一种纯方位多目标跟踪的联合多高斯混合概率假设密度滤波器

现有的多模型-高斯混合-概率假设密度(MM-GM-PHD)滤波器被广泛用于不确定机动目标跟踪,但它不能在不同模型下保持并行的估计,导致各模型的似然值滞后于目标机动。为此,该文提出一种联合多高斯混合概率假设密度(JMGM-PHD)滤波器,并将其用于纯方位多目标跟踪。首先,推导了JMGM模型,其中每个单目标状态估计由一组并行的、带模型概率的高斯函数描述,该状态估计的概率由一个非负的权重来表征。一组权值、模型概率、均值和协方差被统称为JMGM分量。根据贝叶斯规则,推导了JMGM分量的更新方法。然后,利用JMGM模型近似多目标PHD。根据交互式多模型(IMM)规则,推导出JMGM分量的交互、预测和估计方法。将所提JMGM-PHD滤波器应用于纯方位跟踪(BOT)时,针对同时执行平移和旋转的观测站,基于复合函数求导规则推导出一种计算线性化观测矩阵的方法。所提JMGM-PHD滤波器保持了单模型PHD滤波器的形式,但能够自适应地跟踪不确定机动目标。仿真结果表明,JMGM-PHD滤波器克服了似然值滞后于目标机动的问题,在跟踪精度和计算成本方面均优于MM-GM-PHD滤波器。

基于航迹概率假设密度的多传感器多目标跟踪

针对基于概率假设密度(probability hypothesis density,PHD)的分布式多传感器多目标跟踪(distributed multi-sensor multi-target tracking,DMMT)存在无法形成航迹、计算复杂度高、目标漏检等问题。本文基于航迹PHD后验估计提出了一种DMMT方法。为此,首先构建了各节点估计航迹间相似性度量矩阵,并采用匈牙利算法实现最优航迹匹配;其次采用协方差逆准则对关联航迹实现并行融合;最后基于概率生成泛函推导了一种鲁棒的DMMT方法。仿真实验验证了所提算法在目标状态估计精度、计算有效性和实时性方面的优势。

高斯混合概率假设密度滤波器在多目标跟踪中的应用

实现了基于随机集和点过程理论在目标数未知或随时间变化的多目标跟踪滤波算法.研究成果包括:(1)分析了基于随机有限集的多目标跟踪模型;(2)分析推导了基于随机集和点过程理论的概率假设密度滤波递推表达式;(3)实现了在线性高斯条件下的概率假设密度滤波的一种解析滤波算法;(4)仿真实验验证了算法的性能,比较了在杂波强度和检测概率变化的情况下和联合概率数据互联算法相关性能;(5)指出了算法的一些不足以及改进的研究方向.

多模型概率假设密度平滑器

针对杂波环境下的多个机动目标跟踪问题,本文将多模型概率假设密度(Multiple-model probability hypothesis density,MM-PHD)滤波器和平滑算法相结合,提出了MM-PHD前向–后向平滑器.为了避免引入复杂的随机有限集(Random finiteset,RFS)理论,本文根据PHD的物理空间(Physical space)描述法推导得到了MM-PHD平滑器的后向更新公式.由于MM-PHD前向–后向平滑器的递推公式中包含有多个积分,因此它在非线性非高斯条件下没有解析的表达形式.故本文又给出了它的序贯蒙特卡洛(Sequential Monte Carlo,SMC)实现.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明,与MM-PHD滤波器相比,MM-PHD平滑器能够更加精确地估计多个机动目标的个数和状态,但MM-PHD平滑器存在一定的时间滞后,并且需要耗费更大的计算代价.

