新生参数未知的ET-GM-PHD编队目标跟踪方法

为了解决多个编队在新生目标参数不明确背景下的目标跟踪问题,提出了一种新生目标相关参数未知的编队目标跟踪算法,它可以有效地提高跟踪性能,从而更好地满足需求。通过采用高斯混合概率假设密度(ET-GM-PHD)滤波框架,对PHD参数进行预测,进而分析各个高斯分量之间的相关性,从而筛选出最优的量测集合,最终消除大多数的噪声干扰。再利用在编队目标运动区域内量测分布密集的特性,通过目标检测方法找到其位置并跟踪。最后,仿真实验表明,在新生目标相关参数未知的情况下,提出的方法能够快速有效地跟踪编队目标,具有较好的跟踪性能。

可提取衍生目标的带标签GM-PHD算法

针对带标签的高斯混合概率假设密度滤波算法无法获取衍生目标的问题,提出一种可以提取衍生目标的带标签GM-PHD算法。首先,通过为高斯项加注标签的方式区别不同的目标,以辨别单个目标及其航迹。其次,在滤波过程中,对每一时刻得到的状态估计值与已形成的航迹标签进行匹配关联,实现航迹维持。最后,通过设置衍生阈值来判断状态估计中是否存在衍生目标以及可能产生的目标个数,为新生目标高斯项和可能的衍生目标高斯项重新分配标签,并创建新的航迹。仿真实验结果表明,与传统的带标签GM-PHD算法相比,在衍生目标存在的情况下,改进算法具有更好的跟踪性能。

基于GM-PHD平滑器的检测前跟踪技术

雷达观测下弱小目标的检测前跟踪(TBD)问题中,针对基于高斯混合概率假设密度滤波器(GM-PHD)的TBD算法在信噪比降低时,存在目标的数目估计不准确、状态估计精度下降的问题,提出了基于GM-PHD平滑滤波器(SGM-PHD)的检测前跟踪算法(SGM-PHD-TBD)。该算法在TBD标准多目标观测模型框架下,采用平滑递归方法,利用多个量测数据对滤波值进行平滑,在牺牲一定运算效率的基础上提升了算法的估计精度。仿真结果表明,该算法在信噪比较低的情况下对目标数目估计的准确度和目标状态估计的精度均优于基于GM-PHD的TBD算法。

一种多扫描平滑的多目标GM-PHD滤波器的技术研究

基于高斯分量加权和近似目标概率假设密度与目标权重提取目标状态,GM-PHD滤波器能够跟踪杂波场景中数目时变的多目标。然而,噪声和漏检等不确定性因素环境下,GM-PHD滤波器会丢失目标的估计。文章提出一种多扫描平滑的多目标GM-PHD滤波器,通过迭代地传递目标历史估计以及对目标若干历史权重进行平滑处理,在各滤波时刻能够有效地提取丢失目标的状态估计。实验结果表明,文中算法具有良好的跟踪性能。

结合聚类的GM-PHD滤波器辐射源群目标跟踪

群目标跟踪是一种情况更为复杂的多目标跟踪问题,由于军事辐射源目标经常出现雷达关机的情况,因此常用的多目标跟踪方法对于这类辐射源群目标的跟踪效果并不理想。为此,结合聚类技术提出了一种改进的高斯混合概率假设密度(Gaussian mixture-probability hypothesis density,GM-PHD)滤波器跟踪方法。该方法在GM-PHD滤波器的更新过程中,通过引入群中心产生的虚拟量测信息以提高目标跟踪性能,但不进行量测集划分。获得单一个体目标的估计状态后利用Jensen-Shannon divergence计算其相似度,然后再对估计目标进行聚类以实现群目标的跟踪。最后通过对相邻时刻的群中心轨迹点进行关联匹配,从而获得群目标的完整运动轨迹。仿真实验结果表明,所提方法能够对辐射源群目标进行有效跟踪,并具有较好的目标跟踪性能。

多普勒盲区下基于GM-PHD的雷达多目标跟踪算法

在多普勒雷达目标跟踪过程中,由于多普勒盲区(DBZ)的存在使得跟踪问题更为复杂。针对该问题,该文基于高斯混合概率假设密度(GM-PHD)提出了一种适用于多普勒盲区的多目标跟踪算法。该算法在常规检测概率模型中引入最小可检测速度(MDV)信息,并将该检测概率模型应用于传统GM-PHD更新方程中,推导出多普勒盲区下的GM-PHD更新方程。蒙特卡罗仿真实验结果表明:与只有多普勒量测信息的传统GM-PHD算法相比,新算法在较小的MDV条件下能够明显提高雷达对运动目标的跟踪性能。

