新生目标强度未知的单量测PHD滤波器

自适应新生目标强度PHD滤波器(PHD-M)在目标漏检时易发生错估或漏估,从而导致滤波器估计性能下降.为解决这一问题,提出了一种新生目标强度未知的单量测(single measurement)PHD滤波器(PHD-SM)并给出了其粒子实现方式.该文首先通过构建一步虚拟量测对漏检目标进行补偿,然后基于单量测PHD分解技术推导了PHD预测和更新公式,最后设计了一种无须聚类操作的多目标状态估计方法.仿真实验表明,在当检测概率PD较小时,PHD-SM滤波器估计性能优于PHD-M滤波器,且检测概率越小,性能优势越明显.

基于自适应新生目标强度的概率假设密度滤波

针对概率假设密度滤波器(Probability Hypothesis Density,PHD)无法跟踪未知起始位置新生目标的问题,提出一种具有自适应新生目标强度的PHD滤波器。采用航迹起始技术检测新生目标的位置,根据检测位置构造新生目标强度函数,提出新生目标强度的在线估计算法。在PHD滤波框架下,引入新生目标强度更新机制,采用更新的新生目标强度完成PHD滤波的递推,并给出了基于自适应新生目标强度PHD的高斯混合实现算法。仿真结果表明:该方法改进了PHD滤波的多目标跟踪性能,能够有效跟踪任意时刻未知位置的新生目标。

未知新生目标强度的多目标概率假设密度滤波算法

针对标准概率假设密度滤波器要求,新生目标强度作为先验信息需已知的工程限制,提出一种未知新生目标强度的多目标概率假设密度算法。该算法以概率假设密度滤波器为基础,通过充分利用目标运动信息及其与监视区域的相对关系来获取源于潜在新生目标的量测,并以此建模下一时刻滤波器所需的新生目标强度。仿真结果表明,所提算法在含有未知新生目标跟踪场景具有鲁棒的滤波性能,且其跟踪精度和计算代价均优于相关多目标PHD滤波器。

基于阈值修正的自适应新生目标状态提取

传统的多目标跟踪算法采取在量测附近进行粒子采样来近似表示新生目标,虽然这种方法有一定的可操作性,但在量测似然较大时,该量测更有可能来自存活目标。对此,采用自适应新生目标粒子PHD滤波方法,这种方法将存活目标和新生目标作为两个不同的部分分别进行滤波。同时,由于聚类K均值算法进行PHD状态提取时对初始粒子的选取有很强的依赖性,并且容易受到噪声的干扰,影响状态提取的结果,为了解决这个问题,在自适应新生目标强度PHD滤波的基础之上,设置阈值筛选权值较大的粒子进行归一化处理,这种方法大大简化了目标状态提取的过程,进一步提高了滤波的精度。

基于量测驱动新生目标强度估计的PHD滤波算法

针对多目标跟踪中存在的新生目标强度未知的问题,提出一种基于量测驱动新生目标强度估计的PHD(MDTBI-PHD)滤波算法。该算法采用增广状态空间方法,在由真实目标状态与虚拟目标(杂波)状态构成的增广状态空间上实现PHD多目标跟踪。算法通过构造新生目标量测集,采用量测驱动的方式对新生目标强度进行估计,从而避免了对新生目标强度先验知识的依赖,同时,该算法也避免了未知杂波对真实目标强度估计的干扰。仿真结果表明,该算法在新生目标强度未知的情况下,具有对目标数目变化敏感的优势,可降低计算复杂度,明显提高跟踪精度。

基于泊松多伯努利混合滤波器的新生目标跟踪

针对概率假设密度滤波器对新生目标的跟踪需要假设新生目标先验已知,其先验假设不合理,提出一种基于泊松多伯努利混合滤波器的新生目标跟踪方法。该方法根据泊松多伯努利混合滤波器共轭先验性质,获得当前量测为泊松过程和多伯努利混合过程的线性组成,并且将量测分别建立成新生目标量测和存活目标量测。以广义最优模式分配函数作为算法检测标准,实验结果表明,该方法对新生目标数目和目标位置的估计准确性均有较大提高。

新生参数未知的ET-GM-PHD编队目标跟踪方法

为了解决多个编队在新生目标参数不明确背景下的目标跟踪问题,提出了一种新生目标相关参数未知的编队目标跟踪算法,它可以有效地提高跟踪性能,从而更好地满足需求。通过采用高斯混合概率假设密度(ET-GM-PHD)滤波框架,对PHD参数进行预测,进而分析各个高斯分量之间的相关性,从而筛选出最优的量测集合,最终消除大多数的噪声干扰。再利用在编队目标运动区域内量测分布密集的特性,通过目标检测方法找到其位置并跟踪。最后,仿真实验表明,在新生目标相关参数未知的情况下,提出的方法能够快速有效地跟踪编队目标,具有较好的跟踪性能。