基于高斯混合势化概率假设密度的脉冲多普勒雷达多目标跟踪算法

为在新兴的随机有限集(RFS)框架下充分利用多普勒信息跟踪杂波环境下的多目标,该文提出基于高斯混合势化概率假设密度(GM-CPHD)的脉冲多普勒雷达多目标跟踪(MTT)算法。该算法在标准GM-CPHD基础上,在使用位置量测更新状态后,再利用多普勒量测进行序贯更新,可获得更精确的似然函数和状态估计。仿真结果验证了该算法的有效性,表明在GM-CPHD基础上引入目标的多普勒信息可有效抑制杂波,显著改善跟踪性能。

高斯混合概率假设密度算法对多目标的跟踪研究

为了规避数据关联的困难,本文深入研究了适宜多目标跟踪工程应用,线性高斯多目标模型假设下的高斯混合概率假设密度算法(GM-PHD),详细给出了后验PHD高斯元素的均值、方差和权值的解析递推式,使用了修剪和合并方法控制高斯元素数目的指数增长。最后,给出了一系列仿真实验,验证了在检测不确定和高杂波环境下,即使对目标数量未知和时变的场景,GM-PHD都能有效地完成跟踪,将其扩展应用于非线性多目标模型,同样得到了令人满意的跟踪效果。

针对低检测概率的概率假设密度滤波算法

当跟踪目标属于隐身目标、低空目标或处于强杂波和干扰环境,都会导致雷达的目标检测概率降低,丢失率较高。因此,本文着重研究PHD算法在检测概率较低的情况下跟踪稳定性不佳的缺陷,找出了一种适用于低目标检测概率的L-GMPHD滤波,通过对前一时刻状态估计值外推,若发生漏检,则将外推值加入当前时刻状态估计值中,确保了目标的状态估计不被裁剪去除。从MATLAB仿真结果可知,L-GMPHD滤波器处于检测概率较低的情况时,能够明显改善目标跟踪的稳定性。该方法能够保持高精度的多目标跟踪,具有良好的工程应用前景。

基于势概率假设密度平滑器的多目标跟踪算法

针对概率假设密度(PHD)滤波在杂波环境下对机动多目标进行检测与跟踪时,易出现高阶势分布信息丢失,从而导致目标检测出现偏差的问题,提出一种将势概率假设密度(CPHD)滤波与平滑算法相结合的多目标跟踪算法。从CPHD的预测与更新步骤出发,结合后向平滑递归公式,推导CPHD平滑公式,并提出基于高斯混合实现的GM-CPHD平滑器。仿真实验表明,GM-CPHD平滑器的检测与跟踪性能优于未经平滑处理的CPHD滤波器。

基于概率假设密度滤波方法的多目标跟踪技术综述

概率假设密度(Probability hypothesis density,PHD)滤波方法在多目标跟踪、交通管制、图像处理以及多传感器管理等领域得到了广泛关注.本文对基于PHD滤波方法的多目标跟踪技术的产生、发展及研究现状进行了综述,主要包括PHD滤波器、PHD执行方法、峰值提取及航迹提取技术、多传感器多目标跟踪及多传感器管理、PHD平滑器以及多目标跟踪性能评价指标等,并对PHD滤波器的相关应用进行介绍.最后,基于现有PHD滤波进展,提出了PHD滤波技术在多目标跟踪领域需要重点关注的若干问题.

高斯混合扩展目标概率假设密度滤波器的收敛性分析

研究了高斯混合扩展目标概率假设密度(Gaussian mixture extended-target probability hypothesis density,GM-EPHD)滤波器的收敛性问题,证明了在杂波强度先验已知且扩展目标的期望测量个数连续有界的假设条件下,若该GM-EPHD滤波器的GM项趋于无穷多,那么它一致收敛于真实的EPHD滤波器.并且,本文还证明了该算法在弱非线性条件下的扩展卡尔曼(Extended Kalman,EK)滤波近似实现—EK-GM-EPHD滤波器,在每个GM项的协方差趋于0时,也一致收敛于真实的EPHD滤波器.本文的研究目的在于从理论上给出GM-EPHD和EK-GM-EPHD滤波器的收敛性结果以及它们满足一致收敛性的条件.

