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。

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。

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。

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.

基于高斯混合概率假设密度的运动参数估计组合平滑滤波算法

针对高斯混合概率假设密度(GM-PHD)滤波器在目标速度未知或不准确时,目标状态估计性能较差,该文提出一种基于GM-PHD的运动参数估计组合平滑滤波算法。该算法通过目标状态提取速度信息,经过中值平滑和线性平滑组合处理提升速度估计准确性,然后将速度反馈给GM-PHD滤波器的状态转移方程,提高状态预测精度。仿真结果表明,目标速度未知或不准确时,所提算法能够明显改善GM-PHD滤波器状态估计性能。

认知无线电中基于高斯混合概率假设密度滤波的主用户跟踪算法

基于随机集的高斯混合概率假设密度滤波算法是一种典型的多目标跟踪算法,可以在目标数目未知的情况下进行多目标跟踪,但是该算法要求已知目标的起始位置,在很多情况下,目标的起始位置信息是无法获得的。本文针对这一问题,提出了改进的高斯混合概率假设密度滤波算法,并将本文算法应用于认知无线电系统的主用户跟踪问题。该算法利用双向预测的方式对检测结果进行估计,即使用正向预测算法来估计现存主用户的位置,然后采用后向预测算法来搜索新生的主用户并估计出新生主用户的位置。本文算法的主要优点是在主用户的数目、出现的时间和起始位置均未知的情况下仍可以有效的跟踪目标。最后,通过仿真对本文算法的性能进行了分析。仿真结果表明,本文算法在误检率较高的情况下可以准确地跟踪主用户。

多模型不敏高斯混合概率假设密度滤波方法

基于机场目标跟踪的实际问题,提出一种多模型不敏高斯混合概率假设密度滤波算法。首先,为减小计算量,将扩展目标建模成带有扩展信息的点目标,采用标准不敏高斯混合概率假设密度滤波器。其次,对可能的运动形式,设置多模型下统一的状态矢量和状态转移矩阵。然后,利用不敏变换进行非线性滤波。实测数据处理结果验证了所提算法的有效性,对未来概率假设密度滤波器用于实际雷达有重大意义。

一种改进的高斯混合概率假设密度SLAM算法

针对高斯混合概率假设密度SLAM(GMPHD-SLAM)算法存在的估计精度低和计算代价高的问题,提出一种无迹高斯混合概率假设密度SLAM算法(unscented-GMPHD-SLAM).其主要特点在于:将无迹卡尔曼滤波器应用于机器人位姿粒子权重计算及概率假设密度更新过程中,可提高算法整体估计性能;将更新的高斯项按照传感器视域分类,有效降低了算法计算量.通过仿真实验,将所提出算法与传统PHD-SLAM算法进行比较,结果表明该算法在提高估计精度和降低计算负担方面是十分有效的.

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。

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。

基于概率假设密度的汽车防撞雷达多目标跟踪

基于毫米波汽车防撞雷达系统,考虑到雷达测量误差的存在以及道路前方车辆的行驶状态和数目的实时变化,包括新目标车辆出现、目标消失等多种情况,设计了一种多模型高斯混合概率假设密度算法实现对多个机动车辆的检测跟踪。针对高速公路上多个车辆行驶的情况,运用高斯混合概率假设密度算法以及多模型理论进行仿真实验,结果表明该算法不仅能够实时地对雷达探测范围内多个目标车辆进行准确跟踪,而且能够及时地判断出驶入或驶出雷达探测范围的车辆,从而在提高自车与前车之间相对距离、相对速度测量精度的同时,有效地对可探测目标车辆数目进行准确的判断,降低了雷达虚警率,提高了防撞雷达系统的可靠性。

多目标跟踪中一种改进的高斯混合PHD滤波算法

高斯混合概率假设密度(GM-PHD)滤波是一种杂波环境下多目标跟踪问题算法,针对算法中存在的目标漏检和距离相近时精度下降的问题,提出一种改进的高斯混合PHD滤波算法。该算法在高斯混合框架下通过修正PHD递归方程,有效地解决了漏检引起的有用信息丢失问题;利用权值判断高斯分量是否用于提取目标状态,避免了具有较高权值的高斯分量合并在一起,从而改善目标相互接近时的跟踪性能。仿真实验表明,改进算法在滤波精度和目标数估计方面均优于传统的GM-PHD算法。

无源声呐水下多目标融合跟踪方法

针对海洋环境噪声导致弱目标在不同子频带检测结果差异较大,致使以全频带探测结果为输入的跟踪算法出现性能退化的问题,提出一种子带融合跟踪方法。该方法利用改进的高斯混合概率假设密度滤波器对各频率子带输出的方位估计结果进行跟踪,并采用广义协方差交集准则对子带跟踪结果进行融合,以获得综合各子带信息的跟踪结果。仿真结果表明,所提方法可以提高弱目标在各子带信噪比不均衡情况下的跟踪能力,且运算时间与对比方法较为接近。海试数据处理结果进一步验证了所提方法的有效性。

