基于随机有限集的UPF-CPHD多目标跟踪

提出一种基于随机有限集的无迹粒子基数概率假设密度滤波(UPF-CPHD,unscented particle fil-ter-cardinality probability hypothesis density)的多目标跟踪方法。在粒子滤波框架下采用随机有限集(RFS,randomfinite sets)对多目标状态和观测进行描述。在UPF滤波框架下引入CPHD算法同时递推目标状态和目标数目,并计算最新观测信息,估计结果更加精确,弥补PHD估计目标数目不可靠的缺点。仿真实验表明,UPF-CPHD多目标跟踪方法能够降低超过50%的目标数目估计误差,并提高目标状态的估计精度。

基于SMC-CPHD的多目标跟踪算法研究

针对CPHD滤波算法在多目标跟踪中计算难处理和对于局部目标估计存在漏检的问题,提出了基于序贯蒙特卡罗方法的基数概率假设密度(SMC-CPHD)滤波算法。这种方法是将SMC和CPHD两种滤波算法的优点相结合,用一些离散的粒子去接近PHD函数,不仅解决了在滤波修正步没有闭式解的问题,而且避免了当某个目标发生漏检时,PHD权值的转移问题,在递推PHD函数的同时也递推基数分布。将此方法应用到有杂波存在复杂的多目标跟踪环境中,通过仿真实验,对CPHD滤波和SMC-CPHD滤波得出的结果进行比较,验证了本文所提出方法对多目标跟踪的可行性和精确性。

基于关联的自适应新生目标强度CPHD滤波

量测驱动的自适应新生目标强度基数概率假设密度(adaptive target birth intensity cardinalized probability hypothesis density,ATBI-CPHD)滤波器可以在新生目标强度未知的情况下进行多目标跟踪,然而该方法利用所有量测产生新生目标,没有考虑关联问题。为此,本文提出了一种基于数据关联的改进算法。首先,给出了ATBI-CPHD在高斯混合CPHD(Gaussian mixture CPHD,GMCPHD)框架下的实现。其次,在GMCPHD滤波框架下采用一种基于量测标签的方法进行量测-估计关联,并引入高斯元标签进行航迹保持,在此基础上提出了一种航迹管理方法。最后采用量测波门进行量测-量测关联,利用关联后的量测产生新生目标。仿真结果表明,该算法可以在提高跟踪效果的同时提升计算效率。

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

针对交互多模型(interacting multiple model,IMM)在多机动目标跟踪算法中存在的缺陷以及目标跟踪精度问题,提出了基于变结构多模型(variable structure multiple model,VSMM)的高斯混合基数概率假设密度(Gaussian mixture cardinalized probability hypothesis density,GMCPHD)滤波算法。该算法利用了VSMM具有自适应性、时变性的特点,达到了在某一时刻能够选取与目标运动模式相匹配的模型集合的目的,相比于IMM考虑的仅是固定的模式集合具有很强的优越性。此外,GMCPHD滤波算法不仅避免了数据关联问题,而且通过高斯分布递推PHD函数的同时递推基数分布。最后,利用雷达作为传感器,对跟踪机动目标进行仿真,证明VSMM相比于IMM对于多机动目标跟踪更具有优越性,同时验证了VSMM-GMCPHD滤波算法具有提高机动目标跟踪精度,减小跟踪误差的作用。