基于代价参考粒子滤波器组的多目标检测前跟踪算法

针对图像序列中多目标检测和跟踪算法结构复杂、计算量大、性能降低等问题,提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法,将多目标跟踪问题转换为序贯地检测和跟踪多个单目标的问题.首先,采用代价参考粒子滤波器组序贯地估计所有可能单目标状态序列;其次,基于所有可能单目标状态序列的欧氏距离和累积代价确定目标数量;最后,根据累积代价判断每个目标出现和消失的具体时刻.仿真实验验证了CRPFB-MTBD的优良性能,与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目标状态序列和数量估计结果最佳,且平均单次运行时间极短.

复杂干扰杂波环境下三维目标检测前跟踪算法

针对因随机假目标干扰、强杂波存在的复杂环境中三维目标检测问题,提出一种基于平行线坐标变换的多层次检测前跟踪算法。雷达量测点被先后置于规格化后的径向距离-时间平面、方位角-时间平面和俯仰角-时间平面分层次进行非相参积累和点迹筛选,每次筛选只对上一层的筛选结果进行处理,再根据先验信息进行航迹约束和航迹融合,得到最终检测结果。通过仿真对算法进行性能验证和分析,结果显示,该算法在不同信干杂比、量测误差和杂波密度下均能有效滤除虚假量测点,实现真实航迹的检测。

一种双重积累自反馈优化的三维多目标检测前跟踪算法

针对3维微弱多目标检测问题,该文提出一种双重积累自反馈优化的3级平行线坐标变换(PT)检测前跟踪(TBD)算法。通过将平行线坐标变换引入至TBD技术,依次在规格化的径向距离-时间、方位角-时间和俯仰角-时间平面对量测点进行投影变换和双重非相参积累,同时利用功率累积结果反馈优化二值积累,有效缓解强目标淹没弱目标和编队目标串扰问题。仿真结果表明,当整体信杂比达到10 dB时,所提算法的全局检测概率接近80%,证明了该算法的有效性。

面向方位历程交叉场景的多目标检测前跟踪方法

针对传统先检测后跟踪方法在多目标方位历程交叉时存在轨迹中断或者误跟的问题,提出了一种基于广义标签多伯努利滤波的多目标检测前跟踪方法。该算法直接利用声呐基阵接收数据构造的协方差矩阵作为观测,无需波束形成等预处理技术,构建了轨迹新生、消亡、演变及观测过程的概率模型,并通过原理性近似消除了更新步骤的多维积分运算,实现了联合多目标检测、方位跟踪与航迹管理。仿真结果表明,所提算法不仅能够准确估计目标数量,并且在方位历程交叉时也能连续、稳定地的输出多目标方位轨迹,同时在低信噪比(−18 dB)条件下具备较高的跟踪精度。海底线阵试验数据也验证了所提算法性能。

检测前跟踪中的目标交叉航迹标签分层管理

针对检测前跟踪算法无法提供目标航迹标签以及传统算法在轨迹交叉情况下批次编号管理混乱的问题,提出了一种标记关联的航迹管理方法。该方法为各个目标的方位航迹标记不重复的标签,并针对标签多伯努利算法非共轭先验的问题,采用将标签多伯努利分布逼近δ-广义标签多伯努利分布的方法进行解决。另外还提出一种辅助门限进行分层逐级更新的方法,实现了对不同的航迹赋予不同的标签,解决了方位交叉情况下轨迹中断、目标跟丢和错跟的问题。仿真及海试试验表明,该方法的平均误差稳定且接近为0,定位精度高且轨迹连续清晰,不仅能在目标轨迹交叉时进行准确跟踪,还能实现对多目标数的精准估计,为基于声呐阵的水下目标态势感知方法提供了新的技术支持。

