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.

基于高斯过程的多机动扩展目标跟踪

针对杂波环境下多机动扩展目标跟踪问题,提出一种基于高斯过程的变结构多模型联合概率数据关联方法.首先,采用期望模型扩展方法构建自适应模型集,并对各个扩展目标状态进行初始化.其次,基于高斯过程建立联合跟踪门以选择有效量测,形成联合关联矩阵.然后,拆分联合关联矩阵得到可行关联矩阵并求解关联事件概率.最后,利用联合概率数据关联滤波器更新各个扩展目标的状态和协方差,并将更新的状态进行融合,得到最终的状态估计.仿真验证了所提方法的有效性.

基于高精度传感器量测的机动扩展目标建模与跟踪

现代传感器分辨能力的大幅提升使得观测对象不再被认为是点目标,而是具有一定形态的扩展目标。传统上基于点目标假设所取得的建模与状态估计研究成果已不再适用于现今许多的实际应用场景,特别是当扩展目标发生机动时,其运动状态和扩展形态(形状和朝向)往往同时发生突变,且二者具有紧密的耦合关系。为了解决这一问题,对扩展目标机动过程的不确定性、整体机动演化形式及其耦合性展开研究,建立起通用的机动扩展目标混合系统建模框架。结果表明:利用所提模型的线性形式,可以很便利地推导出一种高效的机动扩展目标运动状态和扩展形态联合估计算法;不同场景内的仿真和性能评估结果验证了所提建模和跟踪方法的有效性。

基于ET-EMIE-GMPHD的机动目标跟踪及航迹关联

针对杂波环境下扩展目标高斯混合PHD滤波器不能有效跟踪机动目标且无法提供航迹信息的问题,引入一种改进的输入估计算法,通过指数渐消因子对滤波增益进行调整,实现对强机动目标的自适应跟踪。同时通过构造距离矩阵提出一种改进的航迹关联算法,减少了密集目标错误关联的概率。实验结果表明,所提算法具有很好的跟踪精度,同时能够正确给出密集扩展目标的航迹信息,具有较强的抗干扰性和鲁棒性。