基于标签多伯努利滤波器的机动小目标检测前跟踪

标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间,能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模,将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上,为了实现对运动模型时变目标的检测前跟踪,将交互式多模型(IMM)与LMB检测前跟踪算法相结合,提出IMM-LMB检测前跟踪算法.此外,给出了该算法的序贯蒙特卡罗实现.仿真结果表明,所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪,且能够在线更新多模型概率,更好的适应多机动目标场景.

高斯混合标签多伯努利滤波器的传感器控制策略

针对多目标跟踪优化中的传感器控制问题,提出一种基于高斯混合标签多伯努利滤波器的快速传感器控制策略,并将其用于基于目标威胁度评估的风险评估中.首先,给出高斯混合标签多伯努利滤波器的实现形式,并对两个高斯混合之间的柯西施瓦兹散度求解.其次,利用多伯努利部分替代传感器控制中标签多伯努利伪更新步骤,即在多伯努利更新过程中采用了去标签化处理,显著降低了传感器控制算法的复杂度.此外,在采用一般传感器控制方法的基础上,提出了以最大威胁度目标信息增益最大化为准则进行最终控制方案求解.仿真实验验证了所提算法的有效性和快速性.

箱粒子广义标签多伯努利滤波的目标跟踪算法

针对序列蒙特卡罗广义标签多伯努利滤波(SMC-GLMB)算法计算效率低、实时性差的问题,提出了箱粒子广义标签多伯努利滤波的目标跟踪(Box-GLMB)算法。该算法使用带标签的随机有限集描述多目标的状态,包括目标的位置和速度,并且对每个目标用互不相同的标签进行区分;然后利用箱粒子滤波算法近似单目标状态的概率密度,即用一组带权值的均匀分布拟合单目标状态概率密度;最后通过广义标签多伯努利滤波对多目标状态的概率密度进行预测与更新,从多目标状态后验概率密度中估计单目标的位置与速度,根据目标的标签可以实现航迹跟踪。BoxGLMB算法结合了箱粒子滤波与GLMB算法的优势,能够跟踪目标航迹,同时提高计算效率。仿真结果表明,Box-GLMB算法可以有效估计目标状态以及跟踪目标航迹,相比于SMC-GLMB算法,计算效率提升了62%。

基于广义标签多伯努利滤波的可分辨群目标跟踪算法

针对杂波条件下可分辨群目标的状态估计、目标个数与子群个数估计问题,提出了一种基于标签随机有限集(Label random finite set,L-RFS)框架下的可分辨群目标跟踪算法,该算法主要包括两个方面:可分辨多群目标动态建模和多群目标的跟踪估计.本文工作主要包括:1)结合图论中的邻接矩阵对可分辨群目标运动进行动态建模.2)利用基于L-RFS的广义标签多伯努利滤波(Generalizes label multi-Bernoulli,GLMB)算法对目标的状态和个数进行估计,并且通过估计邻接矩阵得到群的结构和个数估计.3)通过个数不同、结构不同的三个子群目标在二维平面分别做线性和非线性运动进行算法验证.仿真分析表明本文算法能够准确估计出群目标中各目标的状态、个数以及子群的个数,并且能获得目标的航迹估计.

闪烁噪声统计特性未知情况下的鲁棒广义标签多伯努利滤波器

为了解决闪烁噪声统计特性未知情况下的多目标跟踪问题,提出一种鲁棒广义标签多伯努利(Generalized Labeled Multi⁃Bernoulli,GLMB)滤波器.该滤波器采用均值未知且时变的多维Student’s t分布对统计特性未知的闪烁噪声进行建模.它放宽了闪烁噪声均值为零的限制性假设,可以自适应地处理闪烁噪声均值未知且时变条件下的多目标跟踪问题.本文在GLMB滤波框架下,利用变分贝叶斯方法对增广状态中的参数进行变分迭代,并通过最小化Kullback⁃Leibler散度得到边缘似然函数的近似解.仿真结果表明,在闪烁噪声统计特性未知的情况下,所提滤波器能有效地对多目标进行跟踪.

