自适应目标新生δ广义标签多伯努利滤波算法

针对传统广义标签多伯努利滤波算法因需已知新生目标状态分布信息而导致在实际场景中估计精度下降的问题,提出一种新的自适应目标新生δ广义标签多伯努利算法。该算法以广义标签多伯努利滤波器为基础,利用上一时刻接收到的量测信息反推当前时刻新生目标的存活概率和状态信息,并给出其标签伯努利随机集的参数表示。仿真结果表明,所提算法对于未知新生目标先验信息的复杂运动场景具有较强的多目标跟踪鲁棒性,且跟踪精度以及时间耗费均优于传统广义标签多伯努利滤波器。

δ-广义标签多伯努利滤波算法的非线性扩展

针对高斯混合(Gaussian mixture,GM)实现的变分贝叶斯-δ-广义标签多伯努利(variational Bayesian-δ-generalized labeled multi-Bernoulli,VB-δ-GLMB)滤波算法在非线性场景下跟踪性能较低这一问题,结合基于临近点算法(proximal point algorithm,PPA)和变分贝叶斯(variational Bayesian,VB)的迭代优化与容积卡尔曼滤波(cubature Kalman filtering,CKF),提出一种适用于非线性模型的机动多目标跟踪算法。该算法在GM-VB-δ-GLMB的基础上采用逆伽马(inverse-Gamma,IG)和高斯乘积混合分布近似量测噪声协方差和状态联合后验分布;利用PPA-CKF-VB(PCKF-VB)方法对传递过程中的高斯项参数进行预测更新;最后为提高滤波精度进行变分贝叶斯容积RTS(VB cubature Rauch-Tung-Striebel,VB-CRTS)平滑。仿真结果表明,对于量测噪声未知的非线性系统,所提的算法与现有的VB-δ-GLMB算法相比目标跟踪精度有显著提高。

箱粒子广义标签多伯努利滤波的目标跟踪算法

针对序列蒙特卡罗广义标签多伯努利滤波(SMC-GLMB)算法计算效率低、实时性差的问题,提出了箱粒子广义标签多伯努利滤波的目标跟踪(Box-GLMB)算法。该算法使用带标签的随机有限集描述多目标的状态,包括目标的位置和速度,并且对每个目标用互不相同的标签进行区分;然后利用箱粒子滤波算法近似单目标状态的概率密度,即用一组带权值的均匀分布拟合单目标状态概率密度;最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新,从多目标状态后验概率密度中估计单目标的位置与速度,根据目标的标签可以实现航迹跟踪。BoxGLMB算法结合了箱粒子滤波与GLMB算法的优势,能够跟踪目标航迹,同时提高计算效率。仿真结果表明,Box-GLMB算法可以有效估计目标状态以及跟踪目标航迹,相比于SMC-GLMB算法,计算效率提升了62%。

基于广义标签多伯努利滤波的可分辨群目标跟踪算法

针对杂波条件下可分辨群目标的状态估计、目标个数与子群个数估计问题,提出了一种基于标签随机有限集(Label random finite set,L-RFS)框架下的可分辨群目标跟踪算法,该算法主要包括两个方面:可分辨多群目标动态建模和多群目标的跟踪估计.本文工作主要包括:1)结合图论中的邻接矩阵对可分辨群目标运动进行动态建模.2)利用基于L-RFS的广义标签多伯努利滤波(Generalizes label multi-Bernoulli,GLMB)算法对目标的状态和个数进行估计,并且通过估计邻接矩阵得到群的结构和个数估计.3)通过个数不同、结构不同的三个子群目标在二维平面分别做线性和非线性运动进行算法验证.仿真分析表明本文算法能够准确估计出群目标中各目标的状态、个数以及子群的个数,并且能获得目标的航迹估计.

闪烁噪声统计特性未知情况下的鲁棒广义标签多伯努利滤波器

为了解决闪烁噪声统计特性未知情况下的多目标跟踪问题,提出一种鲁棒广义标签多伯努利(Generalized Labeled Multi⁃Bernoulli,GLMB)滤波器.该滤波器采用均值未知且时变的多维Student’s t分布对统计特性未知的闪烁噪声进行建模.它放宽了闪烁噪声均值为零的限制性假设,可以自适应地处理闪烁噪声均值未知且时变条件下的多目标跟踪问题.本文在GLMB滤波框架下,利用变分贝叶斯方法对增广状态中的参数进行变分迭代,并通过最小化Kullback⁃Leibler散度得到边缘似然函数的近似解.仿真结果表明,在闪烁噪声统计特性未知的情况下,所提滤波器能有效地对多目标进行跟踪.