改进的概率假设密度滤波多目标检测前跟踪算法

基于概率假设密度滤波(Probability Hypothesis Density,PHD)的检测前跟踪(Track before detect,TBD)技术可以有效解决未知目标数的弱小点目标检测前跟踪问题.文章针对现有PHD-TBD算法存在目标数估计不准、目标发现延时较久的问题进行研究.从标准PHD滤波出发,更为合理地推导出PHD-TBD算法的粒子权重更新计算表达式,实现对目标数的准确估计;同时利用贝叶斯滤波理论,推导出基于量测的新生粒子概率密度采样函数,完成对目标的快速发现.仿真实验表明,与现有的PHD-TBD相比,改进算法能够适应目标扩散情况,准确估计目标数目,并实现对目标的快速发现和位置准确估计.

多扩展目标的高斯混合概率假设密度滤波器

针对多扩展目标跟踪中状态信息难以估计的问题,提出了一种可以估计扩展目标运动状态和形状信息的多扩展目标高斯混合概率假设密度(RHM-GMPHD)滤波器。首先利用描述凸星形扩展目标量测源分布的随机超曲面模型和传感器量测方程,建立扩展目标运动状态及形状信息与量测之间关系的伪量测函数;然后结合扩展目标状态预报信息,推导了扩展目标状态更新方程,递推地对扩展目标运动状态及形状信息进行估计跟踪。此外,还建立了Jaccard距离来度量RHMGMPHD滤波器对目标形状的估计性能。与联合概率数据关联(JPDA)滤波器和GMPHD滤波器相比,RHM-GMPHD滤波器不仅可以估计凸星形扩展目标的形状信息,并能有效提高对目标数和运动状态的估计精度。仿真实验表明,RHM-GMPHD滤波器对质心估计的均方根误差分别约为JPDA和GMPHD滤波器的1/3和1/2,对目标数的估计接近真实值,对形状估计的Jaccard距离一般小于0.2。

用于多个机动目标的混合高斯概率假设密度跟踪器

现有的混合高斯概率假设密度(GM-PHD)跟踪器不仅可以估计时变的多目标状态,还能辨识不同目标并保持其轨迹连续性.但当多个目标发生机动时,其稳定性较差,容易丢失目标.针对这一问题,本文提出一种能跟踪多个机动目标的混合高斯概率假设密度跟踪器算法.算法在GM-PHD滤波的框架上采用修正的输入估计方法将目标的概率假设密度(PHD)表示成混合高斯形式,并利用不同的标记辨识各个高斯分量,然后通过PHD滤波方程迭代这些高斯分量和对应的标记,最终达到跟踪多个机动目标的目的.仿真实验表明,和传统的GM-PHD跟踪器相比,新算法能以更高的稳定性跟踪多个机动目标.

基于势概率假设密度滤波的检测前跟踪新算法

基于势概率假设密度滤波(Cardinalized Probability Hypothesis Density,CPHD)检测前跟踪(Track before detect,TBD)算法能有效解决未知目标数的弱小目标检测跟踪.文章深入研究了CPHD算法,从标准CPHD滤波的粒子权重更新出发,结合检测前跟踪的实际,合理地推导出CPHD-TBD算法的粒子权重更新表达式;分析了CPHD滤波目标势分布的物理意义,实现了目标势分布更新计算在检测前跟踪的应用.将CPHD滤波和TBD进行有效结合,提出了基于势概率假设密度滤波的检测前跟踪算法,并给出其详细实现步骤.仿真实验证明提出的CPHD-TBD算法与现有概率假设密度检测前跟踪(PHD-TBD)算法相比,能更详细地传递目标分布信息,从本质上改变了PHD-TBD对目标数估计的方式,能更准确稳定估计目标数,实现了对目标的发现和状态准确估计,性能明显更优.

平方根容积卡尔曼滤波概率假设密度算法在移动机器人同时定位与地图构建中的应用

针对杂波环境或数据关联模糊环境下移动机器人同时定位与地图构建(SLAM)的问题,本文提出平方根容积卡尔曼滤波概率假设密度(SRCKF-PHD)SLAM算法,该算法的主要特点在于:1)采用容积规则方法计算非线性函数高斯权重积分以及机器人位姿粒子权重,达到改善位姿估计性能的目的;2)在高斯混合概率假设密度更新过程中,将平方根容积卡尔曼滤波应用于高斯项权重更新及观测似然计算中,保证了协方差矩阵的对称性和半正定性,提高了地图估计的精度和稳定性.通过仿真实验及CarPark数据集,将提出算法与RB-PHD-SLAM算法进行对比,结果表明该算法对机器人位姿估计精度及地图估计精度的提高是有效的.