一种多传感器自适应量测迭代更新GM-PHD跟踪算法

针对多传感器观测数据质量不同且未知时,多传感器量测迭代更新高斯混合概率假设密度(GM-PHD)滤波器跟踪算法的结果对更新顺序敏感的问题,该文提出一种多传感器自适应量测迭代更新GM-PHD跟踪算法AIUGM-PHD。首先基于多传感器融合一致性度量,提出一种用于在线评估各传感器跟踪结果质量的方法;然后对多传感器迭代融合顺序进行优化,最后构建相应的多传感器GM-PHD融合跟踪算法。为了解决多传感器自适应顺序迭代融合无法体现传感器质量差距的问题,提出了一种自适应带权伪量测迭代更新GM-PHD跟踪算法PAIU-GMPHD。仿真结果表明,与常规多传感器迭代更新GM-PHD跟踪算法相比,所提算法能够获得鲁棒性更好、精度更高的跟踪结果。

基于雷达辐射源信号特征的类别信息辅助GM-PHD滤波器

雷达辐射源目标跟踪在军事应用领域具有重要的意义。结合目标类别信息有助于提高高斯混合概率假设密度(Gaussian mixture-probability hypothesis density,GM-PHD)滤波器多目标跟踪的性能,但电子侦察系统获得的雷达辐射源信号信息无法直接应用于上述滤波器。为此,先利用辐射源信号特征进行雷达类型识别,然后基于可传递信度模型根据雷达-平台的配属关系将该识别结果转换到与已知类别信息相同的辨识框架内。在此基础上,采用相容系数度量其相似度用以近似GM-PHD滤波器中的量测似然值,从而实现类别信息的辅助目标跟踪。仿真实验表明,在不同的杂波密度下所提方法能够有效提高GM-PHD滤波器的跟踪性能。

基于动态网格密度的SNN聚类的ET-GM-PHD滤波算法

针对不同扩展目标产生的量测密度差异较大时,多扩展目标高斯混合概率假设密度(ET-GM-PHD)量测集划分困难,计算量繁重的问题,提出了一种基于动态网格密度的SNN相似度的量测划分算法。首先利用动态网格技术对量测数据进行预处理,减小量测中的杂波干扰;而后采用共享最近邻(SNN)相似度对处理后的观测值进行量测划分。经过仿真结果分析,文中提出的算法相较于传统算法,减少了运行时间,提升了跟踪的稳定性。

基于GM-PHD的低可观测编队目标跟踪方法

考虑到多编队在低可观测情况下存在的目标跟踪问题,提出了一种基于高斯混合概率假设密度(GM-PHD)滤波算法的编队目标跟踪方法。该方法是在修剪融合过程中,先保留剪掉的高斯分量,再对这些分量进行状态外推,利用JS(Jensen-Shannon)散度判断下一时刻状态估计值与外推状态值是否相似,以判断结果体现目标丢失情况,使得真实目标不丢失,解决了低可观测情况下目标易漏检带来的跟踪性能下降问题。然后,利用编队目标的特点,结合密度聚类方法估计出编队整体的状态,避免因状态估计集合中状态值过多影响算法性能。最终,仿真实验结果表明,该方法可以在低可观测情况下有效跟踪编队目标,具有较好的跟踪性能。

Research and Application of Multi-Target Tracking Based on GM-PHD Filter

In recent years, multi-target tracking technology based on Gaussian Mixture- Probability Hypothesis Density (GM-PHD) filtering has become a hot field of information fusion research. This article outlines the generation and development of multi-target tracking methods based on GM-PHD filtering, and the principle and implementation method of GM-PHD filtering are explained, and the application status based on GM-PHD filtering is summarized, and the key issues of the development of GM-PHD filtering technology are analyzed.

基于GM-PHD的目标空间分布感知算法

对边扫描边跟踪的认知雷达,目标的空间分布特性是实现对雷达信号控制的重要依据之一。本文介绍了一种基于高斯混合概率假设密度(GM-PHD)滤波算法的目标空间分布感知方法,利用该算法,可同时实现多目标高虚警环境下的目标数目和目标空间位置以及运动状态的估计。该算法实际是一种对标准GM-PHD滤波器的改进算法,能在新生目标强度未知的情况下完成对新生目标的检测跟踪。实验表明该算法不仅能在未知新生目标强度的情况下检测并跟踪新生目标,且在新生目标速度较大的情况下,该算法对新生目标的检测性能优于标准GM-PHD滤波器。

基于ET-GM-PHD的机动多扩展目标跟踪算法

针对原始扩展目标高斯混合概率假设密度(Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD)滤波算法不能解决机动目标跟踪问题,在高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GM-PHD)滤波框架下,引入修正的输入估计算法(Modified Input Estimation,MIE),可以有效地处理多扩展目标的机动问题。此外,提出的算法虽然可以实现对未知数目的多机动扩展目标进行跟踪,但无法获得各个目标的航迹。针对此问题,进一步引入高斯分量标记方法,有效地将多机动扩展目标的航迹进行准确关联,获取各个目标的航迹。实验结果表明,提出的算法在弱机动扩展目标跟踪中具有较好的跟踪性能,同时能够有效地估计多扩展目标的航迹。

