基于高斯粒子JPDA滤波的多目标跟踪算法

在多目标跟踪中,由于观测的不确定性带来数据关联问题,并且,多目标状态空间尺寸的增长带来了维数增大问题,该文提出了一种新的高斯粒子联合概率数据关联滤波算法(GP-JPDAF),在JPDA框架中引入高斯粒子滤波(GPF)的思想,通过高斯粒子而不是高斯量,来近似目标与观测的边缘关联概率,利用GPF计算目标状态的预测及更新分布。将其应用于被动多传感器多目标跟踪,仿真结果表明该算法比MC-JPDAF具有更好的跟踪性能。

一种基于变分推断的雷达多目标跟踪JPDA算法

针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法(Joint Probability Data Association,JPDA)。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN-JPDA)算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。

一种耦合检测和JPDA滤波的多目标跟踪算法

传统雷达信号处理中对目标的检测和跟踪是割裂处理的,通常为先检测后跟踪(DBT);当目标的信噪比较低时,检测过程中将出现大量的虚警及漏检,使得后继的跟踪算法失效。针对这一问题,在联合处理检测和跟踪方法的基础上,提出了一种耦合贝叶斯检测和联合概率数据关联(JPDA)滤波的多目标跟踪算法(JPDAF-BD)。JPDA滤波器将目标的位置分布信息反馈到贝叶斯检测器,继而贝叶斯检测器将该反馈作为先验信息用于检测判决。仿真结果表明,所提出的JPDAF-BD算法较之传统DBT体制下的多目标跟踪算法(JPDAF-NP)有显著的性能提升,可以实现更低信噪比下的多目标检测和跟踪。

杂波环境下基于最大熵模糊聚类的JPDA算法

针对杂波环境下的多目标跟踪数据关联存在跟踪精度低、实时性差的问题,提出了一种基于最大熵模糊聚类的联合概率数据关联算法(joint probabilistic data association algorithm based on maximum entropy fuzzy clustering,MEFC-JPDA)。首先,采用最大熵模糊聚类求得的隶属度初步表征目标与有效量测之间的关联概率。其次,采用基于目标距离的量测修正因子对关联概率进行调整,并建立关联概率矩阵。最后,结合卡尔曼滤波算法,对目标的状态进行加权更新。仿真结果表明,所提算法在杂波环境下的跟踪性能相比现有的两种关联算法有较大提升,是一种有效的多目标跟踪数据关联算法。

Study on multiple maneuvering targets tracking based on JPDA algorithm

A tracking algorithm for multiple-maneuvering targets based on joint probabilistic data association（JPDA）is proposed to improve the accuracy for tracking algorithm of traditional multiple maneuvering targets.The interconnection probability of the two targets is calculated,the weighted value is processed and the target tracks are obtained.The simulation results show that JPDA algorithm achieves higher tracking accuracy and provides a basis for more targets tracking.

基于证据理论的联合概率数据关联算法

数据关联是目标跟踪技术中的核心部分,多目标情况下的数据关联技术更是研究的重点,由于多目标量测之间的互相干扰、外部环境干扰以及传感器性能等客观因素的约束,使得量测信息部分存在着相应的量测误差,密集环境中的多目标跟踪比较困难。针对这个问题,提出的新算法利用联合概率数据关联方法进行密集杂波环境下的数据关联,结合证据理论的思想对多传感器量测信息进行优化组合,有效地减小了量测误差对跟踪目标的影响。通过仿真结果可以看出,改进算法大大提高了跟踪精度,并具有良好的抗干扰能力,适用于解决工程实际问题。

基于最大熵模糊聚类的快速多目标跟踪算法研究

为了提高杂波环境中多目标跟踪的实时性和精确性,利用最大熵数据模糊聚类方法得到的模糊隶属度表示目标与量测之间的关联概率,同时分析了公共量测对目标的影响,引入影响因子重建互联概率矩阵,结合概率数据关联算法实现多目标的状态估计。该算法避免了对确认矩阵的拆分,解决了联合概率数据关联算法随着目标和回波数目增加而导致的计算量爆炸性增长问题。针对不同杂波密度环境下的临近平行目标和小角度交叉目标的跟踪进行了仿真分析,仿真结果表明:最大熵模糊聚类联合概率数据关联算法是一种有效的快速数据关联算法,在密集杂波环境中跟踪性能依然优于联合概率数据关联算法和经验联合概率数据关联算法,在一定程度上可以避免航迹融合。

