基于改进概率假设密度滤波器的非合作双基地雷达目标跟踪

为解决非合作双基地雷达目标跟踪面临的低检测概率和高杂波率问题,提出了改进的概率假设密度滤波器。首先,提出一种新的航迹标识与状态估计方法,并将存活概率定义为与目标状态相关的变量;随后,记录每个候选目标在每一时刻是否有量测的情况,采用序贯概率比检验区分真实目标和由杂波引起的假目标;最后,离线估计目标状态。仿真实验结果表明,所提算法明显提高了非合作双基地雷达目标跟踪的性能,可以有效解决低检测概率和高杂波率问题。

基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法

多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。

用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.

基于椭圆随机超曲面模型CPHD滤波器的多扩展目标跟踪算法

复杂场景下多扩展目标跟踪在自动驾驶、目标识别等领域具有很高的应用价值。文中提出了一种基于椭圆随机超曲面模型(ERHM)的势概率假设密度(CPHD)滤波器。首先,基于有限集统计理论,利用CPHD滤波器建立多扩展目标的贝叶斯滤波框架;然后,采用ERHM描述扩展目标的量测源分布,并利用无迹变换嵌入CPHD滤波流程;最后,仿真实验结果表明,ERHM-CPHD滤波器对椭圆扩展目标的跟踪性能优于传统的伽马高斯逆威沙特CPHD滤波器,在杂波密度较高、目标新生的位置比较确定的场景或者扩展目标数目较多时,对扩展目标的参数估计更为准确。所提方法在高分辨率雷达多目标跟踪方面具备很好的运用前景。

基于概率假设密度滤波方法的多目标跟踪技术综述

概率假设密度(Probability hypothesis density,PHD)滤波方法在多目标跟踪、交通管制、图像处理以及多传感器管理等领域得到了广泛关注.本文对基于PHD滤波方法的多目标跟踪技术的产生、发展及研究现状进行了综述,主要包括PHD滤波器、PHD执行方法、峰值提取及航迹提取技术、多传感器多目标跟踪及多传感器管理、PHD平滑器以及多目标跟踪性能评价指标等,并对PHD滤波器的相关应用进行介绍.最后,基于现有PHD滤波进展,提出了PHD滤波技术在多目标跟踪领域需要重点关注的若干问题.

高斯混合概率假设密度滤波器在多目标跟踪中的应用

实现了基于随机集和点过程理论在目标数未知或随时间变化的多目标跟踪滤波算法.研究成果包括:(1)分析了基于随机有限集的多目标跟踪模型;(2)分析推导了基于随机集和点过程理论的概率假设密度滤波递推表达式;(3)实现了在线性高斯条件下的概率假设密度滤波的一种解析滤波算法;(4)仿真实验验证了算法的性能,比较了在杂波强度和检测概率变化的情况下和联合概率数据互联算法相关性能;(5)指出了算法的一些不足以及改进的研究方向.

用于多个机动目标的混合高斯概率假设密度跟踪器

现有的混合高斯概率假设密度(GM-PHD)跟踪器不仅可以估计时变的多目标状态,还能辨识不同目标并保持其轨迹连续性.但当多个目标发生机动时,其稳定性较差,容易丢失目标.针对这一问题,本文提出一种能跟踪多个机动目标的混合高斯概率假设密度跟踪器算法.算法在GM-PHD滤波的框架上采用修正的输入估计方法将目标的概率假设密度(PHD)表示成混合高斯形式,并利用不同的标记辨识各个高斯分量,然后通过PHD滤波方程迭代这些高斯分量和对应的标记,最终达到跟踪多个机动目标的目的.仿真实验表明,和传统的GM-PHD跟踪器相比,新算法能以更高的稳定性跟踪多个机动目标.