计算高效的分布式多传感器PHD融合方法

基于广义协方差交集(GCI)融合理论,提出一种计算高效的分布式多传感器多目标跟踪算法,其中概率假设密度(PHD)滤波器在每个传感器节点运行,进行滤波处理。GCI用于融合多个PHD时,融合密度包括大量融合假设,这些假设随着高斯分量的数量增加呈指数增长。因此,GCI融合在实际运行中往往难以计算。为了提高多传感器融合的运算效率,文中通过距离度量将高斯分量聚类,然后进行孤立。距离度量可计算出目标融合后的密度权重,丢弃权重可忽略不计的融合假设,就能够构建简化的近似密度函数。分析表明,所提出的融合算法相较于传统的GCI融合算法,计算效率能够呈倍数提升。在先后出现12个目标的仿真场景中,通过实验验证了所提融合算法的有效性。

声呐图像多目标跟踪高斯滤波算法

针对高斯滤波算法中“新生目标强度已知”这一假设在声呐图像多目标跟踪应用中不成立的问题,本文提出一种改进高斯混合概率假设密度滤波滤波算法,利用量测进行滤波算法的初始化,相比均匀分布初始化可加快收敛速度;并在每一时刻的算法循环中采用量测驱动新生,但不做判决,而是到下一时刻根据量测和算法再判定新生目标的真实性,可突破新生目标强度已知的限制并降低跟踪误差。仿真表明:改进高斯混合概率假设密度滤波滤波算法的跟踪误差更低且运算时间更短。此外,分析了检测概率以及杂波密度对跟踪性能的影响。图像声呐多目标跟踪水池实验验证了改进高斯混合概率假设密度滤波算法能进行有效地多目标跟踪。

SRCKF-GM-PHD多目标跟踪算法的优化

针对平方根容积卡尔曼滤波高斯混合概率假设密度(SRCKF-GM-PHD)算法在高杂波条件下对非线性目标跟踪能力弱的问题,文中首先融入改进灰狼算法,实时调节过程噪声Q和量测噪声R。其次,结合改进的渐消因子思想,实时调整SRCKF-GM-PHD算法中的增益矩阵,提高目标的跟踪精度。此外,为避免算法中止,文中提出动态权重调整策略的改进措施,调整算法中的实际输出残差序列的协方差。最终,形成了融合改进灰狼算法和改进渐消因子的SRCKF-GM-PHD算法。仿真分析对比了四种算法的性能,表明了所提算法在跟踪精度方面的有效性和优越性。

基于随机有限集的视频SAR多目标跟踪方法

视频合成孔径雷达具有高分辨与高帧速率成像的特点,可以连续获取地面感兴趣区域目标近似视频的信息,为基于SAR图像的目标识别与跟踪技术的快速发展奠定了基础。为了满足日益复杂的应用需求,多目标跟踪技术逐渐发展成熟,针对多目标跟踪过程中每个运动目标的状态都具有空时变性,并且目标的数量具有随机性的难题,首先建立了基于随机有限集的多目标跟踪算法,在此基础上讨论了贝叶斯框架下的概率假设密度算法,并在高斯混合模型下研究并实现了高斯混合概率假设密度滤波算法,进而实现了基于RFS的多目标跟踪算法,在复杂环境背景下验证了该算法的有效性。

车载分布式MIMO雷达原理与实测数据分析

文中分析了分布式构型多输入多输出(MIMO)雷达及其处理框架,并针对车载应用场景,结合超分辨测角算法给出了一套基于分布式MIMO雷达的成像、测速、跟踪处理流程。在此处理流程的基础上,文中创新性地提出了基于高斯混合概率假设密度(GM-PHD)跟踪算法的距离-角度-速度关联方案,并对GM-PHD算法进行了改进,增加了标签配对功能,同时实现了多维信息的快速关联和目标的航迹跟踪。最后,利用实测数据验证了相关算法的有效性和实用性,与单一雷达成像及跟踪结果对比并进行了详细分析,验证了分布式MIMO雷达具有更优的目标检测性能及目标跟踪效果。

基于BELLHOP模型的水下多目标跟踪算法研究

针对高频主动声呐的深海多目标跟踪问题,提出了基于BELLHOP模型的无迹卡尔曼滤波-高斯混合概率假设密度(Unscentesd Kalman Filter-Gaussian Mixture-Probability Hypothesis Density,UKF-GM-PHD)水下多目标跟踪算法。该算法首先利用BELLHOP射线声学模型,计算出本征声线、目标信号的幅度、相位及时延信息,以此构造目标回波信号并叠加高斯白噪声。然后,由回波信号计算得到目标相对于观测站的距离、方位角和俯仰角信息,作为目标跟踪系统中的量测信息。最后利用提出的UKF-GM-PHD多目标跟踪算法,实现高频主动声呐非线性系统的多目标跟踪。仿真结果表明,在深海高频主动声呐条件下,文章提出的UKF-GM-PHD多目标跟踪算法较传统高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GM-PHD)方法,明显降低了目标丢失率,并且最优子模式指派统计量(Optimal Sub-Patter Assignment,OSPA)距离也更小,跟踪效果更好。