联合目标跟踪与分类技术的进展及存在问题

联合目标跟踪与分类(JTC)技术是信息融合领域新兴的一个研究方向。其基本思想是:通过在目标跟踪器和目标分类器之间进行双向信息交互,来同时有效地提高目标的跟踪精度和分类性能。介绍了JTC技术的基本原理。将现有JTC技术划分为两大类——基于质点运动模型的JTC技术和基于刚体运动模型的JTC技术,并作了对比分析。综合论述了JTC技术的发展。指出JTC技术目前存在的主要问题以及未来的研究方向。

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。

基于PHD的多扩展目标联合检测、跟踪与分类算法

针对杂波和噪声背景下空间距离较近的扩展目标数目和状态难以估计的问题,提出了基于扩展目标概率假设密度滤波器(ET-PHD)的多目标联合检测、跟踪与分类算法,并给出了该算法基于粒子滤波的实现方法.算法在滤波器中引入了属性量测信息,预测阶段的粒子按照其类别进行传播,更新阶段对所有粒子进行联合更新,更新结束后将粒子按照类别进行分类,各类别的粒子集表示了其相应类别目标的PHD分布.该算法具有模块化结构,计算复杂度为O(mn).数值仿真场景包含两类扩展目标并行运动和两类扩展目标交叉运动.结果表明,该算法可以同时估计扩展目标的类别、数目和状态,并且平均最优次模式分配距离相比传统算法的降低幅度超过50%.

基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息,基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法,提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中,对各高斯项编号,进行航迹提取,在滤波处理的同时形成带有航迹编号的明确航迹,并进行航迹管理;同时,根据目标运动模型,联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时,对目标航迹进行有效类型识别.

一种基于粒子滤波的联合跟踪与分类算法

针对纯运动学信息联合跟踪与分类问题,提出了一种基于混合无味粒子滤波的联合跟踪与分类算法。在传统粒子滤波联合跟踪与分类算法的基础上,通过采用无味变换,利用多个无味卡尔曼滤波器给出更高质量的粒子建议分布,提高整个算法的性能。理论分析和仿真结果都表明,与传统粒子滤波联合跟踪与分类算法相比,该算法无论在跟踪精度还是在分类正确率上都有明显的提高。

基于GIW-PHD的扩展目标联合跟踪与分类算法

在使用估计器对扩展目标进行跟踪时,算法的精度会受到系统演化模型选择的影响.针对该问题,本文提出将扩展目标的形态信息直接作为目标的类别信息,每一类别确定了目标相关的运动模型,在多模型(Multiple Model,MM)高斯逆威沙特概率假设密度(Gaussian Inverse Wishart PHD,GIW-PHD)滤波器的基础上,实现对扩展目标的联合跟踪与分类.仿真实验通过比较所提算法与GIW-PHD、MM-GIW-PHD两种滤波方法的性能,验证了本文所提算法的有效性.

基于ET-PHD的自适应联合跟踪与分类算法

针对新生目标强度先验未知的扩展目标(Extended target, ET)联合跟踪与分类(Joint tracking and classification,JTC)问题,提出一种基于扩展目标概率假设密度(Extended target-probability hypothesis density, ET-PHD)滤波器的自适应联合跟踪与分类算法,并给出其高斯混合实现方法.算法利用量测信息生成新生目标强度,在滤波预测阶段对存活目标和新生目标分别按照其类别进行传播,再引入属性量测信息,用位置和属性的联合量测似然函数代替单目标位置似然函数,对预测后所有目标强度进行联合更新,之后按照类别进行高斯项的删减与合并,提取相应类别目标的状态集.仿真结果表明,提出的自适应算法改进了概率假设密度滤波器在扩展目标跟踪中的性能.

