机动目标跟踪的交互多模型泊松多伯努利混合滤波

满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture,PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分,分别对这两部分进行预测和更新,具有较高的跟踪精度和较快的运行速度。在多目标机动场景下,使用单一模型不足以描述目标的运动,将导致跟踪性能的下降。针对这一问题,提出了一种交互多模型(interacting multiple model,IMM)PMBM滤波器,充分利用模型之间的交互信息,可以有效实现多机动目标的跟踪。同时,该算法采用序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现PMBM滤波,可应用于非线性场景。仿真结果表明,所提的IMM-SMC-PMBM算法可以有效地在非线性环境下跟踪数目变化的多机动目标,与IMM-SMC概率假设密度(probability hypothesis density,PHD)滤波器相比具有更好的跟踪精度和稳定性。

面向非线性MTT的多模型泊松多伯努利混合滤波算法

在多目标跟踪(Multi-target Tracking,MTT)的非线性特性与低检测概率情况下,针对多伯努利滤波算法的高斯混合(Gaussian Mixture,GM)实现难以精确估计目标的势与运动状态的实际问题,本文提出了一种适用于非线性系统的泊松多伯努利混合滤波(Poisson Multi-Bernoulli Mixture Filter,PMBM)算法.首先,推导出多模型泊松多伯努利混合滤波的高斯混合(GM Multi-model PMBM,GM-MM-PMBM)实现过程.然后,分别对GM-MM-PMBM的伯努利高斯分量进行预测与更新,实现了基于非线性系统的MTT.为提升系统稳定性,基于平方根协方差矩阵推导出GM-MM-PMBM均方根容积卡尔曼滤波算法的实现过程.最后,仿真实验综合验证了本文算法的跟踪性能.

基于标签多伯努利跟踪器的对手风险动态评估方法

在诸多的军事和民用领域都存在对手目标蓄意入侵我方重要区域从事恶意伤害活动的场景。对手风险评估是基于我方传感器获取的量测数据,在线评估和预测对手行动对我方资产造成的潜在伤害和损失。为了评估随机且动态变化的对手风险,该文提出一种基于标签多伯努利(LMB)跟踪器的统计对手风险动态评估方法。首先,在LMB跟踪器的框架下,基于加性模型和乘性模型,分别推导了统计对手风险最小均方误差估计的表达式。其次,针对所涉及的非线性函数积分问题,结合混合高斯近似和抽样近似方法,提出统计对手风险最小均方误差估计的数值计算方法;最后,将统计对手风险估计方法与LMB跟踪器的迭代过程有机结合,可实现入侵的多目标对我方重要资产期望损失的动态在线评估。模拟多个具有杀伤能力的目标攻击我方雷达阵地的场景,利用雷达获取的实时点迹量测数据,验证了提出算法的有效性和性能优势。

基于多伯努利滤波的厚尾噪声条件下多扩展目标跟踪

针对厚尾噪声条件下不规则星凸形多扩展目标跟踪(Multiple extended target tracking,METT)问题,提出一种基于多伯努利滤波的厚尾噪声条件下多扩展目标跟踪方法.首先,采用学生t分布对厚尾过程噪声和量测噪声进行建模,并基于有限集统计(Finite set statistics,FISST)理论利用随机超曲面模型(Random hypersurface model,RHM)建立不规则星凸形多扩展目标的跟踪滤波模型.然后,利用学生t混合(Student's t mixture,STM)模型来表征多伯努利密度,提出学生t混合多扩展目标多伯努利(Student's t mixture multiple extended target multi-Bernoulli filter,STM-MET-CBMeMBer)滤波算法,并进一步基于鲁棒学生t容积滤波算法提出了非线性鲁棒学生t混合星凸形多扩展目标多伯努利滤波算法.最后,通过构造厚尾噪声条件下星凸形多扩展目标和多群目标的跟踪仿真实验验证了所提方法的有效性.

