基于高斯混合概率假设滤波的水下目标跟踪算法

为了解决传统水下目标跟踪中目标数目估计不准确、状态估计误差增长过快的问题,提出了一种基于高斯混合概率假设滤波的水下目标跟踪算法。该算法基于双基地观测模型,采用高斯混合概率假设滤波算法处理方位和时延信息,利用粒子群算法处理多普勒频率获得矢量速度,进一步提升算法的跟踪精度。结果表明,该算法能完成在杂波环境下对目标的跟踪,相比传统的关联算法,能够有效地实现目标个数估计和抑制状态误差增长的目的。

基于改进概率假设密度滤波器的非合作双基地雷达目标跟踪

为解决非合作双基地雷达目标跟踪面临的低检测概率和高杂波率问题,提出了改进的概率假设密度滤波器。首先,提出一种新的航迹标识与状态估计方法,并将存活概率定义为与目标状态相关的变量;随后,记录每个候选目标在每一时刻是否有量测的情况,采用序贯概率比检验区分真实目标和由杂波引起的假目标;最后,离线估计目标状态。仿真实验结果表明,所提算法明显提高了非合作双基地雷达目标跟踪的性能,可以有效解决低检测概率和高杂波率问题。

基于椭圆随机超曲面模型CPHD滤波器的多扩展目标跟踪算法

复杂场景下多扩展目标跟踪在自动驾驶、目标识别等领域具有很高的应用价值。文中提出了一种基于椭圆随机超曲面模型(ERHM)的势概率假设密度(CPHD)滤波器。首先,基于有限集统计理论,利用CPHD滤波器建立多扩展目标的贝叶斯滤波框架;然后,采用ERHM描述扩展目标的量测源分布,并利用无迹变换嵌入CPHD滤波流程;最后,仿真实验结果表明,ERHM-CPHD滤波器对椭圆扩展目标的跟踪性能优于传统的伽马高斯逆威沙特CPHD滤波器,在杂波密度较高、目标新生的位置比较确定的场景或者扩展目标数目较多时,对扩展目标的参数估计更为准确。所提方法在高分辨率雷达多目标跟踪方面具备很好的运用前景。

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.

一种新的基于概率理论的概率数据互联滤波器

该文从理论上分析了用于目标跟踪的概率数据互联滤波器(PDAF)和联合概率数据互联滤波器(JPDAF)存在的不足,提出了一种新的概率数据互联滤波器(NPDAF)。NPDAF在数据关联时基于概率理论:一个测量可能源于目标,也可能源于杂波,但其源于目标的概率与其源于杂波的概率之和应为1。同时,给出了跟踪过程中NPDAF的数据互联模型及滤波器的实现方法。该实现方法首先计算测量与各目标的关联概率,然后用概率对跟踪滤波器的增益加以修正。仿真实验表明,在对多目标进行跟踪时NPDAF的性能优于JPDAF。

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.

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.

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。

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.

基于改进概率数据关联滤波的红外小运动目标跟踪

在跟踪弱小运动目标过程中,低信噪比和高虚警率使得即使是在波门内也存在较多的虚假目标,加大目标识别的不确定性,降低跟踪的可靠性和精度。该文分析了红外成像系统中目标信号特点,根据概率数据关联滤波的思想,提出了一种基于目标幅度连续性和运动一致性的弱小目标跟踪识别方法,重点比较了极大似然.概率数据关联滤波和改进算法的目标识别与跟踪性能。理论分析和实验结果表明,该方法较大程度上减少了弱小目标跟踪过程中测量点与航迹关联的不确定性,提高了目标识别与跟踪性能。

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。

双传感器概率假设密度滤波解析实现方法

针对双传感器概率假设密度(PHD)理论的解析实现进行研究。Mahler给出的双传感器PHD理论,由于其中含有抽象的多目标积分,并且其中的二元分割过程计算量十分巨大,所以无法计算机实现。文中在线性高斯混合的假设条件下给出了严格双传感器PHD滤波的递推解析公式,并且通过提出"有效二元分割"算法极大降低了严格理论意义下的双传感器PHD算法的计算复杂度,从而解决了双传感器PHD滤波的计算实现问题。计算机模拟仿真验证了所提出算法的有效性。

