粒子PHD滤波存活粒子采样新方法

针对多目标跟踪粒子概率假设密度滤波算法中存活粒子的重要性密度采样问题,给出一种结合最新量测信息的存活粒子重要性密度采样新方法.该方法根据最新量测集中的各个最测与目标粒子的单步预测状态的似然值,以概率选取量测值,利用无迹变换获得粒子的重要性密度函数,并对其进行采样实现粒子概率假设密度滤波中存活粒子的采样,有效地减轻了粒子的退化现象. 3目标跟踪仿真试验中,当目标模型与跟踪算法使用的目标模型不匹配时,采用所提出的存活粒子采样方法的粒子概率假设密度滤波算法最优子模式分配距离下降约70km.论文给出的存活粒子采样新方法显著地提高了多目标跟踪粒子概率假设密度滤波算法的鲁棒性.     

随机多假设跟踪的最大似然法

在多目标多量测环境中,量测-航迹分配的知识一般不适于跟踪算法。在本文中,对量测-航迹分配问题,采用了严格的概率方法。不象在传统多假设跟踪(MHT)算法那样,把量测分配给航迹;相反地,使用由期望最大化(EM)方法导出的最大似然(ML)算法估计每次量测属于每个航迹的概率。这些量测-航迹的概率估计对于调用随机多假设跟踪(PMHT)算法的多目标跟踪器是固有的。PMHT算法在计算上是切实可行的,因为它既不要求量测-航迹分配的计算,也不要求修剪。     

空间密集群目标关联与跟踪算法研究

为提高对空间密集群目标跟踪的精度,提出了基于全局最近邻的群目标关联与跟踪算法。通过对空间密集目标进行群分割,将群跟踪问题转化为多目标跟踪问题,考虑到空间目标具有运动速度快的特性,基于"全局最优"原则选取距离最近的群目标和量测进行优先关联与更新,避免关联冲突和减少关联错误,可有效解决关联准确性与跟踪实时性之间的矛盾,同时提出航迹预测与轨迹预报相结合的方法,来解决跟踪过程中的航迹断续与融合问题。仿真实验结果验证了所提算法的有效性。     

用多维数据互联的有效多传感器融合

本文介绍多目标跟踪的用多维数据互联的多传感器融合算法的发展。这项工作是受大规模监视问题的推动,在这种监视问题中,来自具有不同采样间隔(电子扫描阵(ESA)雷达)的异步传感器观察值用于集中式融合。用多维分配的多传感器融合的综合,对于由分配算法处理的S个表,除了“传感器宽度”外,还要使“时间层次”最大化。在有S个传感器的情况下,将来自最近到达的S-1个帧的量测值与已经建立的航迹互联的标准方法可能有零时间层次。对于S维数据互联(S≥3),所介绍的新技术保证最大效率,即对于没有损失融合重叠传感器的每一个传感器,保证最大时间层次(S-1)。使用滑窗(长度为S)技术,在每一个量测帧之后更新估计。对于使用具有多维分配数据互联的多传感器融合,该算法提供多目标跟踪的自动航迹形成、保持和结束的系统方法。对于一个大规模空对地目标跟踪问题,介绍了使用模拟数据的估计结果。     

舰载红外警戒系统多目标跟踪算法研究

多目标跟踪有着十分广泛的应用,目前国内外多目标跟踪的研究重点都集中在雷达等主动传感器上,但是对于红外的多目标跟踪领域却研究较少。对于红外系统,目标跟踪的最大特点是观测量只有角度,没有距离,这就使得传统的跟踪滤波问题遇到困难。通过讨论舰载红外警戒系统的多目标跟踪算法,分析目标与传感器的特点,提出了一整套多目标跟踪的算法。仿真结果表明,此套算法能满足工程应用的要求。     

在分布式传感器网络中HMM的数据融合和跟踪

本文涉及多目标跟踪问题,由主动声呐(多静态网络)激活的被动声呐产生量测值。遇到的困难有两类:每个传感器不单独提供一个目标的完全可观察性,另一类是必须涉及到在干扰环境中运动的多个可能机动的目标。这里介绍的算法是基于目标时演变的离散马尔科夫建模方法。它从融合每个量测时间获得的探测值着手。由于动态规划(DF),下一步要完成跟踪和目标运动分析(TMA)。在几乎没有目标运动,例如回避使用确定性目标状态模型的情况下,用这种方法进行多个且机动的目标跟踪。本文介绍和讨论了仿真结果。     

