一种改进的高斯逆威沙特概率假设密度扩展目标跟踪算法

假设扩展目标(ET)的扩展和量测数目分别为椭圆和泊松模型,高斯逆威沙特概率假设密度(GIW-PHD)能够估计扩展目标的运动和扩展状态。然而,该滤波器对空间邻近目标的数目、非椭圆目标和受到遮挡目标的扩展估计不够准确。针对这些问题,该文提出一种改进的GIW-PHD。首先,假设目标扩展为一个相同尺寸的参考椭圆,通过设计新的散射矩阵得到改进的随机矩阵(RM)方法。然后,将改进的RM方法与假设量测数目服从多伯努利分布的ET-PHD结合,得到改进的GIW-PHD滤波器。仿真和实验结果表明,与传统GIW-PHD相比,改进的GIW-PHD估计的目标数目和量测数目较多,扩展较大的椭圆和非椭圆目标的扩展更准确。

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.

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.

低检测概率下改进的概率假设密度滤波器

针对传统多目标概率假设密度(PHD)滤波器在低检测概率情况下跟踪精度低和失跟率高的问题,提出了一种改进的概率假设密度滤波算法。该算法利用高斯混合PHD(GM-PHD)滤波器进行PHD预测和PHD更新,处理过程中通过修正上一拍权值大的高斯项,并在处理当前拍时保证其权值的稳定性,以保证算法的高精度。仿真结果表明,在低检测概率情况下,该算法可较好估计目标数和目标状态。与传统GM-PHD滤波器比,该算法跟踪精度大幅提高。

一种基于多模型高斯逆Wishart PHD滤波器的空间邻近目标跟踪方法

将空间邻近目标(Closely Spaced Objects,CSOs)整体建模为扩展目标(Extended Target,ET),用随机矢量和随机矩阵分别描述CSOs质心运动和扩散状态,并采用高斯逆Wishart(Gaussian inverse Wishart,GIW)概率假设密度(Probability Hypothesis Density,PHD)滤波器实现杂波和漏检条件下CSOs的稳定跟踪.修正了原GIW-PHD滤波器量测模型和形状估计的缺陷,给出新的递推表达式,并在此基础上提出一种多(形变)模型GIW-PHD滤波器,以适应CSOs分裂和融合引起的形状变化.仿真结果表明,所提算法能够有效跟踪CSOs,状态估计比原GIW-PHD更加准确,对CSOs的变化更加敏感.

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。

一种具有信息保持能力的GM-PHD滤波器

概率假设密度(PHD)滤波器是解决虚警、漏检和目标数未知情况下多目标跟踪问题的新方法.然而在该滤波器中已存在的目标一旦在某个时刻不能被传感器检测到,漏检目标的大量信息会被滤波器丢弃.为解决漏检目标的信息丢失问题,对PHD滤波器的预测和更新方程进行了修正,提出了一种具有信息保持能力的PHD滤波器.在此基础上提出了适用于线性高斯模型的修正PHD滤波器高斯混合(GM)实现算法.仿真实验结果表明,与现有的PHD滤波器相比,在存在漏检的情况下所提出的GM-PHD滤波器能够提供更好的多目标跟踪能力.

结合聚类的GM-PHD滤波器辐射源群目标跟踪

群目标跟踪是一种情况更为复杂的多目标跟踪问题,由于军事辐射源目标经常出现雷达关机的情况,因此常用的多目标跟踪方法对于这类辐射源群目标的跟踪效果并不理想。为此,结合聚类技术提出了一种改进的高斯混合概率假设密度(Gaussian mixture-probability hypothesis density,GM-PHD)滤波器跟踪方法。该方法在GM-PHD滤波器的更新过程中,通过引入群中心产生的虚拟量测信息以提高目标跟踪性能,但不进行量测集划分。获得单一个体目标的估计状态后利用Jensen-Shannon divergence计算其相似度,然后再对估计目标进行聚类以实现群目标的跟踪。最后通过对相邻时刻的群中心轨迹点进行关联匹配,从而获得群目标的完整运动轨迹。仿真实验结果表明,所提方法能够对辐射源群目标进行有效跟踪,并具有较好的目标跟踪性能。

基于雷达辐射源信号特征的类别信息辅助GM-PHD滤波器

雷达辐射源目标跟踪在军事应用领域具有重要的意义。结合目标类别信息有助于提高高斯混合概率假设密度(Gaussian mixture-probability hypothesis density,GM-PHD)滤波器多目标跟踪的性能,但电子侦察系统获得的雷达辐射源信号信息无法直接应用于上述滤波器。为此,先利用辐射源信号特征进行雷达类型识别,然后基于可传递信度模型根据雷达-平台的配属关系将该识别结果转换到与已知类别信息相同的辨识框架内。在此基础上,采用相容系数度量其相似度用以近似GM-PHD滤波器中的量测似然值,从而实现类别信息的辅助目标跟踪。仿真实验表明,在不同的杂波密度下所提方法能够有效提高GM-PHD滤波器的跟踪性能。