基于联合GLMB滤波器的可分辨群目标跟踪

针对联合广义标签多伯努利(joint generalized labeled multi-Bernoulli, J-GLMB)滤波算法中群目标之间距离较近、容易关联错误的问题,结合超图匹配(hypergraph matching, HGM)提出一种基于HGM-J-GLMB滤波器的可分辨群目标跟踪算法。首先,采用J-GLMB滤波器估计群内各目标的状态、数目及轨迹信息,并利用HGM结果提升量测与预测状态之间的关联性能。其次,通过图理论计算邻接矩阵,获取群结构信息和子群数目。随后,利用群结构信息估计协作噪声,进而校正目标的预测状态。最后,通过平滑算法改善滤波效果,并设置轨迹长度阈值,使其在平滑状态达到消除短轨迹的目的。仿真实验表明,所提算法在线性系统下能有效提升群目标跟踪性能。

检测优化的标签多伯努利视频多目标跟踪算法

在检测器与跟踪器结合的视频多目标跟踪算法中,检测器好坏将直接影响整个跟踪算法性能,尤其是检测器的漏检以及误检,会导致目标的漏跟以及误跟,增加碎片化轨迹以及身份标签变换次数增加的问题。针对这些问题,在标签多伯努利的滤波框架下,设计了新的量测驱动新生目标识别方法以更快速精准地捕获新生目标。设计了目标重识别方法,结合标签多伯努利算法能够在短时间内维持标签的不变性,减少了碎片化轨迹及标签跳变数。引入新的模板选取策略,以避免将被遮挡的目标加入到模板中污染模板。考虑到标签多伯努利滤波为在线推理算法,采用了并行化加快算法的运算效率。结果表明,在标签多伯努利的框架下,提出算法能够有效解决标签跳变以及目标被遮挡无法准确跟踪的问题,在具有挑战性的MOT17数据集上进行测试,与其他相关滤波方法进行比较,具有不错的跟踪效果。

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。

弱目标箱粒子标签多伯努利多目标检测与跟踪算法

针对红外弱目标跟踪问题,提出箱粒子标签多伯努利多目标检测与跟踪(Box Particle Labeled Multi-Bernoulli Detection And Tracking,BOX-LMB-DT)算法,该算法首先通过使用均值滤波对获得的灰度图像进行降噪处理;其次,通过将所有像素处依强度大小进行排序,选出强度较大的区域作为当前时刻的区间量测;最后利用箱粒子标签多伯努利滤波(Box-Labeled Multi-Bernoulli Filter,Box-LMB)器对目标进行跟踪.仿真结果表明,所提箱粒子标签多伯努利多目标检测与跟踪算法能够对多目标的航迹和状态进行稳定有效的跟踪,且在相同条件下,相较于区间量测下的LMB粒子滤波,达到相同的跟踪性能时BOX-LMB滤波运算效率提升了22. 59%.

交互式箱粒子标签多伯努利机动目标跟踪算法

针对多机动目标追踪问题,将交互式多模型(Interacting multiple model,IMM)思想与箱粒子标签多伯努利滤波器(Box-labeled multi-bernoulli filter,Box-LMB)相结合,提出交互式箱粒子标签多伯努利滤波器(IMM-Box-LMB)算法.该算法首先通过扩展多目标状态,引入模型匹配概率变量,并利用量测信息在预测阶段更新模型匹配概率,进而使用交互式多模型算法对每个箱粒子状态进行混合估计.其次,在更新阶段提出二次收缩算法,通过二次收缩算法使更新后的箱粒子具有更大的区间和存活概率,也更加接近真实目标位置,从而达到提升后续时刻箱粒子多样性的目的.仿真结果表明,二次收缩算法能够有效地提升箱粒子的多样性.将二次收缩算法应用于IMM-Box-LMB算法,能够在不同信噪比下稳定准确地估计机动目标的个数.相同条件下,与匀速直线运动(Constant velocity,CV)模型下的Box-LMB算法相比,IMM-Box-LMB算法能够对多机动目标的数目以及状态进行更加有效的估计.

基于交互多模型的分组δ-广义标签多伯努利算法

为了解决马尔科夫跳变系统广义标签多伯努利滤波器在多机动目标跟踪场景需要计算大量模式假设分支,并且需要频繁对假设分支进行剪枝,导致算法存在计算量过高并且影响跟踪精度的问题,提出一种基于交互多模型的分组δ-广义标签多伯努利滤波器。滤波器采用航迹分组策略,不同组的航迹独立进行关联映射与分支权重计算,降低了关联的计算复杂度,可以实现不同航迹组之间并行滤波。另外,为了处理机动目标场景引入交互多模型,给出基于交互多模型的分组滤波递推方程。仿真结果表明,所提出的滤波器跟踪精度更高,计算速度更快,可以用于跟踪多个机动目标的场景。