一种基于低门限CFAR的检测前跟踪算法

相比于先检测后跟踪的方法,检测前跟踪在低信噪比环境中有更加优秀的效果。本文提出一种适用于应用在雷达系统中的检测前跟踪方法,利用低门限CFAR与DP-TBD级联的方法,再经过检测门限判决,解决了TBD检测在雷达系统中的时间牺牲问题,并优化了DP-TBD的算法,降低复杂度,给出了低门限CFAR的门限取值方法,仿真结果表明,本文提出的算法在4帧积累时比传统的CFAR检测信噪比改善了约4.5dB。

无源声呐场景中使用辅助粒子滤波的邻近目标检测前跟踪方法

针对无源声呐多目标方位跟踪问题,研究了一种基于粒子滤波的检测前跟踪方法,关注于改善邻近目标和机动目标的跟踪性能。首先,提出了一种考虑了邻近目标影响的似然函数;其次,采用辅助变量利用量测信息优化粒子采样,当算法运动模型与目标实际运动状态失配时,这种策略具有很大优势。结合以上两点,提出了一种检测前跟踪算法,该算法将邻近目标划分为一组,使用邻近目标的预测状态计算目标的似然,计算效率较高。利用仿真生成的数据和海上采集的实际数据分别验证了该算法的性能,并与其他多目标粒子滤波检测前跟踪算法进行比较,证明了该算法具有良好的跟踪性能。在目标邻近和目标机动的情况下,该算法的优势更加明显。

基于峰值自寻的多目标检测前跟踪算法

针对雷达多目标检测问题中,并存目标回波能量差异较大导致强目标掩盖弱目标的现象,提出一种基于平行线坐标变换的峰值自寻检测前跟踪算法。通过对比积累后每个量测点所在参数单元内各时刻量测点能量最大值之和,找到能量积累值可达最大的单元,据此形成新的二值积累结果,设置门限进行峰值提取、航迹回溯和航迹修正。仿真结果显示,改进算法对多个目标具有较高的全局检测概率,能够同时检测出不同回波能量的多个目标。

基于交叉定位和Hough变换检测前跟踪的水下目标检测方法

针对现代潜艇的低可探测性问题和隐蔽性探测需求,提出了一种基于航空被动声纳浮标阵交叉定位和Hough变换检测前跟踪的水下微弱目标检测方法。首先,构建基于线形浮标拦截阵的水下目标被动检测模型,采用自适应关联的交叉定位方法,获取目标位置信息,实现了检测前数据预处理。然后,采用点数积累和能量积累的双门限Hough检测方法,得到了初始检测航迹。最后,利用目标运动约束条件和航迹合并方法,剔除虚假航迹及合并重复航迹,提高了水下目标检测概率。仿真结果表明,与时频检测方法相比较,该方法在低信噪比条件下仍能保持较高的检测概率。

基于Hough变换检测前跟踪的水下多目标被动检测方法

无人潜航器集群的发展对水下目标探测产生了巨大挑战。针对水下多个低可探测目标检测问题和隐蔽性探测需求,提出一种基于Hough变换检测前跟踪的水下多目标被动检测方法。利用航空被动声纳浮标阵,构建水下无人潜航器被动检测模型;采用多枚被动声纳浮标自适应关联交叉定位技术,实现隐蔽检测前的数据预处理;采用双门限随机Hough变换检测前跟踪算法,实现水下高噪声密度条件下多目标的低可探测性的需求。仿真结果表明,该方法在低信噪比、多目标点迹交叉条件下具有较好的检测性能。

对微小卫星的检测前跟踪算法研究

针对传统检测方法在检测和跟踪微小卫星时存在若设置的检测门限较高可能造成目标丢失、若设置的门限较低则会导致大量虚警的缺陷,将检测前跟踪的基本理念运用到具体场景中,提出了一种对微小卫星的检测前跟踪(TBD)方法;建立了红外传感器观测模型,推导了有关检测前跟踪算法,设计了粒子滤波的具体实现步骤;最后进行了仿真实验,验证了模型和算法的有效性。

弱目标检测前跟踪技术研究综述

该文阐述了弱目标检测前跟踪的基本原理,重点综述了近年来检测前跟踪技术的研究现状,包括动态规划、递归贝叶斯滤波、有限集统计学及直方图概率多假设跟踪等方法,对检测前跟踪技术的应用亦有相关介绍.最后在现有研究发展的基础上,着眼于提高针对弱目标的检测和跟踪性能及检测前跟踪算法鲁棒性的迫切需求,提出了检测前跟踪技术需重点关注和解决的若干问题,包括检测前跟踪算法的性能分析与评估、邻近弱目标检测前跟踪、机动弱目标的检测前跟踪、弱目标的多传感器融合检测和跟踪及弱目标的联合检测、跟踪与分类等方面.

