向,现已有一些实用的算法,现重点研究了粒子滤波算法.通过改进,解决了多目标间互相干扰的问题.测试结果表明:在目标被部分甚至完全遮挡时,仍然能够给出正确的结果.     

多目标跟踪的多伯努利平滑方法

为提高基于滤波的多目标跟踪方法的性能,提出了一种多伯努利平滑方法.该方法由前向滤波和反向平滑两部分组成,前向滤波采用势平衡多目标多伯努利滤波,反向平滑利用多伯努利概率密度近似多目标平滑状态的概率密度,实现多目标平滑状态概率密度的反向递推计算.仿真结果表明,与滤波相比,多伯努利平滑对目标数量和目标状态的估计精度都有显著提高.     

一种新的基于粒子滤波的多模型跟踪算法

粒子滤波技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非线性传感器测量模型和非高斯噪声的目标跟踪。但需已知目标和量测模型,而实际情况往往难以满足此条件。交互多模型算法(IMM)依据各模型对目标前一时刻状态估计的方差,确定各模型在当前时刻状态下存在的概率,利用各模型对目标状态估计的加权和,确定目标的状态。本文采用粒子滤波代替IMM算法中各模型的Kalman滤波,将粒子滤波与IMM的优点相结合。同时,采用UKF(UnscentedKalmanFilter)产生粒子,由于考虑了当前量测,使得粒子的分布更加接近后验概率分布,用较少的粒子就可以逼近目标的真实状态。仿真实验结果表明,本算法可用于标准IMM算法无法实现跟踪的复杂情形,而且使用的粒子数目仅是同类算法的二十分之一。     

基于改进动态关联的多目标无源跟踪算法

针对状态-状态动态关联算法关联精度差,计算量大等缺点,提出了基于状态-量测动态关联的多目标只测角无源跟踪算法。该算法在航迹起始后,将目标状态估计直接与下一时刻由静态量测-量测数据关联确定的S元量测进行关联,利用二维分配算法得出关联对后,通过不敏卡尔曼滤波算法对关联出的方位角集合进行非线性滤波从而实现对与之关联目标的状态更新。仿真结果表明所提多目标跟踪算法能有效关联不同时刻源于同一目标的S元量测从而实现多目标跟踪且适合目标数目变化的情况,具有较好的工程应用前景。     

一种快速的多目标跟踪非线性滤波算法

多机动目标跟踪问题是目前目标跟踪领域的一个重要研究方向,而数据关联与跟踪维持是多目标跟踪的核心部分。利用支持向量机在分类识别方面的优势,研究了基于支持向量机的数据关联方法。在此基础上,采用交互式多模型算法和无味卡尔曼滤波相结合的方法研究了多机动目标的跟踪问题。在该方法中,目标的运动状态和方位误差由选定的采样点来近似,在每个更新过程中,采样点随着状态方程传播并随非线性测量方程变换,得到目标的运动状态和方位误差的均值,避免了对非线性方程的线性化,至少给出最佳估计的二阶近似。与传统的扩展卡尔曼(EKF)方法进行了仿真比较,仿真结果表明了该算法的有效性。     

UKF强跟踪滤波在组合导航故障诊断中的应用

针对组合导航系统故障诊断,在强跟踪滤波理论的基础上,对无迹卡尔曼(UKF)强跟踪滤波法进行了研究.UKF强跟踪滤波法兼具UKF和强跟踪滤波器的优点:较强的处理非线性问题的能力和强跟踪能力.最后,将该方法应用于组合导航系统故障诊断,设置不同的故障模式,与强跟踪滤波法进行了对比仿真研究.从仿真结果可看出,两种方法对硬故障的灵敏度接近,UKF强跟踪滤波法对软故障的灵敏度明显高于强跟踪滤波方法.由此证明UKF强跟踪滤波器对于突变状态具有强跟踪能力,对于缓变故障具有优于其他方法(强跟踪滤波)的敏感能力,提高了组合导航系统的精度、可靠性和安全性,可应用于工程实际.     

单站目标被动跟踪的滤波器方法研究

为了实现对单站目标的被动跟踪,分析并比较了扩展Kalman滤波器和粒子滤波器在非线性估计方面的性能,并且针对粒子滤波器存在的粒子退化现象,引入改进的重采样算法和基于无迹变换的滤波算法.仿真实验分别比较了几种滤波器在目标做匀速、匀加速、变加速情况下距离和速度滤波的均方根误差,结果表明粒子滤波器滤波性能优于扩展的Kalman滤波器,改进的重采样算法和基于无迹变换的粒子滤波器可以有效改善估计精度.     

一种基于变分推断的雷达多目标跟踪JPDA算法

针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法（Joint Probability Data Association,JPDA）。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k 近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN－JPDA) 算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。