基于自适应新生强度的多传感器多目标跟踪算法

对于存在噪声、杂波和漏检等不确定性因素的目标跟踪,多传感器概率假设密度滤波器通过多个传感器获取不同数目的量测,可以实现估计目标状态及其数目。然而,该滤波器的性能受制于新生目标强度的精确度。通过利用不同传感器的量测集迭代计算新生目标强度,提出一种基于自适应新生强度的多传感器多目标跟踪算法,以解决未知新生目标强度跟踪场景下概率假设密度滤波器的跟踪精度。数值结果表明,在均匀新生目标场景下所提算法具有较高的目标状态和数目估计精度。

基于场景边缘优化的自适应新生强度JLMB滤波器

雷达多目标的有效检测与跟踪一直是雷达领域的研究热点,在多目标跟踪过程中存在诸多因素影响着跟踪算法的性能。本文针对雷达多目标跟踪问题中的未知目标新生问题,基于JLMB滤波器,结合场景边缘优化,提出了一种适用于线性高斯条件下的自适应目标新生强度估计方法,该方法针对雷达长时间持续监测高概率监测场景,以实际应用场景为牵引,通过融入监测区域以及目标状态的部分先验信息,将监测区域考虑为目标新生考量区域与非目标新生考量区域,并针对目标新生考量区强化目标新生过程,同时剔除来自非目标新生考量区域的杂波干扰,以此达到提升目标跟踪性能和算法处理效率的目的。最后通过实验仿真与结果分析验证了所提算法的有效性。

新生目标强度未知的双门限粒子PHD滤波器

传统粒子概率假设密度(PHD)滤波器假定新生目标强度已知,当新生目标在整个观测区域随机出现时不再适用。为解决新生目标强度未知时的多目标跟踪问题,提出了一种基于量测信息的双门限粒子PHD(PHD-DT)滤波器。首先基于似然函数设定门限对存活目标量测进行粗提取,利用上一时刻的目标估计值构建圆形波门进行精细提取,并对门限设定方法进行分析,然后根据提取结果对目标PHD进行分解,得到存活目标和新生目标的PHD预测及更新表达式,最后给出了滤波器的实现方法并同基于量测驱动的PHD(PHD-M)滤波器和Logic+联合概率数据互联(JPDA)方法进行了仿真对比。仿真结果表明,在新生目标强度未知时,PHD-DT可有效避免Logic+JPDA在杂波背景下因航迹起始错误带来的估计误差,并较好地解决了PHD-M的目标数目过估问题,多目标估计性能更优,且杂波越强性能优势越明显。

新生强度未知情形下多目标跟踪改进算法

基于概率假设密度滤波框架的自适应新生强度(MAB-PHD)算法能有效解决新生区域未知情形下多目标跟踪问题。针对MAB-PHD在强杂波环境下势估计不准、跟踪精度低的问题,论文提出了一种基于隶属度函数的改进算法。该算法利用测量值后验信息,通过似然函数估计测量值属于新生目标的隶属度,并将其作为新生分量权重,同时结合新的预测和更新方程,降低了目标估计强度中包含的虚警信息,提高了跟踪性能。仿真结果表明,所提算法在目标状态和数目估计方面性能均优于现有算法。

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。

新生儿目标性检测在病区一级质控中的应用探讨

目的新生儿科医院感染目标性检测与新生儿科病区一级质控结合,便于院感控制工作在工作中落实,探讨新生儿科/NICU院内感染有效的预防与控制措施。方法按《医院感染监测规范》中新生儿病房医院感染监测的内容,对NICU2011年1月1日—2012年12月31日所有住院新生儿进行目标性监测,对监测结果进行统计分析,2012年1月1日新生儿科医院感染目标性检测纳入新生儿科病区一级质控,按照病区一级质控项目持续改进,追踪。结果 2011年监测新生儿872例,医院感染66例,科室医院感染发病率7.2%;2012年监测新生儿1119例,医院感染35例,科室医院感染发病率3.1%,效果明显。结论新生儿科医院感染目标性检测与病区一级质控结合,便于院感控制工作在工作中落实,能起到新生儿科/NICU院内感染有效的预防与控制。

组网无源雷达高速多目标初始化及跟踪算法

针对无源相参雷达系统多个高速机动目标跟踪问题,提出一种扩展的多模型概率假设密度滤波器的粒子滤波实现方法.传统的多模型概率假设密度滤波器假定新生目标的强度函数先验已知,但是无源雷达背景下新生目标可在监视区域任意位置出现,且速度取值范围大,此时传统方法失效.基于传统多模型概率假设密度滤波器,利用各时刻远离多目标状态估计的定位结果,自适应初始化各时刻新出现的目标,有效跟踪多个高速机动目标.仿真实验验证了该方法的有效性.

