强杂波环境下的LGM-PHDF算法

为解决LGM-PHDF算法在强杂波环境下,错误率和时间复杂度增加的问题,提出一种改进算法。在预测步骤结束后,使用量测信息和预测信息得到残差向量,通过椭球门限技术得到与目标真实状态接近的有效量测;在更新步骤中,只使用有效量测对高斯项进行更新,使用标签管理机制更新目标航迹。仿真结果表明,在强杂波环境中,改进算法降低了计算复杂度,具有更好的跟踪精度。

状态与杂波相关的GM-PHD平滑滤波

考虑到多目标跟踪中杂波与状态之间的相关性,引入平滑算法提高目标估计的精度。针对整个监视区域内的杂波,重新计算其强度;将目标分为幸存目标和新生目标两大类,采用自适应椭球门限对量测进行预处理,将门限内的量测用于更新幸存目标,门限外的量测用于更新新生目标;采用RTS平滑算法进行逆向平滑。实验结果表明,在该条件下所提算法具有较好的跟踪性能,优于未平滑的GM-PHD滤波器。

快速多目标跟踪GM-PHD滤波算法

传统的GM-PHD(Gaussian Mixture-Probability Hypothesis Density)滤波算法用当前时刻接收到的全部量测值对所有高斯项进行更新,使得大量的运算时间花费在使用无效量测对高斯项的更新上。针对此问题,提出一种快速多目标跟踪GM-PHD滤波器。首先在算法预测步骤中将高斯项分为新生及存活目标两类;然后在更新步骤中先计算存活目标与所有量测之间的残差,使用椭球门限,用门限内的量测值来更新存活目标;接着计算新生目标与剩下量测之间的残差,再次使用落入椭球门限内的量测值来更新新生目标,这样可以最大限度地将无效量测排除掉,从而减少算法运算时间。实验结果表明,该方法在保证目标跟踪精度的同时降低了算法时间复杂度,其综合性能优于传统的GM-PHD滤波算法。

一种状态与杂波相关条件下的GM-CPHD算法

对许多传感器而言,所观测到的杂波更容易集中在目标所处区域。此时,杂波不再是均匀分布,杂波的分布与真实目标所处状态相关,这与传统滤波算法中的假设不同。在此条件下,传统多目标跟踪算法的跟踪精度和实时性会受到很大影响。针对该问题,提出一种状态与杂波相关条件下的GM-CPHD滤波算法。对状态与杂波之间的相关性进行建模;根据整个监视区域的杂波分布重新计算杂波强度,并将其应用于滤波更新过程中;为降低时间复杂度,采用自适应椭球门限在算法更新步骤之前对量测集合进行预处理,使用落入门限内的量测集合进行更新步骤的运算。仿真结果表明,在状态与杂波相关条件下,本文算法较传统算法具有更好的滤波精度以及更低的时间复杂度。

基于CODHD聚类划分的多扩展目标跟踪算法

杂波环境下,利用概率假设密度滤波器进行扩展目标跟踪存在量测集划分难且计算效率低的问题,提出基于层次划分密度的聚类优化(CODHD)算法对扩展目标进行量测集划分的方法。先利用自适应椭球门限的方法对量测集进行预处理,通过簇合并方式生成量测划分;计算各划分聚类质量并构造为质量曲线;将得到的聚类数和聚类中心通过模糊C-均值(FCM)运算获得量测划分。仿真结果表明,利用所提方法对量测集进行划分,能够得到准确的划分结果且计算代价得到降低。

未知量测噪声分布下的多扩展目标CBMeMBer滤波算法

在实际应用场景中,量测噪声协方差准确模型很难被建立,传统的多扩展目标跟踪算法在量测噪声协方差未知情况下跟踪性能迅速下降。为了解决量测噪声未知对多扩展目标跟踪结果造成的影响,将变分贝叶斯方法引入到CBMeMBer滤波算法中。VB-GM-CBMeMBer算法能在量测噪声未知情况下通过估计噪声协方差进行滤波计算,但该算法存在目标数目估计不准确的问题。针对此问题,提出一种改进的VB-GM-CBMeMBer算法,该算法在滤波算法预测步骤后引入椭球门限,使用保留在门限内的量测来进行下一步计算,以减少杂波量测,降低杂波量测对扩展目标量测的影响,提高对扩展目标状态聚类的精度。实验结果表明,该算法适用于多扩展目标数目未知、量测噪声协方差未知的情况,且其跟踪精度比GM-CBMeMBer和VB-GM-CBMeMBer滤波算法有一定提高。

基于无先验探测概率的改进PHD多目标跟踪算法

针对传统高斯混合—概率假设密度(GM-PHD)滤波器使用无先验检测概率和无效量测造成的性能下降问题,提出一种基于时变卡尔曼滤波(TV-KF)算法的多目标PHD滤波器。通过使用椭球门限对目标集合和量测集合进行预关联,将未知探测概率转化为目标的丢失与接收事件;将目标分为匹配存活目标,匹配新生目标和未匹配目标3类,对匹配目标,仅使用目标门限内的量测更新目标状态,对未匹配目标的权重进行衰减。仿真实验表明:所提出算法有效可行,综合性能优于传统GM-PHD算法。