基于概率假设密度滤波和数据关联的脉冲多普勒雷达多目标跟踪算法

为了解决杂波环境下脉冲多普勒(PD)雷达的多目标跟踪问题,提出一种距离模糊情况下基于概率假设密度滤波(PHDF)和数据关联(DA)的联合解距离模糊和多目标跟踪方法。该方法使雷达采用一组脉冲重复频率(PRF)交替变换的工作模式,并对雷达生成的模糊量测进行多假设,得到扩展量测集;然后,利用PHDF可以有效滤除杂波和避免"目标-量测"数据关联的突出优点,对扩展量测集进行滤波,得到粗略的目标状态估计;最后,对PHDF的滤波结果进行"航迹-估计值"关联,给出多目标航迹信息。仿真结果表明,该算法可以同时给出目标个数和各目标状态估计,实现杂波环境和距离模糊条件下对多目标的有效跟踪。

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计(modified inputestimation,MIE)概率假设密度多机动目标跟踪算法.在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生大幅度突变的机动目标自适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,可以较好地跟踪未知数目的多机动目标.仿真结果表明,新算法比传统的多机动目标跟踪算法具有更高的跟踪精度,且具有较好的实时性.

多目标跟踪的概率假设密度粒子滤波

在多目标跟踪中,当目标数很大时,目标状态的联合分布的计算量会非常大.如果目标独立运动,可用各目标分别滤波来代替,但这要求考虑数据互联问题.文章介绍一种可以解决计算量问题的方法,只需计算联合分布的一阶矩--概率假设密度(PHD),PHD在任意区域S上的积分是S内目标数的期望值.因未记录目标身份,避免了数据互联问题.仿真中,传感器为被动雷达,目标观测值为距离、角度及速度时,对上述的PHD滤波进行了粒子实现,并对观测值是否相关的不同情况进行比较.PHD粒子滤波应用在非线性模型的多目标跟踪,实验结果表明,滤波可以稳健跟踪目标数为变数的情况,得到了接近真实情况的结果.

基于势概率假设密度滤波器的不可分辨目标跟踪算法

根据有限集统计方法,推导得到了可适用于不可分辨目标跟踪问题的势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波器。类似传统的点目标CPHD滤波器,该不可分辨目标CPHD滤波器不仅可以递推地传递多目标状态集合的一阶统计矩,还可以传递多目标个数(即势)的概率分布。蒙特卡罗仿真实验表明,相比Mahler提出的不可分辨目标PHD滤波器,所提出的不可分辨目标CPHD滤波器具有更加精确和稳定的多目标个数和状态估计,但它的计算量要大于不可分辨目标PHD滤波器。

基于序贯蒙特卡洛与概率假设密度滤波的主动分布式声纳多目标跟踪

针对杂波数量多、目标数量和状态不确实性及观测不确实性等问题,提出了一种基于序贯蒙特卡洛与概率假设密度(SMC-PHD)滤波的分布式声纳多目标自动跟踪方法。通过随机有限集模型对多目标状态和观察进行表征,结合序贯蒙特卡洛方法中的重要性采样和重采样策略递归地实现多目标后验近似下概率假设密度的传递和滤波。利用分布式声纳观测模拟数据,对不同节点数目下基于SMC-PHD滤波的多目标跟踪进行了仿真实验。仿真实验结果表明:该方法适用于主动分布式声纳系统,能在多杂波环境下对数目未知且时变的多目标进行实时自动跟踪;在4个平台节点的主动分布式声纳系统中,实现了平均相对误差小于5%的水下多目标高精度跟踪,且目标数目估计值与真实值一致。

基于概率假设密度滤波与无迹Kalman滤波的多目标跟踪与识别

为提高导引头末制导阶段抗干扰能力,针对典型的欺骗式距离-速度联合拖引干扰模型,研究了基于概率假设密度(PHD)滤波的多目标跟踪与基于无迹Kalman滤波(UKF)的多目标识别技术。为说明导引头目标识别原理,给出了距离-速度联合拖引干扰模型;根据导引头测量原理,通过导引头框架角、导弹-目标相对距离、径向速度建立系统跟踪模型,给出了基于PHD滤波的多目标跟踪与基于UKF的多目标识别的基本原理;基于典型的目标运动模型(匀速直线与匀速转弯模型),针对目标施加的4次距离-速度联合拖引干扰,采用目标跟踪结果以及估计的目标速度和加速度信息进行多目标跟踪与识别分析,能够很快实现真假目标识别。仿真实验结果表明,利用PHD滤波与UKF信息能够有效实现对距离-速度拖引干扰下的多目标跟踪与识别。