多目标实时跟踪的一种数据关联算法

联合概率数据关联是密集杂波环境下跟踪效果最理想的数据关联算法之一。文中在研究概率数据关联算法的基础上,提出了一种快速数据关联算法。通过不同阈值的选择,去除小概率事件,建立确认矩阵,再根据被跟踪目标跟踪门的相交情况,将跟踪空间划分成若干相互独立的区域。对同一区域内公共量测的概率密度值进行衰减,计算出关联概率。仿真实验结果表明,该算法能显著减少可行联合事件的搜索时间和数量,可以有效解决JPDA算法计算量过大的问题,且便于工程实现。

融合热释电红外传感器与视频监控器的多目标跟踪算法

现有基于热释电红外传感器的多目标跟踪系统在目标之间距离较近或者轨迹相交的情况下存在着误差较大的缺点.针对此缺点,提出了一种新型的基于热释电红外传感器与视频监测器协同工作的多目标跟踪方案.该方案可以充分利用两种传感器的优势,弥补在目标跟踪中的不足.算法采用最小二乘法利用热释电信息进行定位,并通过从图像或热释电传感器信号的幅频特性中提取特征信息来校正联合概率数据关联算法的关联矩阵,有效避免了错误关联.实验表明,该方案在多目标交叉情况下跟踪误差仅为其它算法的八分之一到四分之一.

一种改进的多传感器多目标跟踪联合概率数据关联算法研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增,会出现计算组合爆炸现象。因此,提出了一种改进算法,即对多传感器多目标量测进行同源划分,将多传感器对多目标的跟踪问题简化为单传感器对多目标的跟踪问题,然后将JPDA当作一种组合优化问题,采用连续型Hopfield神经网络求解关联概率。经仿真研究表明,该方法不仅克服了JPDA算法在多传感器多目标跟踪问题中的缺陷,还提高了跟踪精度。

数据关联算法在光电探测系统中的应用

由于光电探测系统采用被动的红外探测方式,当系统处在工作状态时,视场中地面背景下与周围环境温差较大的红外热源均有可能被光电探测系统当作目标检出。针对这一问题,研究了几种常用的数据关联方法,针对杂波问题建立数学模型,采用联合概率数据关联算法进行仿真。仿真结果表明,该算法能有效排除闪烁杂波,很好地解决地面红外热源的干扰问题。

基于Meanshift聚类-Bhattacharya观测似然度修正的联合概率数据关联改进算法

为降低多目标航迹聚集时联合概率数据关联(JPDA)联合关联事件的计算复杂度,提出一种基于Meanshift聚类-Bhattacharya(Bhy)观测似然度修正的JPDA改进算法。利用Meanshift得到聚类中心,据聚类中心与目标预测量测马氏距离形成跟踪门;提出Bhy似然度矩阵,将Meanshift聚类中心与各量测Bhy距离所表征的观测似然度作为确认矩阵小概率事件划分依据,消除确认矩阵中小概率事件对联合关联事件计算复杂度的影响。实验结果表明:多目标航迹聚集时,该算法在减少计算复杂度同时保持了较高关联精度,跟踪性能明显优于经典JPDA。

基于m-best数据关联和小轨迹关联多目标跟踪算法

视频多目标跟踪中目标较多时,联合概率数据关联算法计算量大,实时性差。由于遮挡等问题,联合概率数据关联算法得到的往往是目标的轨迹片段。针对上述问题,首先利用线性规划自适应迭代求解m个最优联合事件简化联合概率数据关联算法,然后提出基于Kalman滤波及外推法的双向运动预测计算轨迹间的距离矩阵,用近邻传播聚类对目标的轨迹片段进行关联。实验结果表明,本文提出的方法在目标多且容易发生遮挡的情况下仍能够实时有效的跟踪,提高了跟踪准确度,具有一定的抗干扰能力。