高斯过程回归泊松多伯努利衍生滤波器

针对伽马高斯逆威舍特混合泊松多伯努利(Gamma Gaussian inverse Wishart mixed Poisson multi-Bernoulli,GGIW-PMB)滤波器无法估计非椭圆形状目标的问题,提出了将泊松多伯努利滤波器与高斯过程回归模型结合的方法,可对非椭圆形状目标进行准确估计。考虑到衍生存在情形下无法有效提取衍生目标及其扩展形状的问题,提出了一种衍生目标检测及建模方法,通过量测数的变化来对衍生事件做出假设,根据真实场景关系计算衍生目标状态,实现衍生目标的检测和跟踪。在泊松多伯努利滤波器的基础上,采用高斯过程回归模型作为量测模型,结合所提衍生模型,提出了基于高斯过程回归的泊松多伯努利衍生(Gaussian process regression Poisson multi-Bernoulli filter with target spawning,GPR-PMBS)滤波器。仿真结果表明,GPR-PMBS滤波器相比于GGIW-PMB滤波器能更为准确地估计非椭圆形状目标,并且在衍生存在的情形下,也可以有效提取出衍生目标及其形状,在有衍生情况的扩展目标跟踪场景中表现出良好性能。

检测优化的标签多伯努利视频多目标跟踪算法

在检测器与跟踪器结合的视频多目标跟踪算法中,检测器好坏将直接影响整个跟踪算法性能,尤其是检测器的漏检以及误检,会导致目标的漏跟以及误跟,增加碎片化轨迹以及身份标签变换次数增加的问题。针对这些问题,在标签多伯努利的滤波框架下,设计了新的量测驱动新生目标识别方法以更快速精准地捕获新生目标。设计了目标重识别方法,结合标签多伯努利算法能够在短时间内维持标签的不变性,减少了碎片化轨迹及标签跳变数。引入新的模板选取策略,以避免将被遮挡的目标加入到模板中污染模板。考虑到标签多伯努利滤波为在线推理算法,采用了并行化加快算法的运算效率。结果表明,在标签多伯努利的框架下,提出算法能够有效解决标签跳变以及目标被遮挡无法准确跟踪的问题,在具有挑战性的MOT17数据集上进行测试,与其他相关滤波方法进行比较,具有不错的跟踪效果。

基于位姿图优化的势均衡多伯努利滤波器SLAM方法

在复杂室内环境下,传统基于随机有限集理论的SLAM方法存在机器人位姿精度低、计算量大的问题。针对此问题,提出一种基于位姿图优化的势均衡多伯努利滤波器SLAM方法。首先,该方法通过势均衡多伯努利滤波器获得地图特征估计,避免了数据关联。其次,提出了自适应信息控制法,丰富先验信息。然后,通过自适应信息控制法将位姿图优化理论与势均衡多伯努利滤波器SLAM结合,优化机器人的位姿估计。最后,进行实验对比分析,结果表明所提方法比RB-PHD-SLAM方法有更好的SLAM精度及实时性。

基于变分贝叶斯势均衡多目标多伯努利滤波的多扩展目标跟踪算法

由于传统多扩展目标跟踪算法在量测噪声协方差未知情况下跟踪性能急剧下降,本文提出一种基于变分贝叶斯的势均衡多目标多伯努利滤波(VB--CBMe MBer)跟踪算法,并给出了高斯混合实现.该算法在未知量测噪声协方差的情况下,将量测看成随机分布在扩展目标上的量测产生点所产生,利用变分贝叶斯方法近似地求出各量测产生点状态和量测噪声协方差的联合概率密度,并给出其递归形式以估计量测产生点,继而将得到的量测产生点状态进行聚类得到扩展目标的状态.仿真实验表明,所提算法可以自适应地跟踪未知数目、未知量测噪声协方差的多扩展目标.其跟踪精度与传统的CBMe MBer跟踪算法相比,有明显提高.

多模型标签多伯努利机动目标跟踪算法

针对标准标签多伯努利(labeled multi-Bernoulli,LMB)算法只考虑了单个运动模型的问题,提出了一种适用于跳转马尔科夫系统的多模型标签多伯努利(multiple model LMB,MM-LMB)算法。首先对目标状态进行扩展,将多模型思想引入LMB算法得到了新的预测和更新方程,并给出了算法的序贯蒙特卡罗实现。仿真实验表明,MM-LMB算法能对多机动目标进行有效跟踪,在复杂探测环境下跟踪精度优于多模型概率假设密度(multiple model probability hypothesis density,MM-PHD)算法和多模型势平衡多目标多伯努利(multiple model cardinality balanced multi-target multi-Bernoulli,MM-CBMeMBer)算法;所提算法计算量当目标相距较远时低于MM-PHD和MM-CBMeMBer,目标聚集时增长速度快于对比算法。

