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。

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。

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。

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.