基于交互多模型的分组δ-广义标签多伯努利算法

为了解决马尔科夫跳变系统广义标签多伯努利滤波器在多机动目标跟踪场景需要计算大量模式假设分支,并且需要频繁对假设分支进行剪枝,导致算法存在计算量过高并且影响跟踪精度的问题,提出一种基于交互多模型的分组δ-广义标签多伯努利滤波器。滤波器采用航迹分组策略,不同组的航迹独立进行关联映射与分支权重计算,降低了关联的计算复杂度,可以实现不同航迹组之间并行滤波。另外,为了处理机动目标场景引入交互多模型,给出基于交互多模型的分组滤波递推方程。仿真结果表明,所提出的滤波器跟踪精度更高,计算速度更快,可以用于跟踪多个机动目标的场景。

多模型广义标签多伯努利滤波器

标准广义标签多伯努利算法没有对目标状态转移密度进行深入分析,在带入确定运动模型的情况下无法对机动目标进行跟踪。针对这个问题,参考基于马尔可夫跳变分支合并策略的多模型算法,提出了交互多模型广义标签多伯努利算法、一阶广义伪贝叶斯广义标签多伯努利算法,以及二阶广义伪贝叶斯广义标签多伯努利算法,并将这三种多模型算法与同样针对机动多目标的马尔可夫跳变系统广义标签多伯努利算法进行比较。仿真结果表明,与马尔可夫跳变系统广义标签多伯努利算法相比,所提三种算法具有更低的计算时间消耗和更高的跟踪精度。其中,一阶广义伪贝叶斯广义标签多伯努利算法计算时间消耗最低,二阶广义伪贝叶斯广义标签多伯努利算法跟踪精度最高,交互多模型广义标签多伯努利算法综合性能最好。

基于联合GLMB滤波器的可分辨群目标跟踪

针对联合广义标签多伯努利(joint generalized labeled multi-Bernoulli, J-GLMB)滤波算法中群目标之间距离较近、容易关联错误的问题,结合超图匹配(hypergraph matching, HGM)提出一种基于HGM-J-GLMB滤波器的可分辨群目标跟踪算法。首先,采用J-GLMB滤波器估计群内各目标的状态、数目及轨迹信息,并利用HGM结果提升量测与预测状态之间的关联性能。其次,通过图理论计算邻接矩阵,获取群结构信息和子群数目。随后,利用群结构信息估计协作噪声,进而校正目标的预测状态。最后,通过平滑算法改善滤波效果,并设置轨迹长度阈值,使其在平滑状态达到消除短轨迹的目的。仿真实验表明,所提算法在线性系统下能有效提升群目标跟踪性能。

非线性量测下的机动多目标跟踪

为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过去相关无偏量测转换实现位置量测从极坐标系到笛卡尔坐标系的无偏转换,并通过预测值去除量测误差和其协方差的相关性造成的滤波估计偏差,实现了非线性场景下的机动多目标跟踪;然后,通过航迹和量测的关联新息以及目标的机动约束构建联合波门,降低了杂波量测的数量;最后引入改进的模糊算法,以目标的模型后验概率为输入,根据模型的分离程度自适应调节运动模型的过程噪声,增加滤波精度。研究结果表明:在杂波环境下,通过与CKF-JMS-δ-GLMB、CKF-IMM-δ-GLMB等非线性多模型滤波器对比,所提算法计算时间较小,且跟踪精度更高,鲁棒性强。所提算法避免了传统的非线性处理方式计算量较大的问题,并且具有较好的杂波抑制特性,提升了非线性量测下机动多目标跟踪的性能。