采用多伯努利滤波器的过采样点目标检测前跟踪

为了提高过采样体制下点目标的探测能力,提出了基于多伯努利滤波器的过采样点目标检测前跟踪方法。分析了时空过采样体制的成像过程,给出了时空过采样体制下的点目标成像模型,并将过采样观测过程等效建模为多个单采样线阵同时观测的过程。利用提出的模型,将单采样条件下的图像处理方法自然地扩展到过采样条件下。然后,根据等效观测模型,给出了针对过采样点目标的多伯努利预测和更新过程,并用序贯蒙特卡罗的方式实现了该检测前跟踪方法。最后,通过仿真实验验证了本文算法的有效性。实验结果表明:本文提出的方法能够在图像信噪比≥3的条件下,有效检测和跟踪过采样体制下的多个点目标,目标估计误差≤0.25pixel;与单采样检测前跟踪相比,过采样检测前跟踪能够探测目标能量更弱的小目标。因此,本文方法能够满足高精度天基点目标检测跟踪的需求。

多伯努利滤波的快速红外弱小目标检测与跟踪

针对复杂背景下多个弱目标检测与跟踪中存在的跟踪不稳定、非实时及量测模型高度非线性问题,提出一种基于多伯努利滤波的快速检测与跟踪算法.首先,采用改进的Robinson Guard算法抑制背景杂波,避免强起伏背景图像中目标被抑制的问题;其次,采用平方根容积卡尔曼滤波实现多伯努利检测前跟踪,在保证实时跟踪的同时,解决了滤波的高度非线性,避免了协方差矩阵负定造成的数值不稳定.实测红外背景图像实验表明,改进的Robinson Guard算法能够有效抑制背景杂波、保留弱目标信息,平方根容积卡尔曼多伯努利检测前跟踪能更准、更稳定地估计目标数目和状态,实现目标的实时检测与跟踪.

标签多伯努利机动目标跟踪与分类算法

针对密集杂波下现有的多机动目标跟踪算法性能衰减严重的问题,提出了一种标签多伯努利目标跟踪与分类算法。首先,引入类别信息对目标状态进行扩维;然后利用类别属性对目标机动模型转移密度进行修正,并推导新的状态转移密度函数,抑制了错误机动模型对目标状态预测的影响;同时,建立目标位置与属性的联合量测似然函数,增大了目标与杂波的区分度,从而增强杂波抑制能力;最后,基于多模型标签多伯努利滤波器框架推导了新的预测、更新方程。仿真实验结果表明:所提算法在高杂波环境下仍能对多机动目标进行有效跟踪,其目标数估计误差及最优子模式分配距离分别约为多模型概率假设密度联合检测、跟踪、分类滤波器的1/2和1/4,为多模型势平衡多伯努利联合检测、跟踪、分类滤波器的3/4和1/2。

基于星凸形随机超曲面模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题,提出了一种基于星凸形随机超曲面模型(Starconvex RHM)的多扩展目标多伯努利滤波算法.首先,在有限集统计(Finite set statistics,FISST)理论框架下,采用多伯努利随机有限集(MBer-RFS)和泊松RFS(Possion-RFS)分别描述多扩展目标的状态和观测,并给出扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器.其次,利用RHM去描述任意星凸形扩展目标的量测源分布,提出了容积卡尔曼高斯混合星凸形多扩展目标多伯努利滤波器.此外,本文给出了一种多扩展目标不规则形状估计性能的评价指标.最后,通过多扩展目标和具有形状突变的多群目标的跟踪仿真实验验证了本文方法的有效性.

基于标签多伯努利滤波器的机动小目标检测前跟踪

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间,能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模,将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上,为了实现对运动模型时变目标的检测前跟踪,将交互式多模型(IMM)与LMB检测前跟踪算法相结合,提出IMM-LMB检测前跟踪算法.此外,给出了该算法的序贯蒙特卡罗实现.仿真结果表明,所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪,且能够在线更新多模型概率,更好的适应多机动目标场景.