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。

基于序贯蒙特卡洛与概率假设密度滤波的主动分布式声纳多目标跟踪

针对杂波数量多、目标数量和状态不确实性及观测不确实性等问题,提出了一种基于序贯蒙特卡洛与概率假设密度(SMC-PHD)滤波的分布式声纳多目标自动跟踪方法。通过随机有限集模型对多目标状态和观察进行表征,结合序贯蒙特卡洛方法中的重要性采样和重采样策略递归地实现多目标后验近似下概率假设密度的传递和滤波。利用分布式声纳观测模拟数据,对不同节点数目下基于SMC-PHD滤波的多目标跟踪进行了仿真实验。仿真实验结果表明:该方法适用于主动分布式声纳系统,能在多杂波环境下对数目未知且时变的多目标进行实时自动跟踪;在4个平台节点的主动分布式声纳系统中,实现了平均相对误差小于5%的水下多目标高精度跟踪,且目标数目估计值与真实值一致。

基于势概率假设密度滤波器的不可分辨目标跟踪算法

根据有限集统计方法,推导得到了可适用于不可分辨目标跟踪问题的势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波器。类似传统的点目标CPHD滤波器,该不可分辨目标CPHD滤波器不仅可以递推地传递多目标状态集合的一阶统计矩,还可以传递多目标个数(即势)的概率分布。蒙特卡罗仿真实验表明,相比Mahler提出的不可分辨目标PHD滤波器,所提出的不可分辨目标CPHD滤波器具有更加精确和稳定的多目标个数和状态估计,但它的计算量要大于不可分辨目标PHD滤波器。

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。

基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法

针对多说话人跟踪的非线性系统模型,提出了一种基于数值积分卡尔曼-概率假设密度滤波的多说话人跟踪方法。该方法采用麦克风阵列的时间延迟估计作为观测数据,利用具有三次代数精度的球面-径向数值积分准则计算非线性系统贝叶斯滤波器中的多维积分,通过数值积分卡尔曼滤波和概率假设密度滤波对后验多说话人状态的一阶统计量进行估计,并通过递推更新得到说话人状态信息,实现非线性高斯系统的多说话人跟踪。该方法无需求解非线性系统函数的雅克比矩阵,且计算量较小。仿真实验分析了检测概率、虚警点数目、采样周期、信噪比以及混响时间变化时跟踪算法的性能。实验结果表明,该方法降低了系统模型非线性对滤波算法的影响,增强了跟踪算法的鲁棒性,提高了说话人状态和数目的估计精度。

基于星凸随机超曲面的扩展目标伽马高斯混合势概率假设密度滤波器

针对杂波和检测不确定情况下扩展目标形状估计精度低的问题,提出了一种基于星凸随机超曲面模型(SRHM)的扩展目标伽马高斯混合势概率假设密度(CPHD)滤波器.该算法在高斯混合概率假设密度滤波的框架下,首先将目标形状建模为星凸随机超曲面,然后通过CPHD滤波估计出目标的质心位置和目标数目,最后通过将已估计的目标质心位置作为目标形状的中心点来结合量测对目标形状进行估计.其中,算法通过自适应估计尺度变换因子对形状边界进行约束优化,解决了星凸随机超曲面模型存在的边界形状不规则的问题.设计扩展目标个数未知以及含有杂波的实验场景,实验结果验证了该算法的有效性和可行性.

杂波环境下雷达/红外融合跟踪的修正概率数据互联滤波算法

为解决杂波环境下转弯机动目标跟踪过程中的数据关联问题,提出了雷达/红外融合跟踪修正概率数据互联滤波算法。修正概率数据互联算法利用前一时刻目标的状态和转弯角速度,依据目标转弯机动能力及测量噪声等因素的影响,求出当前时刻转弯角速度变化范围,在转弯角速度变化范围内,求出与当前时刻每一测量值最匹配的转弯角速度、预测中心、新息协方差阵及权重系数,从而决定该测量在状态更新时的权重。仿真结果表明,雷达/红外融合跟踪修正概率数据互联滤波算法提高了跟踪精度,降低了航迹丢失率。

parfor模式在粒子概率假设密度滤波中的应用

P-PHD(Particle-Probability Hypothesis Density)是概率假设密度(PHD,Probability Hypothesis Density)的一种粒子实现方式,它不受系统模型的限制,可以适用于线型或者非线性系统。但是随着粒子数的增加,该算法所需要的时间复杂度不断增大。为了提高P-PHD的执行效率,分析了P-PHD的执行结构,确定了其中满足并行执行的部分。通过引入parfor对该部分实施并行计算,降低了算法的运行时间。其主要步骤是运用Matlab自带的并行计算工具箱中的parfor模式,并行更新每个粒子的权值。仿真实验表明,parfor模式可以较好地应用到该算法中,减少了更新步骤的运行时间,且能够满足算法的封闭性。