直方图概率多假设跟踪方法技术综述

直方图概率多假设跟踪(histogram probabilistic multi-hypothesis tracking,H-PMHT)算法是高效的多目标检测前跟踪(track before detect,TBD)方法,其由概率多假设跟踪(probabilistic multi-hypothesis tracking,PMHT)算法发展起来。首先深入剖析了H-PMHT算法,并重点分析比较了该算法和PMHT算法间的深刻联系,分析了该算法的特点和适用条件;其次,介绍了近年来H-PMHT算法的改进和推广情况,梳理了算法应用中的相关研究工作;最后,总结了算法的优缺点及需要改进的问题,展望了其发展前景。

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。

基于信息理论和概率假设密度的自适应多站多目标无源定位与跟踪算法

本文针对密集杂波和冲击噪声条件下的多站多目标无源定位与跟踪问题,基于信息理论和随机有限集提出一种新的自适应高斯混合概率假设密度(PHD)滤波算法。该算法引入渐消因子,基于新息的方差动态修正滤波增益,并采用KL度量对量测更新步骤中多目标密度近似前后的差异进行衡量,在最小信息增量意义下对高斯元进行合并,得到更准确的多目标状态后验分布,提高了多站多目标无源定位与跟踪精度,并降低了冲击噪声等对估计结果的影响。本文给出了基于信息理论的自适应多目标跟踪算法的高斯混合实现方式,所提出的方法继承了PHD滤波器的优点,具有较好的实时性和多目标跟踪性能。最后,采用仿真实验对本文提出的算法进行验证,实验结果证明了本文所提出算法的有效性和优越性。

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.

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.

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.

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。

压制干扰下雷达网点目标概率多假设跟踪算法

针对压制干扰下雷达网跟踪中使用概率多假设跟踪(PMHT)算法航迹丢失率高的问题,提出了一种基于数据压缩的雷达网点目标概率多假设跟踪(DC-PPMHT)算法.该算法先将各雷达在压制干扰下由于检测概率下降出现目标暂消的量测数据在空间对准后进行串行合并和点迹合成,并计算数据压缩后各量测点迹的检测概率,然后把计算得到的压缩点迹和检测概率送入点目标PMHT滤波器中进行跟踪.DC-PPMHT算法在压制干扰下的雷达网跟踪中可以降低航迹丢失率,提高航迹跟踪的精度.仿真结果表明,与PMHT算法相比,DC-PPMHT算法在各雷达采取抗干扰措施前、后的航迹丢失率分别降低了4.7%和1.2%.

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。

基于强跟踪的自适应PHD-SLAM算法

同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术使移动机器人在缺乏先验环境信息的条件下,能够在估计自身位姿的同时构建环境地图。然而,在海洋、矿洞等复杂环境中,移动机器人容易受到随机突变噪声的干扰,进而导致SLAM性能下降。现有的概率假设密度(Probability Hypothesis Density,PHD)SLAM算法未考虑随机突变噪声,受到干扰时在线自适应调整能力较弱。为解决移动机器人因随机突变噪声导致状态估计和建图精度降低的问题,本文结合强跟踪滤波器(Strong Tracking Filter,STF)与PHD滤波器,提出了一种基于强跟踪的自适应PHD-SLAM滤波算法(Strong Tracking Probability Hypothesis Density Simultaneous Localization and Mapping,STPHD-SLAM)。该算法以PHD-SLAM为框架,针对过程噪声协方差和量测噪声协方差随机突变问题,本文通过在特征预测协方差中引入STF中的渐消因子,实现了对特征预测的自适应修正和卡尔曼增益的动态调整,从而增强了算法的自适应能力。其中渐消因子根据量测新息递归更新,确保噪声突变时每个时刻的量测新息保持正交,从而充分利用量测信息,准确并且快速地跟踪突变噪声。针对渐消因子激增导致的滤波器发散问题,本文对渐消因子进行边界约束,提高算法的鲁棒性。仿真结果表明,在量测噪声协方差和过程噪声协方差随机突变的情况下,所提算法相较于PHD-SLAM 1.0和PHD-SLAM 2.0的定位和建图精度都得到了提高,同时保证了计算效率。