神经网络在多目标跟踪中的应用

在典型的多目标跟踪中,随机干扰的出现给量测源带来了不确定性。因此需要用数据互连技术使每个量测与相应目标互连或当出现杂波或虚警时放弃该量测。本文介绍使用Hopfield网络的基于神经网络的多目标跟踪算法。通过把数据互连问题的约束和著名的“旅行推销员问题”(TSP)的约束相比校,导出Hopfield网络的能量函数。通过模拟退火过程使能量函数最小化,由此计算数据互连概率,并应用于每个目标的卡尔曼滤波器跟踪器。将所提出算法的性能与传统技术相比较。仿真结果表明:所提出的神经网络跟踪器与联合概率数据互连滤波器相比较有令人满意的性能。     

使用并行博尔兹曼机计算互联概率

在传统的估计理论中,确切地知道量测与哪些参数或者状态互联。但是,在多目标跟踪这样的问题中,事先不知道量测将与哪一个目标的状态矢量互联。因此,为了实现跟踪算法,必须得到量测源于给定目标的概率估计。当可以用序列算法精确求解这种数据互联问题时,对于大量的目标和杂波点,这种方法可能变得难以处理。本文介绍使用并行博尔兹曼(Boltzmann)机求解数据互联问题的新计算方法。该方法证明,如果能得到充分数量的并行博尔兹曼机,就可以用任意小的误差计算互联概率。第i个量测源于第j个目标的概率β~ji可通过观察神经元v(i,j)在两维网络各层中“激活”的相对频率简单地得到。本文还介绍一些简单的例子,以便对博尔兹曼算法和精确的数据互联解的性能进行比较,还与使用霍普菲尔德(Hopfield)神经网络的另一种并行方法的性能进行了比较。     

多目标跟踪的数据互联——使用分层博尔兹曼机求解

数据互联是确定多目标跟踪算法中的量测源和分配概率β_i~t问题,其中β_i~t是表示第i个量测来自第t个目标这一事件的概率。本文介绍使用一个分层博尔兹曼机求解数据互联问题的新并行计算方法。研究证明,如果能得到充分多的二元神经元层数,就可以用任意小的误差计算互联概率。特别是,证明了概率β_i~j等于分层的两维网络中神经元v(i,j)激发的相对频率。文中还介绍一些简单的跟踪例子,这些例子将对用于精确的数据互联解的博尔兹曼算法的性能与使用Hopfield神经网络的另一种并行算法的性能进行比较。     

改进的邻近目标GM-PHD跟踪算法

针对目标跟踪系统在邻近目标场景下难以进行精确估计的问题,提出一种改进的邻近目标GM-PHD跟踪算法。该算法通过构建基于预测权值和速度参数的自适应门限,有效避免了杂波对算法更新步骤带来的巨大迭代负担。同时,我们充分考虑了目标邻近时量测的可能分布情况,针对目标与量测的“一对零”和“一对多”现象,提出了一种新的权重分配修正方法。结果表明,目标邻近时,改进后的算法在目标数和目标状态估计方面均优于传统算法,能够显著提高跟踪准确度。     

基于随机集的传感器网络多目标航迹跟踪研究

针对利用有限集统计理论对声学WSN下的多目标跟踪时,无法实现前后两个时刻目标状态的关联问题,利用最近邻方法和粒子标签法对WSN多目标的航迹跟踪问题进行了研究。仿真结果表明,两种算法都能够有效实现对多个目标航迹的跟踪;另外,粒子标签方法进行多目标跟踪时能够同时实现对多目标状态的估计和对多目标航迹的跟踪。     

使用位置量测值乘积的多目标跟踪(一)

本文主要介绍用于多目标跟踪(MTT)中航迹保持的对称量测方程(SME)滤波器的继续研究。与其他的MTT方法比较起来,在SME滤波器中,为了进行目标状态估计,没有必要考虑目标/量测互联,这将导致MTT问题计算复杂性的实质性的简化。本文集中在由原始位置量测值的积构成的和产生SME的情况。对于其运动包括围绕等速轨迹随机扰动的N个目标情况研制了SME滤波器。假设x坐标位置的量测值是可得到的,并假定量测数等于目标个数。研究了SME滤波器的各种解析特征,尤其是证明了:在极不充分的条件下,估计误差方程是局部指数稳定的。通过把SME滤波器与最佳(最小方差)估计器比较和在六个目标情况下进行的计算机模拟研究了SME滤波器的性能。     