检测优化的多伯努利视频多目标跟踪算法

针对多伯努利滤波方法在多目标跟踪时,难以检测新生目标,且当目标出现互相遮挡等干扰时,跟踪精度下降,甚至出现目标漏跟,以及当漏跟目标被重新跟踪后,与之前运动轨迹难以关联等问题,在多伯努利滤波框架下,引入YOLOv3检测算法,并采用卷积特征对目标进行描述,计算相邻帧目标的相似度矩阵,设计新生目标识别和漏跟目标的重识别策略,以实现对目标新生判别和漏跟目标的连续估计;此外,在模板更新时,融合高置信度检测框,提出遮挡目标处理机制,有效提高目标跟踪精度。最后,采用标准数据集中具有挑战性的视频序列进行算法测试,结果表明,提出算法能有效识别新生目标和漏跟目标,实现对视频多目标轨迹的连续跟踪。

面向扩展目标跟踪的网格聚类量测划分方法

针对扩展目标跟踪中量测集划分困难及目标数目估计不准的问题,提出了一种面向扩展目标跟踪的网格聚类量测集划分方法。首先,由目标之间的时空关联性,将当前时刻的量测划分为存活目标量测与新生目标量测。然后,针对高斯混合概率假设密度滤波器与扩展目标高斯混合概率假设密度滤波器,分别推导出改进的模糊C均值算法与改进的网格聚类算法用于划分存活目标量测集与新生目标量测集。仿真结果表明本文方法可实现量测集的准确划分,有效完成扩展目标跟踪,避免了漏检与过检。

基于概率假设密度的目标数变化视频跟踪算法

针对概率假设密度(PHD)滤波无法跟踪未知起始位置新生目标的问题,提出一种基于新生目标强度检测的PHD跟踪框架.针对原高斯混合PHD无法确定目标航迹问题,在跟踪框架中设计了基于auction的"航迹-状态估计"关联算法,给出了航迹识别的数学表述和具体实现方法.然后,给出了变目标数的多目标跟踪框架的高斯混合实现方法.采用MATLAB编程实现了所提出算法,并使用因目标新生和遮挡导致目标数变化的2种行人数据库进行了验证试验.结果表明,新算法通过目标位置观测值更新新生目标的强度函数,提高了PHD滤波对新目标和遮挡目标的响应性,能够有效跟踪任意时刻未知位置的新生目标,并能够输出目标航迹,提高了多目标跟踪的目标数估计准确性,降低了跟踪误差.

基于ET-PHD的自适应联合跟踪与分类算法

针对新生目标强度先验未知的扩展目标(Extended target, ET)联合跟踪与分类(Joint tracking and classification,JTC)问题,提出一种基于扩展目标概率假设密度(Extended target-probability hypothesis density, ET-PHD)滤波器的自适应联合跟踪与分类算法,并给出其高斯混合实现方法.算法利用量测信息生成新生目标强度,在滤波预测阶段对存活目标和新生目标分别按照其类别进行传播,再引入属性量测信息,用位置和属性的联合量测似然函数代替单目标位置似然函数,对预测后所有目标强度进行联合更新,之后按照类别进行高斯项的删减与合并,提取相应类别目标的状态集.仿真结果表明,提出的自适应算法改进了概率假设密度滤波器在扩展目标跟踪中的性能.

网格驱动PHD/CPHD滤波多目标跟踪算法

针对传统PHD/CPHD (probability hypothesis density/cardinalized probability hypothesis density)滤波在对未知运动参数(如机动参数,过程噪声参数等)及未知新生目标等复杂环境下跟踪多目标时性能低的问题,提出了一种自适应网格驱动PHD/CPHD滤波算法.首先,对跟踪区域进行网格初始划分;然后,根据量测信息进行新生目标识别,并更新网格权重,根据权重进行网格区域收缩以提取目标状态;最后,提出依据目标速度进行网格扩张的方法,以自适应重新划分网格,达到对复杂环境下数目未知的多目标的自适应跟踪.实验结果表明,当新生目标与存活目标在理想距离范围内,所提算法能够实现对未知运动参数及未知新生目标的变数目多目标自适应跟踪,在平均OSPA (optimal sub-pattern assignment)距离和平均目标数估计方面,比传统粒子PHD滤波方法具有更好的跟踪性能.