基于联合似然函数的多扩展目标广义标签多伯努利滤波器

高分辨率雷达监视系统可观测到区域内不同形状的多个扩展目标,可靠的形状估计有利于提高扩展目标跟踪性能,并可作为战场态势评估的重要依据。该文针对不同形状多扩展目标跟踪问题,提出一种基于联合似然函数的广义标签多伯努利(JL-GLMB)滤波器,可实现目标数目、航迹以及形状的精确估计。首先,将目标形状建模为星凸集,并利用非线性量测变换滤波器更新GLMB分布中的高斯分量,有效提高扩展目标状态估计精度。然后,通过对数加权融合策略,构造联合似然函数,综合衡量扩展目标和量测单元之间的相似程度。最后,基于吉布斯采样,提出快速计算扩展目标状态后验概率密度的方法,有效提高数据关联的准确率和计算效率。仿真实验结果表明,所提滤波器能够有效估计不同形状的多扩展目标状态,且在杂波环境下具有稳定的势估计。

高斯过程回归的CPHD扩展目标跟踪

针对现有扩展目标跟踪算法中,形状估计复杂,在考虑漏检及杂波情况下目标跟踪精度不高等问题,提出了一种基于高斯过程回归的伽玛高斯混合势概率假设密度扩展目标跟踪算法.该算法采用星凸模型对目标进行建模,在伽玛高斯混合势概率假设密度滤波器对扩展目标运动状态估计良好的基础上,利用高斯过程回归对目标形状进行估计,实现了对扩展目标的有效跟踪.实验仿真表明,所提算法能够对目标的运动状态进行高效跟踪,且在扩展形状的估计精度、计算速度等方面要优于基于星凸随机超曲面的伽玛高斯混合势概率假设密度滤波器.

高斯过程回归下的多机动扩展目标跟踪

针对现有多机动扩展目标跟踪算法中形状估计复杂,在考虑杂波的情况下目标跟踪精度不高等问题,提出了一种高斯过程回归下的多机动扩展目标跟踪算法.该算法采用星凸模型对目标进行建模,在单机动扩展目标跟踪算法的基础上引入多目标跟踪算法中的权值参数以实现对多目标的处理,同时利用高斯过程回归对目标形状进行估计.实验仿真表明,所提算法能够对同一场景下多个不同形状的机动扩展目标进行有效跟踪,并且在计算速度、估计精度等方面要优于传统非椭圆机动扩展目标跟踪算法.

高斯过程回归下的扩展目标高斯粒子滤波算法

针对扩展目标外形估计复杂、基于随机超曲面的扩展目标卡尔曼滤波器跟踪稳定性差的问题,提出一种高斯过程回归下的扩展目标高斯粒子滤波算法。该算法采用星凸模型对扩展目标进行建模,通过高斯过程在线学习扩展目标外形;同时基于高斯粒子滤波器鲁棒性强,较好解决粒子退化的特性,对目标的运动状态进行跟踪。仿真实验表明,对任意未知形状的目标,所提算法都能很好的给出其扩展形态,且对目标跟踪精度及稳定性都有很大的提高。