一种改进的GMPHD高机动多目标跟踪算法

由于高机动多目标跟踪场景中目标个数未知、运动形态复杂,采用传统的GMPHD滤波算法容易出现跟踪误差大、目标数目估计不准确、目标航迹难以区分等问题。针对以上问题,在GMPHD滤波算法的基础上,提出了一种自适应CS模型的标签化GMPHD滤波算法,借助标签化手段显式区分目标航迹,并对漏检目标航迹外推,同时将适用于单目标的自适应CS模型拓展到机动多目标场景,将目标机动性变化实时反馈到目标状态估计上。通过与扩展GMPHD、平方根容积GMPHD和自适应CS-GMPHD算法的仿真对比实验,验证了所提算法在高机动多目标场景下计算耗时低且跟踪精度高的性能优势。

一种新的多机动目标跟踪的GMPHD滤波算法

针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.

改进匹配方法的BFG-GMPHD滤波算法

针对高斯混合概率假设密度(GMPHD)滤波算法中的机动目标跟踪问题,提出了一种改进的最佳拟合高斯(BFG)与GMPHD结合的BFG-GMPHD算法。算法对BFG近似方式做出改进,通过匹配状态转移的均值和协方差矩阵来近似多个目标动态模型中的状态转移矩阵和过程噪声的协方差矩阵,实现了滤波器与不同动态模型的匹配;在对BFG分布进行递推时,引入了模型概率更新过程,解决了BFG仅依赖于先验信息的问题。仿真实验表明:改进后的算法能滤除传感器数据中的杂波干扰,有效匹配目标运动模型的变化,更加准确地估计出目标的数目和状态,提高了跟踪的性能。

扩展目标GMPHD滤波器的航迹维持算法

概率假设密度(PHD)滤波器提供了各目标在每个时刻的状态信息,但未形成航迹。该文提出了扩展目标高斯混合PHD(GMPHD)滤波器的航迹维持算法。首先对后验概率强度的每个高斯分量添加标签;其次在后验概率强度随着时间进行演化时,标签也随之演化;并通过航迹管理方案为扩展目标提供航迹。为提高GMPHD滤波器性能,提出了自适应的量测集划分法。最后通过仿真验证了提出算法的有效性。

PHD类转录因子GmPHD2和Bar基因的植物表达载体的构建

利用高保真PCR酶从克隆载体pMD18T-GmPHD2中扩增出大豆PHD类转录因子GmPHD2,并于基因上下游分别引入XbaI和XhoI酶切位点;然后通过TA克隆、载体双酶切、连接、转化等技术手段,将其连入植物表达载体pBA002,构建了含GmPHD2和抗除草剂筛选标记Bar基因的植物表达载体pBA002-GmPHD2。重组质粒经PCR检测、双酶切及测序验证,表明GmPHD2基因已被完整、正确的插入到pBA002载体中,之后通过冻融法将重组质粒pBA002-GmPHD2成功导入农杆菌EHA105,利用此农杆菌不仅可以介导转化大豆,而且可以转化非同源的其他作物,为进一步开展植物抗逆性的基因工程研究提供了新基因资源。

基于mean shift和图结构的GMPHD扩展目标跟踪

针对当前扩展目标跟踪算法中,量测划分数过多、计算量过大,目标交叉时刻易产生漏估等问题,提出一种基于mean shift和图结构的GMPHD扩展目标跟踪算法。首先,引入核密度估计剔除杂波量测;其次,采用mean shift算法对扩展目标量测集进行划分,并依据图结构更新后反馈回的信息判断是否需要进行子划分;然后,采用扩展目标GMPHD算法进行滤波处理;最后,对滤波结果进行一步预测,更新图结构,并使用更新后的图结构信息指导下一时刻的量测划分。matlab仿真表明,所提算法大幅减少了量测划分数,降低了运算量,解决了扩展目标交叉时刻的漏估问题。