基于GLMB滤波的复杂场景下红外弱小目标自适应跟踪算法

针对红外弱小目标在复杂场景下受到漏检和杂波影响,导致跟踪不连续甚至失效的问题,本文提出一种红外弱小目标自适应跟踪算法。在预处理阶段,为了减少不必要的计算,首先定义一种衡量图像复杂度的算法。然后该算法通过计算红外图像多个特征得到场景复杂度来确认场景类型,再根据场景类型选取对应的检测算法提取目标候选位置、灰度以及局部直方图等特征建立对应的量测模型与似然函数。在目标跟踪阶段,为了自适应地匹配广义标签多伯努利(Generalized Labeled Multi-Bernoulli,GLMB)滤波器的滤波参数,在GLMB的基础上提出一种适应视频图像的新生算法进行航迹起始;针对红外图像序列目标检测概率未知的情况,将未知检测概率的基数化概率假设密度(Cardinality Probability Hypothesis Density,CPHD)滤波器集成到GLMB中实时估计目标检测概率以提升跟踪精度。仿真结果表明,所提出算法能有效地排除量测漏检和虚警的干扰,跟踪不同红外复杂场景下的弱小目标。

多普勒雷达下的机动多目标跟踪算法

针对多普勒雷达在跟踪机动多目标过程中由于多普勒盲区(DBZ)造成量测丢失、对跟踪器性能产生严重影响这一问题,提出将最小可检测速度(MDV)带入到交互多模型广义标签多伯努利(IMM-GLMB)滤波器中,利用MDV信息抑制DBZ对跟踪器的影响。首先,通过采用基于马尔科夫分支合并策略的交互多模型(IMM)算法,解决单一运动模型的情况下无法跟踪机动目标的问题;其次,将并入MDV信息的检测概率模型带入IMM-GLMB滤波器的更新方程中,并给出了详细实现过程,利用MDV和多普勒信息来改善跟踪器性能;最后,面对目前算法需要固定航迹起始位置才可以进行跟踪的问题,提出了一种适用于广义标签多伯努利(GLMB)滤波器的自适应航迹起始算法。仿真结果表明,所提出的滤波算法在不同宽度的DBZ下都具有更好的性能表现,尤其在DBZ较小时,对滤波器的性能基本没有影响,并且所提算法在单步运行时间上有34%的提升。

基于单声矢量传声器虚拟扩展的多机动声目标跟踪算法

为解决单声矢量传声器(Acoustic vector sensor,AVS)可跟踪声目标数目少、跟踪性能差的问题,提出了基于AVS虚拟扩展的多机动声目标跟踪算法.首先,引入高阶累积量预处理过程并建立高阶似然函数,不仅能够抑制高斯噪声、提高估计精度,还可通过AVS的虚拟扩展增加可跟踪目标数目.然后,在边缘化δ广义标签多伯努利(Marginalizedδ-generalized label multi-bernoulli,Mδ-GLMB)滤波框架下,提出了基于累积量的增广运动模型状态的Mδ-GLMB(Cumulants-based augumented motion model state Mδ-GLMB,Cum-AMMS-GLMB)算法.算法引入多种运动模型,并将表征不同模型的索引标号作为目标状态的增广参数,通过各模型间的加权混合获取优于单一运动模型的跟踪性能.除此之外,算法的序贯蒙特卡洛(Sequential Monte Carlo,SMC)实现过程中,依据高阶预处理获得的归一化空间谱拟合检测概率函数,抑制了杂波向可用粒子扩展,进一步增强了高似然区域的粒子.最后,推导了AVS目标跟踪的后验克拉美罗下界(Posterior cram e’r-rao lower bound,PCRLB),并通过仿真实验验证了算法的量测噪声抑制能力和声目标跟踪性能.

一步数据关联GLMB扩展目标跟踪算法

针对传统的扩展目标跟踪算法在目标近邻场景中由于量测不可分导致跟踪性能下降的问题,提出了一种基于一步数据关联的扩展目标跟踪算法。该算法用乘性噪声模型对目标进行建模,将联合概率数据关联理论中的一步数据关联处理方法与广义标签多伯努利滤波器相结合,实现在量测难以划分情况下的多扩展目标跟踪。仿真实验表明,该算法能够在交叉、近邻场景中实现对目标的有效跟踪,并且在估计精度方面优于传统的基于量测划分的扩展目标跟踪算法。

基于箱粒子滤波的混合标签多伯努利跟踪算法

针对标签多伯努利滤波器在目标处于近邻或目标量测与轨迹关联模糊情况下,更新步中由于近似产生信息丢失,导致跟踪效果下降的问题,引入区间分析技术,结合标签多伯努利滤波器及广义标签多伯努利滤波器各自的优势,提出一种箱粒子滤波下的混合标签多伯努利跟踪算法.建立两种滤波器的参数模型,通过Kullback Leibler散度和熵两项评定标准在两种滤波器间进行切换,在特殊环境中使用广义标签多伯努利滤波器提高跟踪性能,在其他环境中使用标签多伯努利滤波器近似降低算法的复杂度,提高运算效率;同时基于箱粒子滤波实现混合标签多伯努利算法.仿真实验表明,在特定环境中,与原有滤波算法相比,所提出的改进算法在保证计算效率的同时,可提高跟踪的精确度及稳定性.

