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。

基于标签概率假设密度滤波器的抗交叉眼干扰方法

交叉眼干扰利用波前扭曲引起跟踪雷达瞄准点转向虚拟的强干扰方向,使得雷达的角度测量与跟踪失效。为对抗交叉眼干扰,文中在随机有限集理论(random finite set,RFS)的基础上,引入标签概率假设密度(probability hypothesis density,PHD)滤波器用于判断目标的真实位置。将真实目标和干扰建模视为两个不同的信号,通过预测、校正、重采样、状态估计、航迹提取给目标和干扰分配不同的标签,实现对目标与干扰的正确区分。仿真表明标签PHD滤波器能够在交叉眼干扰存在的情况下正确识别估计出目标的状态信息且估计误差较小。

基于带势概率假设密度粒子滤波的MIMO雷达检测前跟踪算法

带势概率假设密度是解决多目标跟踪的有效方法,只在线性高斯环境下有闭式解。提出基于带势概率假设密度粒子滤波的MIMO雷达检测前跟踪算法,该算法利用粒子和权值代替目标状态及其概率假设密度,在非线性非高斯条件下有效跟踪多目标并准确估计目标数量,根据MIMO雷达多输入多输出特点,对更新过程加以改进,使其充分利用MIMO雷达的多通道数据,进一步减小跟踪误差。推导先验克拉美罗界用来检验算法性能。仿真结果表明所提算法能够有效跟踪多个目标并且估计目标数量,估计误差小于概率假设密度的估计误差,所提算法估计性能更稳定。

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.

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.

改进的概率假设密度滤波多目标检测前跟踪算法

基于概率假设密度滤波(Probability Hypothesis Density,PHD)的检测前跟踪(Track before detect,TBD)技术可以有效解决未知目标数的弱小点目标检测前跟踪问题.文章针对现有PHD-TBD算法存在目标数估计不准、目标发现延时较久的问题进行研究.从标准PHD滤波出发,更为合理地推导出PHD-TBD算法的粒子权重更新计算表达式,实现对目标数的准确估计;同时利用贝叶斯滤波理论,推导出基于量测的新生粒子概率密度采样函数,完成对目标的快速发现.仿真实验表明,与现有的PHD-TBD相比,改进算法能够适应目标扩散情况,准确估计目标数目,并实现对目标的快速发现和位置准确估计.

高斯混合扩展目标概率假设密度滤波器的收敛性分析

研究了高斯混合扩展目标概率假设密度(Gaussian mixture extended-target probability hypothesis density,GM-EPHD)滤波器的收敛性问题,证明了在杂波强度先验已知且扩展目标的期望测量个数连续有界的假设条件下,若该GM-EPHD滤波器的GM项趋于无穷多,那么它一致收敛于真实的EPHD滤波器.并且,本文还证明了该算法在弱非线性条件下的扩展卡尔曼(Extended Kalman,EK)滤波近似实现—EK-GM-EPHD滤波器,在每个GM项的协方差趋于0时,也一致收敛于真实的EPHD滤波器.本文的研究目的在于从理论上给出GM-EPHD和EK-GM-EPHD滤波器的收敛性结果以及它们满足一致收敛性的条件.

基于势概率假设密度滤波的检测前跟踪新算法

基于势概率假设密度滤波(Cardinalized Probability Hypothesis Density,CPHD)检测前跟踪(Track before detect,TBD)算法能有效解决未知目标数的弱小目标检测跟踪.文章深入研究了CPHD算法,从标准CPHD滤波的粒子权重更新出发,结合检测前跟踪的实际,合理地推导出CPHD-TBD算法的粒子权重更新表达式;分析了CPHD滤波目标势分布的物理意义,实现了目标势分布更新计算在检测前跟踪的应用.将CPHD滤波和TBD进行有效结合,提出了基于势概率假设密度滤波的检测前跟踪算法,并给出其详细实现步骤.仿真实验证明提出的CPHD-TBD算法与现有概率假设密度检测前跟踪(PHD-TBD)算法相比,能更详细地传递目标分布信息,从本质上改变了PHD-TBD对目标数估计的方式,能更准确稳定估计目标数,实现了对目标的发现和状态准确估计,性能明显更优.