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。

脉冲噪声下多伯努利滤波的单声矢量DOA跟踪

针对单声矢量传感器(Acoustic vector sensor,AVS)脉冲噪声环境下的多声源波达方向(Direction of arrival,DOA)跟踪问题,利用α稳定分布能更好地建模脉冲噪声的性质,提出α稳定分布下的多伯努利DOA跟踪算法。由于α稳定分布不具有有限协方差,该算法采用分数低阶距(Fractional Lower Order Moment,FLOM)代替协方差矩阵,对FLOM进行特征分解构造噪声子空间,生成FLOM-MUSIC空间谱函数作为多伯努利滤波器的伪似然函数,并对其指数加权,改善了传统似然函数的发散和平坦问题,使得粒子的重采样更有效。该算法的优点是不需要预先知道声源个数,利用先验信息和当前量测信息可以直接对当前声源进行跟踪。仿真结果表明,该算法能有效跟踪脉冲噪声环境下单一AVS声源的数目和状态。

基于箱粒子滤波的鲁棒标签多伯努利跟踪算法

针对在未知杂波和检测概率的跟踪环境中标准的标签多伯努利(LMB)算法跟踪精度较低、粒子覆盖集过大致使复杂度较高的问题,引入区间分析技术,提出基于箱粒子滤波的鲁棒LMB跟踪算法。建立目标增广空间模型,基于箱粒子滤波方法,推导出有杂波状态标签和LMB元素标签的预测、更新方程,并用多目标箱粒子LMB滤波递推估计目标状态。仿真结果表明,当杂波和检测概率先验未知,与现有非标签、非鲁棒算法相比,所提算法可实现在低检测概率和高杂波强度环境下对目标的稳定跟踪,同时大幅度提高算法的运行效率。

Pairwise马尔科夫模型下的势均衡多目标多伯努利滤波器

由于在实际应用中目标模型不一定满足隐马尔科夫模型(Hidden Markov model,HMM)隐含的马尔科夫假设和独立性假设条件,一种更为一般化的Pairwise马尔科夫模型(Pairwise Markov model,PMM)被提出.它放宽了HMM的结构性限制,可以有效地处理更为复杂的目标跟踪场景.本文针对杂波环境下的多目标跟踪问题,提出一种在PMM框架下的势均衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli,CBMe MBer)滤波器,并给出它在线性高斯PMM条件下的高斯混合(Gaussian mixture,GM)实现.最后,采用一种满足HMM局部物理特性的线性高斯PMM,将本文所提算法与概率假设密度(Probability hypothesis density,PHD)滤波器进行比较.实验结果表明本文所提算法的跟踪性能优于PHD滤波器.

高斯过程回归模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下不规则形状的多扩展目标跟踪问题,本文提出了一种基于高斯过程回归(GPR)模型的多扩展目标多伯努利(GPR–ETCBMeMBer)滤波算法.首先,在利用有限集统计理论(FISST)将多扩展目标的状态集与量测集分别建模为多伯努利随机有限集(MBer RFS)和泊松随机有限集(Poisson RFS)的基础上,通过GPR方法建立多扩展目标随机超曲面的跟踪滤波模型.然后,基于容积卡尔曼滤波器(CKF)详细推导并提出GPR多扩展目标多伯努利滤波算法的高斯混合(GM)实现.最后,通过构造对星凸形多扩展目标和多群目标跟踪的仿真实验验证了本文所提算法的有效性.

弱目标箱粒子标签多伯努利多目标检测与跟踪算法

针对红外弱目标跟踪问题,提出箱粒子标签多伯努利多目标检测与跟踪(Box Particle Labeled Multi-Bernoulli Detection And Tracking,BOX-LMB-DT)算法,该算法首先通过使用均值滤波对获得的灰度图像进行降噪处理;其次,通过将所有像素处依强度大小进行排序,选出强度较大的区域作为当前时刻的区间量测;最后利用箱粒子标签多伯努利滤波(Box-Labeled Multi-Bernoulli Filter,Box-LMB)器对目标进行跟踪.仿真结果表明,所提箱粒子标签多伯努利多目标检测与跟踪算法能够对多目标的航迹和状态进行稳定有效的跟踪,且在相同条件下,相较于区间量测下的LMB粒子滤波,达到相同的跟踪性能时BOX-LMB滤波运算效率提升了22. 59%.