基于航迹概率假设密度的多传感器多目标跟踪

针对基于概率假设密度(probability hypothesis density,PHD)的分布式多传感器多目标跟踪(distributed multi-sensor multi-target tracking,DMMT)存在无法形成航迹、计算复杂度高、目标漏检等问题。本文基于航迹PHD后验估计提出了一种DMMT方法。为此,首先构建了各节点估计航迹间相似性度量矩阵,并采用匈牙利算法实现最优航迹匹配;其次采用协方差逆准则对关联航迹实现并行融合;最后基于概率生成泛函推导了一种鲁棒的DMMT方法。仿真实验验证了所提算法在目标状态估计精度、计算有效性和实时性方面的优势。

基于广义概率假设密度的多目标运动估计方法研究

面向空对空作业的发展需求,提出了一种基于广义概率假设密度的多目标运动估计方法。在Faster-RCNN方法基础上引入多尺度分析,并利用改进K-means方法对观测目标进行粗聚类,以此为前置输入,提出了基于广义泊松分布的概率假设密度滤波器,将聚类信息纳入滤波估计的权重更新中,增强了对变阵群目标的跟踪时效性。仿真结果表明,本文方法在没有初始聚类信息的先验知识下,依然能够完成对多目标的识别分类与跟踪,且精度优于现有的集群目标运动估计方法。

无源声呐水下多目标融合跟踪方法

针对海洋环境噪声导致弱目标在不同子频带检测结果差异较大,致使以全频带探测结果为输入的跟踪算法出现性能退化的问题,提出一种子带融合跟踪方法。该方法利用改进的高斯混合概率假设密度滤波器对各频率子带输出的方位估计结果进行跟踪,并采用广义协方差交集准则对子带跟踪结果进行融合,以获得综合各子带信息的跟踪结果。仿真结果表明,所提方法可以提高弱目标在各子带信噪比不均衡情况下的跟踪能力,且运算时间与对比方法较为接近。海试数据处理结果进一步验证了所提方法的有效性。

计算高效的分布式多传感器PHD融合方法

基于广义协方差交集(GCI)融合理论,提出一种计算高效的分布式多传感器多目标跟踪算法,其中概率假设密度(PHD)滤波器在每个传感器节点运行,进行滤波处理。GCI用于融合多个PHD时,融合密度包括大量融合假设,这些假设随着高斯分量的数量增加呈指数增长。因此,GCI融合在实际运行中往往难以计算。为了提高多传感器融合的运算效率,文中通过距离度量将高斯分量聚类,然后进行孤立。距离度量可计算出目标融合后的密度权重,丢弃权重可忽略不计的融合假设,就能够构建简化的近似密度函数。分析表明,所提出的融合算法相较于传统的GCI融合算法,计算效率能够呈倍数提升。在先后出现12个目标的仿真场景中,通过实验验证了所提融合算法的有效性。

基于概率假设密度的多目标视频跟踪算法

研究目标数变化的多目标视频跟踪问题.首先阐述了概率假设密度(PHD)滤波的基本原理;然后给出序列图像多目标跟踪系统的运动目标检测算法、状态方程、观测方程以及基于高斯混合概率假设密度(GM-PHD)的多目标视频跟踪算法的具体实现.该算法有效解决了新目标出现、目标合并、目标分裂及目标消失等多目标跟踪问题.实验结果表明,该算法在复杂场景下具有较强的鲁棒性,能有效实现目标数变化的多目标视频跟踪.

雷达与ESM综合多目标检测、跟踪与识别

为在预警监视系统中对多目标的检测、跟踪、识别过程进行统一处理,提出一种基于跳转马尔可夫系统模型高斯混合概率假设密度滤波(jump Markov system model Gaussian mixture probability hypothesis density filtering,JMS-GMPHDF)算法的雷达、电子支援措施(electronic support measures,ESM)综合多目标检测、跟踪与识别方法。该方法首先根据不同类别目标设计各自的多目标多模型高斯混合概率假设密度滤波器,并在各滤波器处理过程中同时对高斯项进行编号;然后,根据目标速度与加速度模型信息进行高斯项综合与类别判决,同时根据ESM测量信息进行型号判决;最后,通过航迹综合管理,形成具有运动状态信息以及类别、型号、航迹编号信息的确定航迹。仿真实验验证了该方法能够有效综合雷达、ESM测量数据,在进行多目标检测、跟踪的同时进行正确的类别、型号判决,并形成确定航迹。

基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息,基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法,提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中,对各高斯项编号,进行航迹提取,在滤波处理的同时形成带有航迹编号的明确航迹,并进行航迹管理;同时,根据目标运动模型,联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时,对目标航迹进行有效类型识别.

基于GEM-PHD粒子滤波的移动定位自更新传播算法

为了实现无线传感器网络(Wireless Sensor Networks,WSN)中移动节点的实时动态定位和更新,提出了一种基于广义运动概率假设密度粒子滤波的移动定位自更新传播算法,该算法利用锚节点作为观测者探测周围环境中存在的未知节点,收集探测到的信息,利用广义运动概率假设密度粒子滤波算法对未知节点定位。基于反向定位策略选择未知节点的最优位置,将已获得定位信息的节点升级为虚锚节点继续对周围邻居节点实施定位,再进行定位传播和位置更新,最终实现全网络移动节点实时定位和位置更新。仿真结果表明,在锚节点单一存在时,所提算法可以预估未知节点的位置,且定位精度高,可以对整个移动群体进行实时定位。