非线性量测下的机动多目标跟踪

为了解决非线性量测下机动多目标跟踪实时性差、跟踪误差大以及对杂波变化鲁棒性较差的问题,基于随机有限集理论,提出了一种采用量测转换和模糊算法改进的多模型δ-广义标签多伯努利滤波器。首先,推导了交互多模型的δ-GLMB滤波器,通过去相关无偏量测转换实现位置量测从极坐标系到笛卡尔坐标系的无偏转换,并通过预测值去除量测误差和其协方差的相关性造成的滤波估计偏差,实现了非线性场景下的机动多目标跟踪;然后,通过航迹和量测的关联新息以及目标的机动约束构建联合波门,降低了杂波量测的数量;最后引入改进的模糊算法,以目标的模型后验概率为输入,根据模型的分离程度自适应调节运动模型的过程噪声,增加滤波精度。研究结果表明:在杂波环境下,通过与CKF-JMS-δ-GLMB、CKF-IMM-δ-GLMB等非线性多模型滤波器对比,所提算法计算时间较小,且跟踪精度更高,鲁棒性强。所提算法避免了传统的非线性处理方式计算量较大的问题,并且具有较好的杂波抑制特性,提升了非线性量测下机动多目标跟踪的性能。

面向毫米波雷达路侧交通监测的时变滤波器参数估计模型

随着自动驾驶、智能交通的发展,跟踪算法成为热点问题。本文主要针对的是在毫米波雷达路侧交通场景中通过对广义标签多伯努利滤波器(Generalized Labeled Multi-Bernoulli Filter,GLMB)参数估计从而保证滤波器在时变交通监测中目标跟踪的性能。参数选择是制约滤波器性能的主要因素之一,掌握其特性,具有十分重要的意义。传统的跟踪滤波会在特定的场景中使用一套固定的参数,当场景变化时,滤波器参数无法及时调整,导致跟踪性能降低。针对该问题,本文将长短期记忆神经网络(Long Short Term Memory network,LSTM)引入GLMB滤波器参数估计领域,通过雷达数据训练神经网络,使其具备对滤波器参数估计能力。使用毫米波雷达数据构建的数据集训练神经网络,训练完成后将使用测试数据集验证神经网络对参数估计结果。不同交通场景的雷达实测数据验证结果表明,与人为设定的固定参数方法相比,该方法可以使滤波器在时变交通监测中及时对参数进行估计与调优,提升了GLMB滤波器目标跟踪的性能。

基于VB近似的自适应δ-GLMB滤波算法

目前,基于δ-扩展标签多伯努利(δ-generalized labeled multi-Bernoulli,δ-GLMB)滤波器的多目标跟踪方法假设量测噪声协方差先验已知,而实际中量测噪声协方差可能是未知或随着环境改变而变化。针对上述问题,提出一种基于变分贝叶斯(variational Bayesian,VB)近似的自适应δ-GLMB滤波算法。该算法以δ-GLMB滤波器为基础,利用逆威沙特和高斯乘积混合分布近似量测噪声协方差和多目标状态联合后验分布,通过VB近似技术推导滤波迭代。仿真结果表明,所提算法对于线性未知量测噪声协方差场景具有很强的多目标跟踪鲁棒性,在有效估计量测噪声协方差的同时实现准确的目标数和目标状态估计。

基于LMB滤波器高斯混合实现的传感器控制方法

针对多目标跟踪优化过程中的传感器控制问题,论文基于标签多伯努利(LMB)滤波器的高斯混合实现方式提出了两种传感器控制策略。首先,简单阐述了LMB滤波器的高斯混合实现过程,采用高斯分量去近似多目标概率密度,通过求解两个高斯分布之间的柯西施瓦茨(CS)散度,得到以信息增益最大化为准则的传感器控制方案;其次,利用多伯努利参数替代标签多伯努利参数进行“去标签”的伪更新步骤,有效降低了计算复杂度;此外,借助战术重要性评估指标(TSM)函数,提出一种基于目标威胁度的传感器控制算法;最后,合理设定仿真场景,对比验证了两种所提算法的有效性和实用性。