非椭圆扩展目标联合跟踪与分类算法

充分利用目标尺寸和形状信息,提出了一种基于星凸随机超曲面模型(random hypersurface model, RHM)的非椭圆扩展目标联合跟踪与分类(joint tracking and classification, JTC)算法。将目标空间扩展状态建模为星凸形状,通过目标类别相关先验信息的矢量化建模,建立起其与目标瞬时扩展状态的关系,并在统一的贝叶斯滤波框架下,实现跟踪与分类的一体化处理;进一步对目标运动学状态和扩展状态单独进行建模,并通过构建扩展状态的似然函数,利用粒子滤波实现目标类别概率算式的递推处理。仿真结果表明:与基于椭圆形状的扩展目标JTC算法相比,所提算法能对尺寸相近、形状不同的目标进行准确分类,同时可改善目标状态的估计效果;与基于星凸RHM的扩展目标跟踪算法相比,所提算法能大幅提高目标状态的估计性能。

多传感器目标检测跟踪与分类算法

在目标准确检测优化的研究中,单传感器联合检测、跟踪和分类算法是一种新型算法,可以同时对目标进行检测、状态估计和类别判断。然而上述算法估计目标数目、状态与类别性能较差。采用多传感器方法对目标进行观测,可以显著提高目标检测、跟踪与分类效果。提出基于粒子概率假设密度(PFPHD)滤波器的多传感器联合检测、跟踪和分类算法。首先通过对各传感器信号进行建模,提取目标的属性量测,然后引入目标的属性信息对目标状态空间进行重新建模,从而得到目标综合状态,最后利用多个传感器的量测对综合状态进行序贯处理。仿真结果表明,与单传感器联合算法相比,上述算法能够更准确判断多目标类别,目标数目估计精度和跟踪精度均提高20%以上,验证了算法的有效性和可行性。

基于MMPHDF的多机动目标联合检测、跟踪与分类算法

针对场景中存在新目标出现、旧目标消失(即目标数目变化)和密集杂波的复杂情形,利用多模型概率假设密度滤波器(MMPHDF)在多机动目标联合检测与跟踪上的优势,加入类别辅助信息,提出了一种多机动目标联合检测、跟踪与分类算法.该算法的基本思想是在MMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,从而改善了目标数目及状态的估计精度;在更新目标状态后,对目标属性信息进行更新,更为精确的目标数目及状态估计又保证了目标分类性能.本文给出了该算法的粒子实现方法.仿真结果验证了上述结论.

基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类

为了解决杂波和漏检下多目标的联合跟踪与分类问题,提出了模型类型匹配概率假设密度(probability hypothesis density,PHD)滤波器,同时将其与多传感器的可转移信度模型(transferable belief model,TBM)框架相结合,并用多个运动学雷达和粒子滤波递推实现。该算法对飞行器的先验信息进行估计,从而替代了属性传感器。在预测阶段,根据模型和类型对PHD滤波器进行粒子匹配;传感器得到观测结果后进行粒子权重的更新;再根据粒子对应的权重得到目标的后验状态-模型-类型分布;这些PHD滤波器可以同时得到目标的状态和类型;结合TBM和航迹粒子标签算法,得到多个传感器的融合结果。仿真表明,本文提出的模型类型匹配PHD滤波器的性能比传统多模型PHD滤波器更精确,同时多传感器的TBM框架也全面提升了算法的性能。

基于有限集统计学理论的目标跟踪技术研究综述

有限集统计学理论为杂波背景下的目标跟踪问题提供了一种工程友好的理论工具.对近年来基于有限集统计学理论的目标跟踪技术研究现状进行了综述,包括最优多目标贝叶斯滤波器及其近似技术、参数未知与机动多目标跟踪技术、航迹生成方法、单目标联合检测与跟踪滤波器及基于有限集观测的单目标滤波器等,对相关应用亦有所介绍.最后在已有研究发展的基础上,着眼于提高目标跟踪精度和增强目标跟踪鲁棒性的发展需要,提出了基于有限集统计学理论的目标跟踪技术需重点解决和关注的若干问题,包括多目标跟踪性能评价、弱小目标跟踪、多机动目标跟踪、多传感器融合跟踪以及联合目标检测、跟踪与分类等方面.