用于机动目标跟踪的多模型概率假设密度滤波器

针对概率假设密度(PHD)滤波器在多目标跟踪问题中无法解决目标发生较大机动时的目标丢失问题,提出了一种多模型概率假设密度(MM-PHD)滤波器.这种MM-PHD滤波器在粒子PHD滤波器的基础上,使用多模型方法对滤波器中每个描述目标状态的粒子的状态进行更新,再将更新后的粒子代入传统的PHD滤波器中用于估计目标的PHD的分布.该滤波器结合PHD滤波器和多模型方法的特点,可用于目标数未知的多机动目标跟踪,且对目标的数量和状态的估计更加准确.多机动目标跟踪的仿真实验表明,与已有方法相比,该滤波器对目标数的估计与真实情况基本一致,描述多目标状态估计误差的Wasserstein距离值降低了50%以上.

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。

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。

基于多伯努利概率假设密度的扩展目标跟踪方法

高分辨率雷达系统中,扩展目标一般会产生多个量测。现有随机有限集(RFS)类算法一般假定扩展目标的量测数目服从泊松分布,然而这个假设与实际情况不符。针对这一问题,该文提出一种多伯努利扩展目标概率假设密度(MB-ET-PHD)跟踪算法。该算法首先假设扩展目标的量测数目服从多伯努利分布,然后通过有限集统计(FISST)理论的多目标微积分推导得到校正等式,最后给出了高斯混合(GM)框架的仿真结果。仿真结果表明该算法能够获得比泊松ET-PHD算法更好的跟踪性能。

多目标跟踪的高斯混合概率假设密度滤波算法

在多目标跟踪中,在观测数据存在关联的不确定、检测的不确定、噪声和虚警情形下,同时估计出随时间变化的目标数及目标状态,高斯混合概率假设密度(GMPHD)提供了一种有效的方法。PHD滤波不存在解析解,而GMPHD滤波提供了PHD递推的解析解。仿真结果表明,GMPHD滤波能稳健的跟踪目标数未知或时间变化时的目标状态和目标数。

强跟踪输入估计概率假设密度多机动目标跟踪算法

针对多机动目标跟踪中,目标数目未知及加速度不确定的问题,提出一种强跟踪输入估计(modified inputestimation,MIE)概率假设密度多机动目标跟踪算法.在详细分析算法的基础上,通过引入强跟踪多重渐消因子,以不同速率实时调节滤波器各个通道的预测协方差及相应的滤波器增益,从而实现MIE算法对加速度未知或发生大幅度突变的机动目标自适应跟踪能力;并将该算法与概率假设密度滤波算法有效结合,可以较好地跟踪未知数目的多机动目标.仿真结果表明,新算法比传统的多机动目标跟踪算法具有更高的跟踪精度,且具有较好的实时性.

多目标跟踪的概率假设密度粒子滤波

在多目标跟踪中,当目标数很大时,目标状态的联合分布的计算量会非常大.如果目标独立运动,可用各目标分别滤波来代替,但这要求考虑数据互联问题.文章介绍一种可以解决计算量问题的方法,只需计算联合分布的一阶矩--概率假设密度(PHD),PHD在任意区域S上的积分是S内目标数的期望值.因未记录目标身份,避免了数据互联问题.仿真中,传感器为被动雷达,目标观测值为距离、角度及速度时,对上述的PHD滤波进行了粒子实现,并对观测值是否相关的不同情况进行比较.PHD粒子滤波应用在非线性模型的多目标跟踪,实验结果表明,滤波可以稳健跟踪目标数为变数的情况,得到了接近真实情况的结果.