面向毫米波雷达路侧交通监测的时变滤波器参数估计模型

随着自动驾驶、智能交通的发展,跟踪算法成为热点问题。本文主要针对的是在毫米波雷达路侧交通场景中通过对广义标签多伯努利滤波器(Generalized Labeled Multi-Bernoulli Filter,GLMB)参数估计从而保证滤波器在时变交通监测中目标跟踪的性能。参数选择是制约滤波器性能的主要因素之一,掌握其特性,具有十分重要的意义。传统的跟踪滤波会在特定的场景中使用一套固定的参数,当场景变化时,滤波器参数无法及时调整,导致跟踪性能降低。针对该问题,本文将长短期记忆神经网络(Long Short Term Memory network,LSTM)引入GLMB滤波器参数估计领域,通过雷达数据训练神经网络,使其具备对滤波器参数估计能力。使用毫米波雷达数据构建的数据集训练神经网络,训练完成后将使用测试数据集验证神经网络对参数估计结果。不同交通场景的雷达实测数据验证结果表明,与人为设定的固定参数方法相比,该方法可以使滤波器在时变交通监测中及时对参数进行估计与调优,提升了GLMB滤波器目标跟踪的性能。

基于均方根容积卡尔曼的δ-GLMB多目标跟踪算法

在非线性高杂波密度场景下,高斯混合(Gaussian Mixture,GM)实现的δ-广义标签多伯努利滤波器(δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB)难以准确地估计目标数目及运动状态。针对这一问题,提出基于均方根容积卡尔曼滤波(Square-rooted Cubature Kalman Filter,SCKF)的δ-GLMB高斯混合实现算法。基于三阶球面-径向容积准则选取一组等权的容积点集,对GM-δ-GLMB滤波器的伯努利分量传递过程中的高斯参量进行预测及更新,实现非线性模型系统下的目标跟踪。仿真结果表明,与现有的δ-GLMB滤波器的扩展卡尔曼滤波(Extended Kalman Filter,EKF)高斯混合实现及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)高斯混合实现相比,该算法可提高非线性高杂波密度环境下的目标跟踪精度。

基于δ-GLMB自适应门限判定的多量测目标跟踪算法

针对实际复杂交通场景中毫米波雷达能从单目标上获得多个量测导致广义标签多伯努利(δ-Generalized labelled multi-Bernoulli,δ-GLMB)滤波算法的多目标跟踪结果中出现单目标有多条轨迹等问题,提出了一种在δ-GLMB跟踪结果的基础上加入自适应门限判定的改进算法。首先,通过δ-GLMB滤波器对场景中目标进行跟踪,然后通过自适应门限判定方法实现目标多余轨迹点的删除和属于同目标的轨迹的标签统一。本文使用77 GHz毫米波雷达对实际交通场景的监测数据进行了实验,结果表明本文提出的方法在目标个数估计准确率上有显著提高,对实际交通数据的鲁棒性更好。

面向方位历程交叉场景的多目标检测前跟踪方法

针对传统先检测后跟踪方法在多目标方位历程交叉时存在轨迹中断或者误跟的问题,提出了一种基于广义标签多伯努利滤波的多目标检测前跟踪方法。该算法直接利用声呐基阵接收数据构造的协方差矩阵作为观测,无需波束形成等预处理技术,构建了轨迹新生、消亡、演变及观测过程的概率模型,并通过原理性近似消除了更新步骤的多维积分运算,实现了联合多目标检测、方位跟踪与航迹管理。仿真结果表明,所提算法不仅能够准确估计目标数量,并且在方位历程交叉时也能连续、稳定地的输出多目标方位轨迹,同时在低信噪比(−18 dB)条件下具备较高的跟踪精度。海底线阵试验数据也验证了所提算法性能。