基于二级CFSFDP的扩展目标量测集划分算法

在扩展目标高斯混合概率假设密度滤波中,量测集的划分需要进行大量计算,导致运行效率较低。针对该问题,提出一种新的扩展目标量测集划分算法。采用局部异常因子对杂波进行滤除,将层次聚类与采用密度极点的算法相结合对量测集进行划分。实验结果表明,与距离划分、K-means++划分、DBSCAN划分算法相比,在扩展目标处于交叉和近邻2种情况时,该算法对目标的外形不敏感,在保证扩展目标跟踪性能的同时,减少了计算时间。

高斯过程回归下的扩展目标高斯粒子滤波算法

针对扩展目标外形估计复杂、基于随机超曲面的扩展目标卡尔曼滤波器跟踪稳定性差的问题,提出一种高斯过程回归下的扩展目标高斯粒子滤波算法。该算法采用星凸模型对扩展目标进行建模,通过高斯过程在线学习扩展目标外形;同时基于高斯粒子滤波器鲁棒性强,较好解决粒子退化的特性,对目标的运动状态进行跟踪。仿真实验表明,对任意未知形状的目标,所提算法都能很好的给出其扩展形态,且对目标跟踪精度及稳定性都有很大的提高。

基于ET-EMIE-GMPHD的机动目标跟踪及航迹关联

针对杂波环境下扩展目标高斯混合PHD滤波器不能有效跟踪机动目标且无法提供航迹信息的问题,引入一种改进的输入估计算法,通过指数渐消因子对滤波增益进行调整,实现对强机动目标的自适应跟踪。同时通过构造距离矩阵提出一种改进的航迹关联算法,减少了密集目标错误关联的概率。实验结果表明,所提算法具有很好的跟踪精度,同时能够正确给出密集扩展目标的航迹信息,具有较强的抗干扰性和鲁棒性。

基于GGIW-CPHD的衍生扩展目标跟踪算法

针对杂波环境下伽玛高斯逆威舍特混合势概率假设密度(GGIW-CPHD)滤波器难以有效提取衍生扩展目标的问题,提出采用多假设对衍生目标建模跟踪的方法。算法利用随机矩阵模型对扩展目标的形状和尺寸进行建模,并根据多假设模型对衍生事件进行预测,最后通过GGIW混合实现扩展目标运动状态、扩展状态和量测率的联合估计。实验结果表明,与标准GGIW-CPHD滤波算法相比,在含有衍生事件的情景下所提方法实现更好的目标势估计性能且具有较强的适用性。

基于箱粒子滤波的混合标签多伯努利跟踪算法

针对标签多伯努利滤波器在目标处于近邻或目标量测与轨迹关联模糊情况下,更新步中由于近似产生信息丢失,导致跟踪效果下降的问题,引入区间分析技术,结合标签多伯努利滤波器及广义标签多伯努利滤波器各自的优势,提出一种箱粒子滤波下的混合标签多伯努利跟踪算法.建立两种滤波器的参数模型,通过Kullback Leibler散度和熵两项评定标准在两种滤波器间进行切换,在特殊环境中使用广义标签多伯努利滤波器提高跟踪性能,在其他环境中使用标签多伯努利滤波器近似降低算法的复杂度,提高运算效率;同时基于箱粒子滤波实现混合标签多伯努利算法.仿真实验表明,在特定环境中,与原有滤波算法相比,所提出的改进算法在保证计算效率的同时,可提高跟踪的精确度及稳定性.

一种改进的广义标签多伯努利机动扩展目标跟踪算法

针对广义标签多伯努利滤波器(GLMB)预测步和更新步分别需要进行剪枝而导致计算量大、运行效率低且只考虑到单个运动模型的问题,提出一种多模型一步更新广义标签多伯努利机动扩展目标跟踪算法.首先通过公式推导将预测步与更新步合并,给出一种新的一步递归表达式;然后将多模型思想引入到一步递归表达式中,得到最终的多模型一步更新方程,同时基于吉布斯采样提出一种快速剪枝方法对其进行剪枝.由于改进后的滤波算法只涉及到一次剪枝且剪枝方法高效,算法的运行时间大大缩短;同时,由于采用了多模型思想,对机动目标的跟踪精度有了一定的提高.仿真实验表明,所提出的改进算法可以有效估计机动目标状态,且相比于多模型标签多伯努利滤波器(MMGLMB)计算效率明显提高.