弱点状多运动目标实时跟踪技术研究

根据确认的众多量测和众多目标跟踪窗之间的几何关系,引入确认矩阵并计算所有联合事件及其对应的参数,不论量测是否落入跟踪窗相交区域,根据JPDA算法计算每一个量测与其可能的各个源目标之间互联的概率。将互联的概率与Kalman滤波器相结合从而完成对每一个目标的预测和更新。理论及实验结果表明,该算法适用于序列图像密集杂波环境下的全程跟踪,并取得了一定的理论和仿真结果。

基于有效量测分集的联合概率数据互联算法

杂波环境下用联合概率数据互联算法(JPDA)跟踪多目标,其计算量将随跟踪目标数的增多和杂波密度的增大而呈指数增长,因此实时性不强;并且JPDA跟踪杂波环境中的近距离目标时,容易造成航迹合并。在充分考虑单个目标独立性的基础上,提出有效量测分集概念。将接收到的有效量测信号按照单个目标的关联划分,确定各目标跟踪波门内的候选量测信号,不考虑量测信号的重复关联。取得单个目标独立性之后,再运用单目标概率数据互联的方法估计目标状态。仿真实验表明,较传统JPDA实时性更强,能够分辨并跟踪近距离目标。

修正概率关联算法在航迹关联中的应用

在雷达组网航迹跟踪问题的研究中,针对杂波环境下雷达对作战目标的跟踪精度,为了准确跟踪目标,通过对现有概率数据关联算法(PDA)和联合概率数据关联算法(JPDA)算法进行改进,引入跟踪区域划分概念和修正因子,提出一种航迹新的修正概率数据关联算法(MPJA)。不需要考虑JPDA算法中产生所有可能的联合事件,具有计算量小,易于工程实现的优点。仿真结果表明,新算法以与PDA算法接近的计算量,达到了接近于JPDA算法的目标跟踪成功率,提高跟踪精度。

新的高效多目标跟踪算法

基于对JPDA和PDA算法的研究,为解决密集杂波环境下多目标跟踪算法复杂性问题,提出了一种新的快速算法,即在多目标环境下考虑近邻目标的影响,采用一种快速方法计算聚概率矩阵,然后用阈值法获取确认概率矩阵,搜索大概率可行联合事件。仿真结果表明,该算法与JPDA算法相比,有较好的跟踪精度,相对误差几乎为0,跟踪时间减少了54%,由此可见新算法具有计算量小、实时性高的优点。

基于K-近邻法和粒子滤波的多目标跟踪算法

针对多目标跟踪中目标与观测样本关联难的问题,提出了一种基于K-近邻法和粒子滤波的多目标跟踪算法.首先利用K-近邻方式将目标和观测信息进行数据关联,然后利用粒子滤波算法解决非线性问题的特点,单独对所有目标进行滤波,以完成对目标状态的更新.仿真实验表明,所提算法能够很好地对多目标展开跟踪,与联合概率数据关联算法(JPDAF)相比,能更好地逼近目标的真实轨迹,跟踪精度得到大幅提升.

基于协同探测数据融合的水下多目标跟踪

在高杂波密度的水下环境中,若只利用局部传感器来跟踪多个目标,会产生较高的虚警,而且跟踪效果受限于传感器本身性能。为此文中基于分布式数据融合模型,首先在各个无人平台上利用联合概率数据关联(JPDA)形成局部航迹,然后再用匈牙利算法实现对关联矩阵的最优分配从而达到航迹的实时关联,最后通过凸组合融合算法形成全局航迹。仿真结果表明,经过此方法完成的多目标跟踪结果具有更好的可靠性,其跟踪精度基本在两站跟踪精度之间且具有较低的跟踪误差,适合在未知基站估计精度的系统中获得更为可信的估计结果。

基于改进PDA的弱点状多目标交叉运动跟踪算法

采用独立跟踪区域的划分和公共量测点数据的去藕聚类技术,将原本只适用于单目标跟踪的概率数据关联(PDA)算法改造成能够在强杂波环境中跟踪多个点状目标交叉运动的情况。该算法比传统基于JPDA(联合数据关联)的多目标跟踪算法的计算量和复杂度都小。仿真试验表明,该跟踪算法具有高精度的跟踪性能。