基于MM-GGIW-PMBM滤波的扩展目标跟踪算法

针对多机动扩展目标跟踪问题,将交互式多模型的思想引入泊松多伯努利混合滤波(PMBM)算法中,提出了一种多模型的伽马高斯逆威夏特-泊松多伯努利混合滤波(MM-GGIW-PMBM)算法。该算法融合多种运动模型,通过模型的交互实现对机动扩展目标扩展状态和质心状态的混合估计预测;通过引入强跟踪滤波(STF)中的渐消因子修正预测之后GGIW分量中的协方差矩阵,防止发生跟踪模型失配的现象;在PMBM更新阶段扩展目标外形和质心估计完成的基础上,利用似然函数完成模型概率的更新。仿真实验结果表明:MM-GGIW-PMBM算法能够对多机动扩展目标的数量和状态进行有效的估计。

多模型GGIW-GLMB算法跟踪机动群目标

针对多个机动群目标跟踪问题,提出了一种多模型伽马高斯逆威夏特-广义标签多贝努利(MM-GGIW-GLMB)算法。采用多模型算法对群目标进行运动建模,利用最适高斯(BFG)近似在预测阶段对多模型进行融合,减小了多模型算法的运算量,为进一步提高算法在目标机动阶段的跟踪性能,引入强跟踪滤波器(STF)对BFG算法得到的预测状态协方差进行修正。利用最优次模式分配(OSPA)距离及其一倍标准差和航迹标签正确率衡量算法对机动群目标的跟踪性能。仿真结果表明,本文算法能够提升对机动群目标的跟踪精度和稳定性。

基于GGIW-CPHD的衍生扩展目标跟踪算法

针对杂波环境下伽玛高斯逆威舍特混合势概率假设密度(GGIW-CPHD)滤波器难以有效提取衍生扩展目标的问题,提出采用多假设对衍生目标建模跟踪的方法。算法利用随机矩阵模型对扩展目标的形状和尺寸进行建模,并根据多假设模型对衍生事件进行预测,最后通过GGIW混合实现扩展目标运动状态、扩展状态和量测率的联合估计。实验结果表明,与标准GGIW-CPHD滤波算法相比,在含有衍生事件的情景下所提方法实现更好的目标势估计性能且具有较强的适用性。

基于GGIW-PMB的衍生扩展目标跟踪

针对标准的扩展目标泊松多伯努利(Poisson multi-Bernoulli,PMB)滤波器难以有效跟踪衍生目标的问题,提出一种改进的PMB跟踪算法.算法采用随机矩阵法对扩展目标外形和尺寸建模,在滤波预测阶段利用多假设模型对衍生事件进行预测,得到多个伽玛高斯逆威沙特(gamma Gaussian inverse Wishart,GGIW)预测假设分量,最后在滤波更新阶段对预测分量更新得到扩展目标的运动状态和扩展形状估计.仿真结果表明,与标准的PMB滤波算法相比,所提算法有效改善衍生扩展目标的跟踪性能.

基于知识的海杂波背景下距离扩展目标检测

该文针对在辅助数据有限的情况下自适应检测器出现检测性能损失,提出基于杂波的先验知识分布的距离扩展目标自适应检测算法。复合高斯杂波的纹理和散斑的协方差矩阵分别被建模为服从逆伽玛分布的随机变量和逆复Wishart分布的随机矩阵。利用先验知识推导了纹理分量的最大后验估计,并结合广义似然比检验设计了不依赖辅助数据的距离扩展目标自适应检测器。仿真结果表明,提出的检测器在参数失配条件下具有好的鲁棒性,而且在辅助数据有限情况下检测性能优于传统的广义似然比检测器的检测性能。

基于δ-广义标签多贝努利的群分裂算法

群分裂是群目标的重要运动形式,基本的广义标签多贝努利(GLMB)滤波器计算复杂,且只对存活和新生目标建模,不能有效描述群分裂运动。针对此问题,在δ-GLMB滤波算法的基础上建立群分裂模型,通过最小化Kullback-Leibler散度(KL-DIV)的方法近似目标真实密度分布,推导了一种考虑群分裂的GGIW-δ-GLMB滤波算法。仿真实验表明,该算法能够较好地跟踪群分裂运动。

多扩展目标跟踪中基于多特征优化的传感器控制方法

针对多扩展目标的优化跟踪问题,该文在有限集统计(FISST)理论框架下,提出一种能够综合优化多扩展目标跟踪性能的传感器控制方法。首先,该文给出加权广义最优子模式分配(WGOSPA)距离构造多扩展目标跟踪多特征估计在其统计平均周围的广义离差,进而研究提出多特征融合下的传感器控制最优决策方法,并利用序贯蒙特卡罗(SMC)技术研究传感器控制最优决策过程的数值求解方法,然后利用伽马高斯逆威沙特多伯努利(GGIW-MBer)滤波器实现所提出的传感器控制策略。最后通过仿真实验验证了所提算法的有效性。

基于算术平均融合的分布式多伯努利扩展目标跟踪

在分布式传感网络中,由于同一扩展目标的方位角以及轴长等状态参数在不同传感器下估计结果不一致,因此多扩展目标估计关联困难,从而为后续密度信息融合带来了巨大挑战。相比于点目标后验密度信息,扩展目标后验密度同时包含了质心状态和外形信息。该文结合质心欧氏距离和外形矩阵非欧氏尺寸-形状度量提出了椭圆距离(ED),该椭圆距离同时考虑了扩展目标质心状态与外形信息,更好地实现了不同传感器下同一扩展目标后验密度关联。此外该文在算术平均(AA)融合规则下推导了融合空间密度的近似伽马高斯逆威沙特(GGIW)分布,实现了不同传感器下同一扩展目标后验信息AA融合。仿真实验表明,该文所提算法在分布式传感网络中能有效地进行多扩展目标跟踪。

基于PMBM滤波的机动非椭圆扩展目标跟踪算法

扩展目标的形状大多是不规则的,且观测角度不同会发生变化,此外,在复杂场景下,还会存在扩展目标和点目标同时存在,且存在机动的问题,针对该问题,本文提出一种混合形状多模型泊松多伯努利混合滤波算法(IMM-VNNET-PMBM)。首先,通过子随机矩阵表示的形状多子目标非椭圆伽马高斯逆威沙特(GGIW),代替泊松多伯努利混合滤波框架下表示扩展目标的单GGIW密度,以提升形状估计精度;其次,目标运动状态发生变化时,扩展目标的形状信息通常也会发生变化,采用固定的形状子目标估计扩展目标形状将不准确,算法中通过基于密度的DBSCAN算法进行量测聚类,以多假设数据关联计算形状子目标分量的存在概率,自适应调整子目标数量,实现对扩展目标的时变形状估计;最后,算法通过融入交互多模型,实现了对复杂环境下的点目标和多机动扩展目标同时跟踪;实验结果表明,提出算法能够有效对机动且形状变化的多扩展目标跟踪,具有较好的跟踪性能。