基于GM-CPHD滤波算法的主动声呐目标跟踪

水下多目标运动状态估计一直是主动声呐目标跟踪的难点问题。为了实现对可变数目水下多目标运动状态的估计,将随机有限集理论应用于多目标跟踪,不仅避免了多目标跟踪数据关联问题,而且解决了多目标跟踪过程中可变数目目标运动状态估计。传统的PHD滤波算法对目标数目估计存在敏感性,虽然CPHD滤波算法引入了对势分布的估计提高了对目标数目估计的精确性,但同时也增加了其计算量。对于高斯线性目标跟踪系统,GM-CPHD滤波算法对目标数目的估计比GM-PHD滤波更加精确。利用椭圆跟踪门策略减小了GM-CPHD滤波算法的计算量。同时,结合水下目标跟踪的特点,利用声呐方程得到一定虚警概率条件下的检测概率与距离关系的解析式,提出了一种适合于水下目标跟踪的自适应检测概率GM-CPHD滤波算法,仿真结果表明:该算法在多目标跟踪中可以更有效地实现目标状态及数目的估计。

初等对称函数对GM-CPHD算法执行效率的影响

多目标跟踪问题中,GM-CPHD滤波算法能够同时递推估计势分布及强度分布信息,滤波精度较高。然而其缺点是时间复杂度较大,尤其是当杂波率较高时,滤波时间过长。导致该问题的主要原因是该算法更新步骤中的初等对称函数的计算复杂度很高。针对该问题,采用递推方法替换定义方法计算初等对称函数,提高了求解效率,降低了整个算法的时间复杂度。仿真结果表明,通过递推方法计算初等对称函数能够大大降低滤波时间复杂度,且不影响滤波精度。

基于航迹—估计关联的GM-CPHD后处理算法

高斯势概率假设密度滤波算法在低检测率条件下目标数目估计会出现偏差。针对该问题,提出了一种基于航迹—估计关联的GM-CPHD后处理算法。计算航迹和估计之间的距离矩阵,利用匈牙利指派算法进行航迹—估计关联。通过设定航迹的连续性阈值对短航迹进行裁剪,并以此消除虚假目标估计。利用拉格朗日插值对各条不连续的航迹进行插值,以弥补由于低检测率而造成的遗漏估计。仿真实验结果表明,该处理算法能够有效地提高目标数目的估计精度。

GM-CPHD自适应门限目标跟踪算法研究

该文提出利用一种最大似然自适应门限的快速算法,该算法首先利用自适应的对观测进行门限处理,然后仅利用处于门限内的有效观测进行GM-CPHD算法的更新步计算,大大降低了算法的计算复杂度。

面向应用的GM-CPHD雷达多目标跟踪技术

针对雷达密集多目标跟踪数据关联的难题,为了进一步降低目标个数估计误差,研究高斯混合-势概率假设密度方法(GM-CPHD)。首先,在随机集框架和最优贝叶斯理论下,给出了CPHD递归形式;然后,在线性高斯假设条件下,详细给出了GM-CPHD强度和势预测和更新的递归闭合解,降低了计算复杂度,满足跟踪实时性要求;最后,仿真实验结果显示,GM-CPHD目标个数估计精度比GM-PHD更高;雷达实验数据测试结果显示,GM-CPHD在不需要数据关联的情况下,能够有效抑制大量杂波,稳定地估计目标个数和目标状态。

基于GM-CPHD的海面目标跟踪算法

由于海面目标个数多、密集、进出雷达视野随机变化性强,而且杂波密度高,目标速度模糊等原因导致机载雷达跟踪性能下降。文中提出了基于随机集理论框架下的海面目标跟踪算法。首先,设计了基于LDL分解的高斯混合势概率假设密度(GM-CPHD)滤波算法用来降低算法的计算量;接着,提出了融入径向速度的目标跟踪算法来提高海面目标跟踪性能;最后,设计了仿真示例。仿真结果表明:该算法在提高跟踪性能的同时可以减少20%的计算量。

基于粒子聚类改进门限的GM-CPHD跟踪算法

针对带势的高斯混合概率假设密度滤波(GM-CPHD)计算量大,效率不高,已经无法适应现代战场要求,提出了一种基于粒子聚类改进椭球门限的GM-CPHD多目标跟踪算法。首先引入粒子聚类的方法,通过该方法得到修正的椭球门限;然后通过修正的椭球门限得到新的量测集合,实现了量测空间的改进;最后通过量测集合利用GM-CPHD算法进行更新。经过实验仿真证明,该方法在多目标跟踪效果上优于GM-CPHD算法,且计算复杂度大幅度降低,相比于带门限的GM-CPHD算法,跟踪性能也明显提高。

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。

基于随机有限集的多目标跟踪算法

对基于有限集统计的多目标跟踪算法进行研究。PHD滤波器针对传统多目标跟踪中计算量较大的问题,通过计算多目标分布后验密度的一阶矩模拟多目标贝叶斯迭代,取得了良好的效果。针对PHD滤波器对目标漏检较为敏感的缺陷,Cardinalized PHD(CPHD)滤波器同时估计得到后验密度分布和后验势分布,是对PHD滤波的泛化。通过实现PHD和CPHD滤波的混合高斯模型,分析比较两者的性能。实验表明,由于引入了势分布,CPHD滤波提高了对目标估计的准确率,总体性能优于PHD滤波算法。

基于双马尔科夫链的势概率假设密度滤波

针对已有的基于双马尔科夫链(PMC)模型的势概率假设密度(PMC-CPHD)滤波算法无法实现的问题,将PMC-CPHD算法改进为多项式形式以便于算法的实现,并给出了改进算法的高斯混合(GM)实现。实验结果表明给出的GM实现能够有效实现多目标跟踪,并且比基于PMC模型的概率假设密度(PMC-PHD)算法的GM实现提高了目标个数估计的稳定性。