多目标滤波中的多传感器概率假设密度算法

多传感器情况下的多目标概率假设密度(PHD)滤波是建立在假设模型上实现的。该文用随机有限集(RFS)方法描述多目标状态空间和传感器量测空间,分析了多传感器通用假设模型下的探测概率、似然函数和杂波分布,在此基础上利用概率产生泛函(PGFL)推导出了多传感器PHD滤波递归式,进而提出粒子标记法多传感器贯序蒙特卡洛PHD(SMC-PHD)滤波等价实现算法,降低了多传感器PHD滤波的计算复杂度。最后给出了算法的具体实现,得到了良好的多目标数目和可跟踪多目标状态的估计。

基于无迹变换的概率假设密度滤波算法

基于有限集统计理论的概率假设密度滤波算法运用于多目标跟踪时,不再考虑数据关联问题,突破了传统的跟踪方法。但该滤波公式在非线性条件下没有解析解,在非线性高斯条件下提出了基于无迹变换的概率假设密度滤波算法,实现了算法在强杂波环境下的多目标跟踪。仿真实验比较了该算法与基于粒子滤波的概率假设密度滤波算法的跟踪性能,验证了该算法的跟踪性能和精度。同时分析指出了此算法的不足,以及结合无迹变换与粒子滤波的概率假设密度滤波算法的改进研究方向。

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。

平方根容积卡尔曼滤波概率假设密度算法在移动机器人同时定位与地图构建中的应用

针对杂波环境或数据关联模糊环境下移动机器人同时定位与地图构建(SLAM)的问题,本文提出平方根容积卡尔曼滤波概率假设密度(SRCKF-PHD)SLAM算法,该算法的主要特点在于:1)采用容积规则方法计算非线性函数高斯权重积分以及机器人位姿粒子权重,达到改善位姿估计性能的目的;2)在高斯混合概率假设密度更新过程中,将平方根容积卡尔曼滤波应用于高斯项权重更新及观测似然计算中,保证了协方差矩阵的对称性和半正定性,提高了地图估计的精度和稳定性.通过仿真实验及CarPark数据集,将提出算法与RB-PHD-SLAM算法进行对比,结果表明该算法对机器人位姿估计精度及地图估计精度的提高是有效的.

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。

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。

双传感器概率假设密度滤波解析实现方法

针对双传感器概率假设密度(PHD)理论的解析实现进行研究。Mahler给出的双传感器PHD理论,由于其中含有抽象的多目标积分,并且其中的二元分割过程计算量十分巨大,所以无法计算机实现。文中在线性高斯混合的假设条件下给出了严格双传感器PHD滤波的递推解析公式,并且通过提出"有效二元分割"算法极大降低了严格理论意义下的双传感器PHD算法的计算复杂度,从而解决了双传感器PHD滤波的计算实现问题。计算机模拟仿真验证了所提出算法的有效性。

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。

基于随机摄动再采样的粒子概率假设密度滤波器

作为概率假设密度滤波的典型实现方式,粒子概率假设密度滤波器无需线性高斯等先验假设,因而在多目标跟踪中得到了广泛的应用。为解决粒子退化问题并保持粒子规模,该滤波器引入了重采样机制,然而,该重采样机制易引起粒子多样性耗尽,导致粒子贫化问题产生。为解决这一问题,该文提出一种新的基于随机摄动再采样的粒子概率假设密度滤波器。首先,全面分析了粒子概率假设密度滤波因粒子贫化问题导致目标失跟的过程。然后设计了一种随机摄动再采样算法,该算法在重采样导致粒子多样性缺失时,根据源粒子的位置与复制次数随机产生相应数目的新粒子,并对源粒子进行删减,其可在保留源粒子信息的前提下保持粒子的多样性。最后,该文将该算法纳入概率假设密度滤波框架,提出了一种新的粒子概率假设密度滤波器。仿真结果表明该滤波器在不显著增加运行时间的前提下能够克服粒子贫化问题,相比标准的粒子概率假设密度滤波器具有更好的跟踪性能。

随机集的概率假设密度粒子滤波

多目标跟踪问题中,当目标数已知时,可以用概率数据互联(PDA)或联合概率数据互联(JPDA)算法.而当目标数未知或随时间变化时,需要对不同目标数的跟踪进行比较.可以把目标集看作随机集进行讨论,目标数N是随机变量.随机集的跟踪通过有限集统计(FISST)理论来完成.文中讨论了用粒子滤波实现跟踪随机集的方法.实验表明,在杂波环境下,粒子滤波可以稳健跟踪目标状态和目标数.