基于单声矢量传声器虚拟扩展的多机动声目标跟踪算法

为解决单声矢量传声器(Acoustic vector sensor,AVS)可跟踪声目标数目少、跟踪性能差的问题,提出了基于AVS虚拟扩展的多机动声目标跟踪算法.首先,引入高阶累积量预处理过程并建立高阶似然函数,不仅能够抑制高斯噪声、提高估计精度,还可通过AVS的虚拟扩展增加可跟踪目标数目.然后,在边缘化δ广义标签多伯努利(Marginalizedδ-generalized label multi-bernoulli,Mδ-GLMB)滤波框架下,提出了基于累积量的增广运动模型状态的Mδ-GLMB(Cumulants-based augumented motion model state Mδ-GLMB,Cum-AMMS-GLMB)算法.算法引入多种运动模型,并将表征不同模型的索引标号作为目标状态的增广参数,通过各模型间的加权混合获取优于单一运动模型的跟踪性能.除此之外,算法的序贯蒙特卡洛(Sequential Monte Carlo,SMC)实现过程中,依据高阶预处理获得的归一化空间谱拟合检测概率函数,抑制了杂波向可用粒子扩展,进一步增强了高似然区域的粒子.最后,推导了AVS目标跟踪的后验克拉美罗下界(Posterior cram e’r-rao lower bound,PCRLB),并通过仿真实验验证了算法的量测噪声抑制能力和声目标跟踪性能.

一步数据关联GLMB扩展目标跟踪算法

针对传统的扩展目标跟踪算法在目标近邻场景中由于量测不可分导致跟踪性能下降的问题,提出了一种基于一步数据关联的扩展目标跟踪算法。该算法用乘性噪声模型对目标进行建模,将联合概率数据关联理论中的一步数据关联处理方法与广义标签多伯努利滤波器相结合,实现在量测难以划分情况下的多扩展目标跟踪。仿真实验表明,该算法能够在交叉、近邻场景中实现对目标的有效跟踪,并且在估计精度方面优于传统的基于量测划分的扩展目标跟踪算法。

基于置信传播的多运动平台随机组网协同导航

在协同网络中,随着导航个体数目的增加,如何确定参与组网的导航平台并获取其状态与观测量的数据关联性是实现小型规模的多运动平台协同导航的关键。本文提出一种基于置信传播的多运动平台随机组网协同导航方法,采用随机有限集对状态和量测量进行建模并附加标签,构造带有标签的多伯努利粒子滤波器,采用基于置信传播的多运动平台随机组网协同导航方法,并利用运动目标平台与基站的绝对观测、运动目标平台与临近平台相对观测融合,通过粒子滤波器和置信传播对系统中的量测信息进行处理,相比较于非参数置信传播算法扩展因子结构作为置信度算法的逼近,该算法实现概率数据关联进行导航系统状态估计。仿真和物理实验结果表明:非参数置信传播算法在不同基站和不同粒子数的解算结果性能较差;本文提出的算法受基站个数和粒子个数的影响较小鲁棒性好,收敛性好,均方根误差不高于0.3 cm,精度高于前者一个数量级,该算法能够有效获取导航平台的位置信息。

基于δ-GLMB自适应门限判定的多量测目标跟踪算法

针对实际复杂交通场景中毫米波雷达能从单目标上获得多个量测导致广义标签多伯努利(δ-Generalized labelled multi-Bernoulli,δ-GLMB)滤波算法的多目标跟踪结果中出现单目标有多条轨迹等问题,提出了一种在δ-GLMB跟踪结果的基础上加入自适应门限判定的改进算法。首先,通过δ-GLMB滤波器对场景中目标进行跟踪,然后通过自适应门限判定方法实现目标多余轨迹点的删除和属于同目标的轨迹的标签统一。本文使用77 GHz毫米波雷达对实际交通场景的监测数据进行了实验,结果表明本文提出的方法在目标个数估计准确率上有显著提高,对实际交通数据的鲁棒性更好。

低空监视雷达“走-停-走”目标跟踪技术

以旋翼无人机为代表的低空小目标常采用低速“走-停”策略或利用障碍物遮挡,躲避雷达追踪,对重要信息装备和战略要地进行点穴式打击或干扰。这类目标可多次消失-重返于雷达视域,称之“走-停-走”目标。若采用传统目标跟踪模型和算法处理这类目标,易导致目标身份不连续、航迹碎片化。该文在随机集理论框架下,基于标签多伯努利(LMB)滤波器,研究低空监视雷达“走-停-走”目标连续跟踪问题。为描述“走-停-走”目标多次往返于雷达视域的演化特性,首次引入第3类出生目标模型,即重生(RB)过程模型。首先,利用目标重返雷达视域前-后目标状态的空间位置和动力学参数关系,提出一种基于空域相关(SC)的RB过程;然后,基于SC-RB过程,在贝叶斯滤波框架下,设计了SC-RB-LMB滤波器算法,可实现多“走-停-走”目标连续稳健跟踪,维持航迹标签的连续性;最后,在典型低空监视场景下,通过仿真和实测数据验证了提出模型和算法的有效性和性能优势。