基于自适应聚概率矩阵的JPDA算法研究

为了降低联合概率数据关联(joint probabilispic data association,JPDA)算法的计算复杂度,解决跟踪临近目标时出现的航迹合并问题,基于量测自适应消除方法,提出了一种改进JPDA算法.该算法首先通过Cheap JPDA算法计算互联概率,降低算法计算量;其次对聚概率矩阵加以阈值处理,通过重建确认矩阵,进一步优化算法复杂度;最后采用自适应消除方法,去掉聚概率矩阵中易引起错误关联的量测,减小JPDA算法在关联临近目标时的误差.仿真实验结果表明:相较于JPDA算法及Scaled JPDA(SJPDA)算法,本文算法在保证跟踪精度的前提下,降低了算法复杂度,提高了时效性;在跟踪临近目标及交叉目标时,改进算法能避免航迹合并现象及跟错目标情况的发生.

一种简化的联合概率数据关联算法

从分析联合概率数据关联(JPDA)算法的确认矩阵入手,建立了计算聚概率矩阵的近似公式,并根据聚概率矩阵中元素的大小,重新定义了新的确认矩阵,使可行联合事件的数目显著减少,有效地解决了联合概率数据关联算法可行联合事件过多、计算负荷过大以及实时性能差的问题。理论分析和MonteCarlo仿真表明,该算法具有较大的工程应用价值。

基于递推加权最小二乘法的多目标跟踪算法

为了对多个机动目标进行跟踪,一些文献提出了交互多模型-概率数据关联算法,但这种方法必须建立大量的目标状态模型,如果目标的模型无法确定或建立的模型不准确,将影响这种方法的使用效果。为此,提出用最小二乘法拟合出目标的运动轨迹,避免建立大量的目标状态模型,导出了基于递推加权最小二乘法的JPDA算法的计算公式并进行了仿真验证,理论分析、MontoCarlo仿真以及在实际系统中应用表明了该算法的有效性。

一种多目标跟踪的快速算法

为了对多个机动目标进行跟踪，提出了交互多模型一概率数据关联算法，但这种方法必须建立大量的目标状态模型．本文用最小二乘法拟合出目标的运动轨迹，无需再建立大量的目标状态模型．为了减少联合概率数据关联算法中可行联合事件的数目，本文还提出了一种快速联合概率数据关联算法，理论分析和Monto Carlo仿真表明了该算法的有效性。