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。

基于JMS-SMC-PHD滤波的检测前跟踪算法

针对低信噪比条件下机动目标的检测与跟踪问题,提出跳跃马尔可夫系统下的序贯蒙特卡罗概率假设密度(JMS-SMC-PHD)滤波的检测前跟踪算法。该算法在机动目标数目和模型未知情况下,直接利用红外传感器量测数据,通过在目标状态矢量中增加模型变量并利用马尔可夫模型概率转移矩阵结合序贯蒙特卡罗概率假设密度(SMC-PHD)滤波,实现机动弱小目标的检测前跟踪。仿真结果表明所提方法可以有效地实现目标的检测与跟踪。

低SNR场景下微型无人机跟踪-检测融合方法

针对低信噪比(SNR)场景下微型无人机探测难题,本文提出了一种基于序贯蒙特卡罗-检测前跟踪(SMC-TBD)的多输入多输出雷达目标跟踪-检测融合方法。区别于跟踪和检测过程相互独立的传统方法,本文方法直接利用三维傅里叶变换后未经阈值处理的雷达原始数据,通过SMC方法计算目标累积存在概率,在实现微型无人机连续检测的同时,完成目标轨迹的高精度跟踪。本文方法的创新在于通过融合检测和跟踪过程,实现了时间-距离-多普勒-方位域目标能量累积,提高了低SNR场景下微型无人机探测性能。实验结果表明,本文方法在SNR低于-20 dB时,微型无人机跟踪性能才逐渐恶化,相比于雷达量测、扩展卡尔曼滤波和粒子滤波提升了约8 dB。

采用多伯努利滤波器的过采样点目标检测前跟踪

为了提高过采样体制下点目标的探测能力,提出了基于多伯努利滤波器的过采样点目标检测前跟踪方法。分析了时空过采样体制的成像过程,给出了时空过采样体制下的点目标成像模型,并将过采样观测过程等效建模为多个单采样线阵同时观测的过程。利用提出的模型,将单采样条件下的图像处理方法自然地扩展到过采样条件下。然后,根据等效观测模型,给出了针对过采样点目标的多伯努利预测和更新过程,并用序贯蒙特卡罗的方式实现了该检测前跟踪方法。最后,通过仿真实验验证了本文算法的有效性。实验结果表明:本文提出的方法能够在图像信噪比≥3的条件下,有效检测和跟踪过采样体制下的多个点目标,目标估计误差≤0.25pixel;与单采样检测前跟踪相比,过采样检测前跟踪能够探测目标能量更弱的小目标。因此,本文方法能够满足高精度天基点目标检测跟踪的需求。