改进的高斯粒子概率假设密度滤波算法

高斯粒子概率假设密度滤波在预测和更新时需要进行粒子近似和重新采样,这在一定程度上降低了算法的精度和实时性.针对这一问题,提出一种改进的高斯粒子概率假设密度滤波算法,算法通过粒子的方式表示并传递目标的概率假设密度(PHD)预测值,然后直接利用这些表征PHD预测值的粒子进行更新,最后利用具有最大似然性的粒子将更新后的PHD表示为混合高斯形式.仿真实验表明,和高斯粒子概率假设密度滤波相比,改进算法的多目标误差距离减少了约30%,运行时间减少了约50%.

基于无迹变换的概率假设密度滤波算法

基于有限集统计理论的概率假设密度滤波算法运用于多目标跟踪时,不再考虑数据关联问题,突破了传统的跟踪方法。但该滤波公式在非线性条件下没有解析解,在非线性高斯条件下提出了基于无迹变换的概率假设密度滤波算法,实现了算法在强杂波环境下的多目标跟踪。仿真实验比较了该算法与基于粒子滤波的概率假设密度滤波算法的跟踪性能,验证了该算法的跟踪性能和精度。同时分析指出了此算法的不足,以及结合无迹变换与粒子滤波的概率假设密度滤波算法的改进研究方向。

基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法

实现目标数目未知且可变条件下的多目标检测与跟踪是个极具挑战性的问题,在信噪比较低的情况下更是如此。针对这一问题,该文提出一种基于点扩散模型的多目标检测前跟踪改进算法。该算法在序贯蒙特卡罗概率假设密度(SMC-PHD)滤波框架下实现,通过自适应粒子产生机制完成新生目标在像平面中的初始定位,并根据目标在图像中可能出现的位置对全体粒子集进行有效子集分割和快速权值估算,最后利用动态聚类方法完成多目标状态的准确提取。仿真结果表明,该方法有效改善了多目标检测前跟踪的估计性能,并大大提高了算法执行效率。

基于高斯混合带势概率假设密度滤波器的未知杂波下多机动目标跟踪算法

多模型的随机有限集(RFS)类方法是一类有效的多机动目标跟踪算法,但是现有算法都假定杂波统计特性先验已知,不适用于未知杂波背景。该文以高斯混合带势概率假设密度滤波器(GMCPHDF)为基础,提出一种未知杂波下的多机动目标跟踪算法。该算法对目标和杂波分别独立建模,通过最优高斯(BFG)估计方法对真实目标的强度函数进行预测,从而使多目标强度函数独立于机动目标的运动模型,实现各时刻真实目标的强度函数、杂波源期望个数以及真实目标和杂波源的混合势分布的迭代。仿真结果表明,该算法能够有效地联合估计多机动目标状态以及杂波期望个数。

基于概率假设密度滤波和数据关联的脉冲多普勒雷达多目标跟踪算法

为了解决杂波环境下脉冲多普勒(PD)雷达的多目标跟踪问题,提出一种距离模糊情况下基于概率假设密度滤波(PHDF)和数据关联(DA)的联合解距离模糊和多目标跟踪方法。该方法使雷达采用一组脉冲重复频率(PRF)交替变换的工作模式,并对雷达生成的模糊量测进行多假设,得到扩展量测集;然后,利用PHDF可以有效滤除杂波和避免"目标-量测"数据关联的突出优点,对扩展量测集进行滤波,得到粗略的目标状态估计;最后,对PHDF的滤波结果进行"航迹-估计值"关联,给出多目标航迹信息。仿真结果表明,该算法可以同时给出目标个数和各目标状态估计,实现杂波环境和距离模糊条件下对多目标的有效跟踪。