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.

未知量测噪声分布下的多扩展目标CBMeMBer滤波算法

在实际应用场景中,量测噪声协方差准确模型很难被建立,传统的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迅速下降。为了解决量测噪声未知对多扩展目标跟踪结果造成的影响,将变分贝叶斯方法引入到CBMeMBer滤波算法中。VB-GM-CBMeMBer算法能在量测噪声未知情况下通过估计噪声协方差进行滤波计算,但该算法存在目标数目估计不准确的问题。针对此问题,提出一种改进的VB-GM-CBMeMBer算法,该算法在滤波算法预测步骤后引入椭球门限,使用保留在门限内的量测来进行下一步计算,以减少杂波量测,降低杂波量测对扩展目标量测的影响,提高对扩展目标状态聚类的精度。实验结果表明,该算法适用于多扩展目标数目未知、量测噪声协方差未知的情况,且其跟踪精度比GM-CBMeMBer和VB-GM-CBMeMBer滤波算法有一定提高。

未知新生目标先验下基于SCK-CBMeMBer的弱小目标检测前跟踪算法研究

该文针对红外弱小目标跟踪场景中未知新生分布先验信息且传统MeMBer会造成势低估的问题,提出一种基于平方根容积卡尔曼滤波势均衡多目标多伯努利的新生目标自动搜索算法并给出高斯混合实现。该算法首先将平方根容积卡尔曼滤波(SCK)算法引入到红外图像的多弱小目标检测跟踪中,用来实现CBMeMBer-TBD算法,同时结合新生目标自动搜索算法,自适应地产生新生弱小目标的分布,而势分布则通过CBMeMBer来实现。仿真实验表明,所提算法能够实现在新生目标未知场景下的红外弱小目标跟踪,且其跟踪精度与传统的MeMBer跟踪算法相比,有明显提高。

基于随机有限集的多目标跟踪算法综述

基于随机有限集(RFS)的多目标跟踪算法是近年来国际上多传感器信息融合领域的研究热点。分别论述了RFS框架下3种重要的近似滤波器即概率假设密度(PHD)、势化PHD(CPHD)和多目标多伯努利(Me MBer)滤波器的研究进展,并对它们进行了比较和总结;然后,着重梳理了它们在机动目标跟踪、非标准目标跟踪、多传感器融合、多目标跟踪性能评估等方面的研究现状;最后,对相关领域的未来研究方向进行了分析和展望。

多模型GM-CBMeMBer滤波器及航迹形成

提出了一种可适用于杂波环境下对多个机动目标进行跟踪并能形成多目标航迹的多模型势平衡多目标多伯努利(Cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波器.随后,在多机动目标时间演化模型和观测模型均为线性高斯的假设条件下利用高斯混合(Gaussian mixture,GM)技术获得了该滤波器解析的递推形式—多模型GMCBMeMBer滤波器,并简要给出了它在非线性条件下的扩展卡尔曼(Extended Kalman,EK)滤波近似.仿真实验结果表明所建议的多模型GM-CBMeMBer滤波器能有效地对多个机动目标进行跟踪而单模型GM-CBMeMBer滤波器则会产生明显的航迹丢失和虚假航迹,并且对于信噪比较低的仿真场景,它的性能优于多模型高斯混合概率假设密度(GM probability hypothesis density,GM-PHD)滤波器,接近于多模型高斯混合势概率假设密度(GM cardinalized PHD,GM-CPHD)滤波器.