基于多目标不确定性改进的GM-PHD滤波器

基于随机有限集的高斯混合概率假设密度(GM-PHD)滤波是处理多目标跟踪问题的一种有效方法。GM-PHD滤波器在密集杂波环境中会因估计误差过大而导致跟踪性能的下降,主要是因为没有充分考虑来自多目标量测的不确定性。为此,提出在考虑高斯分量权重的情况下,通过分量值改变协方差更新式,并通过引入标签,采用自适应阈值对高斯分量进行合并。理论分析和仿真结果表明:该方法在杂波环境下,目标最优次模式分配距离小,跟踪精度更高;目标数量的估计结果受杂波的影响更小,其估计值更接近真实的目标数量;通过具有不同杂波以及检测概率条件的跟踪场景,证明了该方法的目标数量估计精度和滤波性能明显好于传统算法。

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。

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.

快速多目标跟踪GM-PHD滤波算法

传统的GM-PHD(Gaussian Mixture-Probability Hypothesis Density)滤波算法用当前时刻接收到的全部量测值对所有高斯项进行更新,使得大量的运算时间花费在使用无效量测对高斯项的更新上。针对此问题,提出一种快速多目标跟踪GM-PHD滤波器。首先在算法预测步骤中将高斯项分为新生及存活目标两类;然后在更新步骤中先计算存活目标与所有量测之间的残差,使用椭球门限,用门限内的量测值来更新存活目标;接着计算新生目标与剩下量测之间的残差,再次使用落入椭球门限内的量测值来更新新生目标,这样可以最大限度地将无效量测排除掉,从而减少算法运算时间。实验结果表明,该方法在保证目标跟踪精度的同时降低了算法时间复杂度,其综合性能优于传统的GM-PHD滤波算法。

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。

基于改进的密度峰值聚类的扩展目标跟踪算法

针对扩展目标高斯混合概率假设密度(extended target Gaussian mixture probability hypothesis density,ET-GM-PHD)滤波器中的量测集划分问题,提出了一种改进的密度峰值聚类(improved density peak clustering,IDPC)量测集划分算法。首先,使用IDPC算法去除局部密度较低的杂波量测,以获得最有可能的目标生成的量测集。其次,将剩余的量测集聚类以获得空间上紧密联系的聚类簇和簇的聚类中心。最后,根据预测的具有较高权重的高斯分量的均值在每个簇上的投影,获得准确的量测集划分。实验结果表明,与现有的量测集划分方法相比,该算法在保持跟踪精度的同时,可以大大减少计算时间。

基于权重约束GM-PHD滤波的多目标跟踪方法

针对高斯混合概率假设密度(GM-PHD)滤波器未检查一对一假设以及难以跟踪跨越目标的问题,在其基础上提出一种约束权重的改进多目标跟踪方法。通过构建权重矩阵,从所有生成的目标中寻找权重最大的目标。根据权重关系,重新归一化除最大权重外所有行的目标,并使归一化和权重约束迭代进行。在GM-PHD滤波器的更新步骤中生成目标的相应权重,完成滤波操作。通过蒙特卡罗仿真对该方法进行评估,检测有杂波、不同目标速度和不同帧率情况下的滤波器性能,分别对穿越和密集的目标进行仿真。实验结果表明,与使用GM-PHD滤波器和基于序贯蒙特卡洛概率假设密度(SMC-PHD)滤波器的方法相比,该方法整体跟踪性能较优。

一种GMPHD滤波改进算法及仿真研究

提出了一种面向快速多目标跟踪的多目标信息自适应提取算法。该算法引入子PHD表示单目标强度,其积分表征目标存在概率,并分类为存活子PHD、新生子PHD以及预备存活子PHD,对各子PHD进行预测及更新,另外构建多子PHD管理策略实现航迹提取,从而实现快速目标跟踪。仿真结果表明,此算法在状态估计的精度以及计算效率上具有非常明显的优势。

改进的多扩展目标PHD滤波算法

在扩展目标产生量测密度差异较大的情况下,传统的基于距离划分的多扩展目标高斯混合概率假设密度(ET-GM-PHD)滤波算法计算量大,跟踪效果不佳。针对这个问题,提出了一种改进的ET-GM-PHD滤波算法,该算法首先通过局部异常因子(LOF)检测对量测集进行杂波的滤除,然后采用共享最近邻(SNN)相似度为量测划分准则。SNN相似度体现了量测分布的局部信息,考虑了量测周围的量测信息,因此利用SNN相似度划分量测密度差别较大的量测集时,划分效果比较理想。提出的算法相较于传统算法,减少了运行时间,提升了跟踪的稳定性。