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。

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.

基于改进粒子滤波的微弱目标检测前跟踪算法

研究高速微弱目标的积累检测问题,提出了一种改进粒子滤波的检测前跟踪算法。该算法采用与雷达距离-多普勒图像相匹配的量测数据模型,能克服传统点扩散函数的模型误差。采用"新生"粒子从强度最高的分辨单元集内均匀产生,且按概率对权重最低的部分"存活"粒子用"新生"粒子将其替换的粒子更新策略,在增加粒子多样性的同时缓解了粒子的退化。仿真实验表明,本文算法的检测与跟踪性能要优于标准的粒子滤波算法。

基于粒子滤波的弱目标检测前跟踪算法

针对低信噪比条件下弱目标的实时检测与跟踪,提出了一种基于粒子滤波,结合序贯概率比检验和固定样本长度似然比检验的递归检测前跟踪算法。粒子滤波用以解决跟踪中的非线性和非高斯问题;序贯概率比检验通过序贯累积多帧观测数据来提高信噪比,以最小时延检测到目标存在;固定样本长度似然比检验,通过选择合理的样本长度,保证持续检测到目标,且无延迟检测目标消失。仿真试验表明,该算法有着良好的检测与跟踪性能。

一种基于二阶Markov目标状态模型的多帧关联动态规划检测前跟踪算法

传统的动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法在每一阶段的数据关联中,仅用当前帧的观测数据与前一帧的指标函数进行关联积累,对目标状态在连续相邻帧间的相关性以及目标运动特征的考虑不充分,这样在低信噪比时,容易发生目标关联错误,严重影响了DP-TBD算法的检测和跟踪性能。针对此问题,该文提出了一种基于二阶Markov目标状态模型的DP-TBD算法,该算法以目标状态的条件概率比最大为准则,采用二阶Markov模型描述目标状态的相关性,并根据目标运动特征给出了一种与目标转弯角度相关的状态转移概率模型。在此基础上,实现了多帧数据关联的DP-TBD算法。通过仿真实验与传统的DP-TBD算法进行了比较,验证了该算法的检测及跟踪性能。

采用改进粒子滤波的雷达扩展目标检测前跟踪

在雷达回波的距离——多普勒数据上,建立了粒子滤波所需的系统动态模型和观测模型,将传统的点目标模型改进为更接近于实际的线形扩展目标模型,并推导出了新模型的似然比函数.同时,为了减少粒子数,对传统的粒子滤波(PF)算法进行了改进.由于模型的匹配和检测前跟踪(TBD)算法在时间上的积累功能,所提算法提高了雷达对低信噪比目标的检测概率.仿真结果表明,该算法能稳定地检测到信噪比为1 dB的目标.

PHD滤波器在多目标检测前跟踪中的应用

检测前跟踪(TBD)用于对低信噪比目标的雷达检测与跟踪.同时,传统的概率假设密度(PHD)滤波器是解决多目标跟踪问题的有效方法,但它不适用于多目标TBD问题.本文通过分析多目标跟踪问题中PHD滤波器的适用模型和假设,提出了针对TBD的"标准"多目标观测模型,并对噪声进行了"泊松化",设计出一种能解决多目标TBD问题的PHD滤波器,从而使得PHD滤波器可以应用在多目标TBD问题之中,并充分发挥其处理多目标问题的优势.数值仿真结果表明,本文算法在估计的准确度和精度上都要优于经典的多目标粒子滤波器.

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.