红外数据辅助的GM-PHD滤波工程优化算法

利用红外传感器优异的方位精度特点,解决随机有限集的高斯混合-概率假设密度(GM-PHD)算法在工程应用中存在的问题,提出一种在两方面对目标跟踪进行优化的方法。首先,红外传感器确定新生的目标起始信息,形成新生目标随机集初始值;其次,红外数据在目标跟踪过程中实时修正高斯权值,确保算法运行的稳定性;最后,经仿真验证文中算法目标跟踪效果得到大幅度提升。

基于轨迹平滑的GM-PHD跟踪算法

高斯混合概率假设密度(GM-PHD)算法能在杂波和漏检环境下跟踪数量未知的目标,但在目标紧邻时通常会出现错估计,导致跟踪效果变差。对此,文章提出一种对GMPHD算法估计的状态进行平滑的方法,即首先利用分量标签技术建立目标航迹,然后用航迹平滑技术对最终结果进行平滑,这样就提高了目标紧邻时的跟踪精度。仿真结果显示了提出算法的有效性。

基于多目标不确定性改进的GM-PHD滤波器

基于随机有限集的高斯混合概率假设密度(GM-PHD)滤波是处理多目标跟踪问题的一种有效方法。GM-PHD滤波器在密集杂波环境中会因估计误差过大而导致跟踪性能的下降,主要是因为没有充分考虑来自多目标量测的不确定性。为此,提出在考虑高斯分量权重的情况下,通过分量值改变协方差更新式,并通过引入标签,采用自适应阈值对高斯分量进行合并。理论分析和仿真结果表明:该方法在杂波环境下,目标最优次模式分配距离小,跟踪精度更高;目标数量的估计结果受杂波的影响更小,其估计值更接近真实的目标数量;通过具有不同杂波以及检测概率条件的跟踪场景,证明了该方法的目标数量估计精度和滤波性能明显好于传统算法。

基于GM-PHD的多目标跟踪算法仿真及影响因素

基于有限集统计学理论的多目标跟踪技术具备严格的贝叶斯理论解释基础,可以同时完成目标数目及状态的估计,并避免了复杂的数据关联过程。基于高斯混合概率假设密度滤波器(GM-PHD)实现了对数目时变目标的跟踪,准确估计出了每一时刻目标的数目。在此基础上进一步分析了目标生存概率ps、目标检测概率pd以及杂波密度λc等因素对跟踪效果的影响,为GM-PHD滤波器在多目标跟踪的实际应用中各参数的取值提供了有益的参考。

基于权重约束GM-PHD滤波的多目标跟踪方法

针对高斯混合概率假设密度(GM-PHD)滤波器未检查一对一假设以及难以跟踪跨越目标的问题,在其基础上提出一种约束权重的改进多目标跟踪方法。通过构建权重矩阵,从所有生成的目标中寻找权重最大的目标。根据权重关系,重新归一化除最大权重外所有行的目标,并使归一化和权重约束迭代进行。在GM-PHD滤波器的更新步骤中生成目标的相应权重,完成滤波操作。通过蒙特卡罗仿真对该方法进行评估,检测有杂波、不同目标速度和不同帧率情况下的滤波器性能,分别对穿越和密集的目标进行仿真。实验结果表明,与使用GM-PHD滤波器和基于序贯蒙特卡洛概率假设密度(SMC-PHD)滤波器的方法相比,该方法整体跟踪性能较优。

基于相机雷达融合的改进GM-PHD多目标跟踪算法

针对复杂交通场景下单传感器跟踪性能不佳以及目标检测概率未知问题,提出了一种基于相机雷达融合的高斯混合概率密度假设(GM-PHD)多目标跟踪改进算法。通过预关联将目标集合划分为相机雷达量测匹配目标、仅相机量测匹配目标、仅雷达量测匹配目标以及无匹配目标,并采用不同的置信度对目标状态进行更新,综合雷达的径向距离以及相机的方位角对目标进行更准确的定位估计。将相机量测作为先验条件,简化优化高斯分量剪枝合并过程。仿真实验表明:所提算法能够有效提高目标跟踪精度和鲁棒性。

基于ET-GM-PHD的多传感器多目标跟踪算法

针对单传感器跟踪系统的缺陷和扩展多目标跟踪问题的复杂性,提出了基于高斯混合扩展目标概率假设密度(ET-GM-PHD)的多传感器多目标跟踪方法。该算法的最大优点在于它可以避免传统多目标跟踪算法中的数据关联过程,不用进行复杂的测量与扩展目标之间的关联过程即可同时获得扩展目标的个数和状态估计。在线性高斯假设条件下给出了扩展目标PHD滤波器的GM实现,并通过仿真实验比较了单传感器ET-GM-PHD滤波器与多传感器ET-GM-PHD滤波器的跟踪性能,验证了该算法的跟踪性能和精度。