大豆GmPHD3基因的克隆及逆境表达分析

为探讨大豆PHD-finger转录因子家族编码基因GmPHD3在抵抗中国南方高温高湿非生物胁迫造成种子劣变过程中的调控作用,分离全长GmPHD3基因并进行生物信息学分析、亚细胞定位和转录激活活性分析,以种子劣变抗性品种湘豆3号和不抗品种宁镇1号叶片及不同组织cDNA为材料,通过RT-PCR,进行组织表达模式分析和高温高湿胁迫下的表达模式分析。生物信息学分析结果表明基因CDS序列长度为738 bp,编码246个氨基酸,包含Alfin和PHD-finger 2个结构域。进化树结果表明该基因与木豆ALFIN-Like 3-like(XM020363358.1)的遗传距离较近。亚细胞定位结果显示该蛋白在细胞核内表达。转录激活试验结果表明基因全长有转录激活活性,激活域为N端Alfin结构域,C端PHD-finger结构域无转录激活活性。组织表达模式分析发现该基因主要在成熟期高表达,且2个品种间存在差异。胁迫下的表达模式分析发现随着胁迫时间的延长,基因的表达量逐渐升高。研究结果为进一步阐明高温高湿胁迫下的调控机制研究奠定一定理论基础。

基于TDOA测量的多目标P-GMPHD跟踪算法

针对传统的到达时差(Time difference of arrival,TDOA)多目标跟踪算法计算量大,估计精度低,虚警值较多等问题,提出了一种预关联高斯混合概率假设密度(P-GMPHD)多目标跟踪算法。该算法利用随机集理论对TDOA的目标状态和观测值进行建模,通过递推高斯混合来预测和更新各状态后验概率密度,避免了复杂的数据关联问题。为减轻高斯混合滤波的计算量,提出了将预测信息与观测值进行预关联的思想,剔除虚警值,从而显著地降低了计算量。仿真结果表明,该算法能在杂波环境下有效地利用TDOA测量值跟踪未知数目的多个运动目标,并且在不影响跟踪性能的情形下,其计算量比一般GMPHD有了较大的降低。

基于ET-GMPHD算法的编队目标跟踪方法

针对低检测环境下编队目标的跟踪问题,提出了一种基于扩展目标高斯混合概率假设密度(extended target Gaussian mix probability hypothesis density,ET-GMPHD)算法的编队目标跟踪方法。首先,保留修剪掉高斯项的同时将其外推,用Jensen-Shannon(JS)散度衡量下一时刻状态估计值与外推值间的相似程度,并以此反映是否有目标丢失,保证真实目标不被修剪,解决了因目标漏检导致跟踪结果不准确的问题。其次,结合循环阈值聚合法得到编队整体的状态估计,消除了估计状态集合中状态值过多造成的影响。最后,仿真实验表明,该方法能够在检测概率极低的情况下进行有效跟踪,并具有良好的跟踪性能。

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.

基于多普勒量测的UKF多目标跟踪方法

针对高斯混合概率假设密度滤波(GMPHD)初始化需要先验强度函数的缺点,在现有GMPHD滤波框架的基础上,将多普勒信息附加于滤波更新过程中,提出了基于多普勒量测的UKF多目标跟踪方法。该方法能够利用多普勒信息对新生目标状态初始化,实现新生目标的自动初始化,有效降低滤波估计误差。仿真结果表明,所提方法复杂度较低,且在多目标跟踪过程中,对于目标个数的估计精度和最优子模式指派距离均优于已有方法。

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。

一种天波超视距雷达多路径融合算法

针对天波超视距雷达(over-the-horizon radar,OTHR)多目标跟踪所面临的多路径和低检测概率问题,结合混合高斯概率假设密度(Gaussian mixture probability hypothesis density,GMPHD)滤波器免数据关联以及计算耗费低的优点,提出多路径不敏卡尔曼混合高斯概率假设密度(multipath unscented Kalman-Gaussian mixture probability hypothesis density,MPUK-GMPHD)融合框架.该框架将多路径效应等效为多传感器,构建面向OTHR的多传感器意义下的概率假设密度(probability hypothesis density,PHD)融合算法.通过多路径信息的有效融合避免多路径独立量测更新带来PHD目标数过估问题,并采用不敏卡尔曼滤波处理量测模型非线性问题.仿真结果表明,在OTHR多目标跟踪的复杂环境下,MPUK-GMPHD融合算法能够较准确地估计目标状态和目标数,缓解了直接利用GMPHD滤波器处理带来的目标数过估和较大计算量的问题.