边缘化粒子概率假设密度滤波的多目标跟踪

针对复杂情况下的多目标跟踪问题,提出一种边缘化粒子概率假设密度滤波(MPF-PHD)方法。该方法首先将复杂情况下多个目标的状态向量分别提取出其中的非线性状态与线性状态。然后利用粒子概率假设密度滤波(PF-PHD)估计非线性状态,利用卡尔曼滤波(KF)估计线性状态,并把其中与非线性状态相关的线性状态估计用来优化非线性状态估计。通过对MPF-PHD方法与传统的PF-PHD方法仿真对比,验证了MPF-PHD方法有效解决了复杂情况下多目标跟踪的漏检问题,提高了多目标状态估计精度。

多目标跟踪的概率假设密度滤波

在多目标跟踪技术中,当目标数未知或随时间变化时,可将目标集看作随机集.阐述了随机集的有限集统计(FISST)理论,研究了用PHD滤波实现跟踪随机集的方法.实验表明,在杂波环境下,概率假设密度滤波可以稳健地跟踪目标状态和目标数.

基于概率假设密度滤波的水下多目标被动跟踪

针对水下多目标跟踪过程中存在多种干扰因素,如噪声污染、杂波环境、量测数据处理等,本文将概率假设密度滤波应用到水下目标跟踪领域。首先,在单目标匀速运动场景下,提出一种二维搜索法,探究目标估计的均方根误差随2个被动声呐距离和目标初始链距取值变化的规律,为后续目标跟踪中参数选取提供参考。接着,对于多目标编队航行和航迹交叉的运动场景,分别探究目标间距和量测噪声对目标跟踪性能的影响。仿真结果表明,二维搜索法能够有效指导算法参数选取,并且所提算法具有目标数和目标状态估计精度良好的优点。

基于概率假设密度滤波的红外弱小目标跟踪

目标数未知或随时间变化是红外弱小目标跟踪技术的一个难题。为解决这个问题,提出了基于概率假设密度滤波的红外弱小目标跟踪算法。从数据关联的角度出发,将目标集看作随机集,利用概率假设密度滤波的数据关联算法实现目标数未知的红外弱小目标的跟踪。实验结果表明,在杂波环境下,概率假设密度滤波可以稳健地跟踪红外弱小目标的目标状态和目标数目。

一种改进的GM-C-CPHD空间多目标跟踪算法

随着空间目标的数目急剧上升,提高空间多目标跟踪精度成为必然要求,但空间多目标跟踪存在轨道动力学模型不完善的问题。针对该问题,提出一种改进的高斯混合势概率假设密度滤波(GM-C-CPHD)算法。通过在轨道动力学模型中考虑一个不确定性模型参数,即面质比参数(AMR),基于协方差传递面质比参数对位置、速度状态估计的影响,提高空间目标跟踪精度。仿真分析表明:相对于GM-CPHD滤波器,目标数量的跟踪和状态估计性能均有所提高,具有良好的应用前景。

一种粒子势概率假设密度滤波纯方位多目标跟踪算法

针对基于势概率假设密度算法(CPHD)的纯方位多目标跟踪,提出一种新型的多传感器粒子CPHD滤波算法.该算法通过分析混合线性/非线性状态模型的结构信息,结合粒子滤波(PF)与卡尔曼滤波(KF)对各个目标的状态进行预测与估计,运用Mean-Shift方法提取概率假设密度的峰值作为目标状态估计值,并对算法复杂度进行了分析.仿真结果表明,算法可改善目标跟踪效果.