集群无人机定位信号的自适应GM-CBMeMBer滤波算法

针对集群无人机导航定位信号通信过程中,易混入实际随机噪声,而传统GM-CBMeMBer滤波算法处理会导致滤波器发散的问题,提出了一种用于集群无人机定位信号的自适应GM-CBMeMBer滤波算法。首先,构建对应的数学模型,通过观测模型和量测模型对信号进行跟踪、滤波。在此基础上,利用随机有限集和衰减因子实现对噪声的动态处理和进一步预测,结合预测值进行迭代更新,直到滤波过程结束。同时,引入高斯项的剪枝合并来提高滤波精度。实验结果表明,改进算法与传统算法相比较,在集群无人机定位航迹上的杂波点有所减少,总体平均误差降低了26.6%。同时,方法简单易行,便于工程实现。

多站无源雷达多起伏目标检测前跟踪算法

针对多站无源雷达背景下多起伏目标同时检测和跟踪的问题,该文提出一种基于多目标多伯努利(Me MBer)滤波器的多起伏目标检测前跟踪(TBD)算法。由于起伏目标的平均信噪比(SNR)未知使得目标的回波幅度似然函数不确定,该文假定包络检波器的输出平均SNR服从先验的均匀分布,并对可能取值区间进行边缘化处理,得到一个估计的似然函数,基于该估计的似然函数,融合中心利用所有收发对的幅度观测信息对Me MBer滤波器的各个预测分量进行更新。仿真结果表明,该算法能够有效地同时检测和跟踪多起伏目标,并且在平均SNR大于9 d B时,其性能与平均SNR已知情况下的性能近似。

贪婪的量测划分机制下的多传感器多机动目标跟踪算法

针对低检测概率下多机动目标的跟踪问题,该文提出一种新的交互式多传感器多目标多伯努利滤波器(IMM-MS-MeMBer)。在IMM-MS-MeMBer滤波器的预测阶段,该文利用当前的量测信息自适应地更新目标的模型概率,并利用更新后的模型概率对目标状态进行混合预测;在IMM-MS-MeMBer滤波器的更新阶段,使用贪婪的多传感器量测划分策略对多传感器量测进行划分,并利用得到的量测划分集合和IMM-MS-MeMBer滤波器对目标的后验概率密度进行更新;除此之外,IMM-MS-MeMBer滤波器能够利用目标的角度和多普勒量测信息同时实现多个机动目标的位置、速度估计。数值实验验证了该文所提IMM-MS-MeMBer滤波器的优越性能。

基于杂波量测集约束的改进MS-MeMBer滤波器

针对高杂波密度场景下,传统多传感器多目标多伯努利(MS-MeMBer)滤波器存在的量测划分假设质量下降、势估计结果出现偏差等问题,提出了一种基于杂波量测集约束的改进MS-MeMBer滤波器。首先,通过将杂波量测集的影响引入到更新过程中,优化了目标量测集的权重,并给出了杂波场景下的单目标多传感器似然函数。然后,通过两步贪婪划分机制,得到了改进的多传感器量测划分假设。通过仿真将所提方法与传统MS-MeMBer滤波器进行了比较,实验结果表明:在高杂波密度场景下,改进MS-MeMBer滤波器具有更优的多目标跟踪性能。

基于CBMeMBer滤波器的多攻击检测方法

对具有大量节点的信息物理系统(CPS)而言,多攻击的同时在线检测是一个颇具挑战性的问题。一方面,多个不同攻击者可采用不同的攻击策略与发动不同类型的攻击以规避检测;另一方面,CPS不仅需检测攻击的数目,还需同时检测出被每个攻击者攻击的节点。为此,提出了一种基于随机有限集的多攻击检测方法。通过采用多伯努利随机集对攻击行为和CPS检测机制进行建模,并使用势均衡多目标多伯努利滤波器对模型滤波,所提方法可实现对CPS中多攻击的同时在线检测。

一种检测概率未知时的MeMBer跟踪算法

针对检测概率未知的多目标跟踪场景中跟踪性能会受目标检测概率估计结果影响的问题,提出了一种对未知检测概率实时估计的MeMBer跟踪算法.采用Beta分布对未知检测概率进行建模,然后通过测量分类来区分目标性质并实现对检测概率的实时估计,利用多伯努利随机有限集跟踪算法实现多目标跟踪.仿真结果表明,在检测概率未知情况下该算法有良好的多目标跟踪效果,能对未知检测概率进行实时估计;与传统MeMBer算法相比,该算法在低检测概率下的检测概率估计精度更高且更加稳定.