基于粒子群算法的WSN多目标跟踪能量均衡算法

为了满足无线传感网络下多目标跟踪对于跟踪精度与网络寿命的需求,提出一种基于粒子群算法和势均衡多目标多伯努利滤波（cardinality balanced multi-target multi-bernoulli filter,CBMeMBer）的多目标跟踪能量均衡算法。算法通过粒子群算法计算网络能量中心,围绕能量中心形成传感器簇从而改善网络结构,在CBMeMBer滤波的基础上,借助Cauchy-Schwarz散度作为评价函数优化传感器节点量测更新顺序,以保证多目标跟踪精度。通过仿真结果证明算法在多目标跟踪精度与网络能量均衡性上的优势。     

基于误差校准的多雷达粒子滤波检测跟踪算法

基于粒子滤波的检测前跟踪方法是一种处理弱目标检测与跟踪的有效方法。使用多部雷达对同一目标进行观测,可以提高目标的检测概率和跟踪精度。但雷达系统误差不同,得到的目标量测信息不能直接进行融合。针对多个具有不同系统误差的雷达联合检测跟踪问题,通过将不同雷达的量测信息向前追溯,对误差进行校准,从而消除不同雷达对于同一粒子的量测误差,然后将粒子权重进行融合。仿真结果表明,在雷达具有不同系统误差的情况下,采用本算法可以有效提高目标的跟踪精度。     

视觉目标跟踪现状与发展

视觉目标跟踪系统在军事和民用领域都有重大的应用需求,如武器制导、视觉导航、安防监控等。视觉目标跟踪系统的目的是在视频序列的每一帧中准确地定位目标位置,还原目标完整的运动路径,为高层应用提供决策依据。根据任务需求不同,目标跟踪系统可以分为单目标跟踪和多目标跟踪。在算法层面分别介绍了视觉单目标跟踪和多目标跟踪的发展现状,并对相关算法的优点和不足做了简要分析。结合当前研究现状,简要地梳理了目标跟踪算法的发展趋势。研究表明,视觉目标跟踪是一个非常开放的研究领域,相关的理论和方法层出不穷,不同算法的侧重点也不尽相同,研究经典的目标跟踪算法有助于把握视觉目标跟踪中潜在的问题,为设计目标跟踪系统提供依据。     

PDF多传感器多目标跟踪器

把以前介绍的概率密度函数(Pdf)多目标跟踪器推广到应用于更复杂和更困难的问题中。输入数据是随时来自多传感器的方位量测,包括杂波(虚警)和含有误差的(来自被测目标的)真实量测。目标可能丢失。输出是实时确定的目标出现的数目和它们的x、y地理位置。其实现是每个目标的离散Pdf的递推数值计算,它是从所有目标的理论联合Pdf导出的。     

多假设跟踪技术综述

从工程应用的观点出发,对多假设跟踪技术进行综述。描述了从多假设跟踪的萌芽——多目标跟踪的0-1整数规划法,到多假设跟踪方法的形成;由于假设生成过程是算法复杂性决定性的因素,其中量测个数和航迹合并长度又起关键作用。对该问题进行了重点的回顾;进一步MHT实用化的关键是如何克服算法的复杂性,K-最优假设法为算法应用带来希望。同时,对多假设跟踪其它相关技术的发展也进行了简要叙述。     

基于随机有限集的传感器网络多目标跟踪

利用有限集统计理论对声学W SN下的多目标跟踪进行了研究。首先利用F ISST理论对声学W SN下的多目标跟踪进行建模,然后利用粒子滤波对随机集最优贝叶斯滤波进行近似,提出了一种新的多目标跟踪方法。在粒子滤波执行过程中,为了有效地平衡计算量和跟踪精度,根据目标数目自适应地调整每一时刻的粒子数目。仿真结果表明在监视区域同时出现目标较少的情况下,算法能够及时发现目标的出现和消失,正确估计目标状态和数目。     

基于改进遗传粒子滤波与SME的多目标跟踪算法

针对基于对称量测方程的多目标跟踪,传统的滤波手段无法解决因对称变换带来的非高斯问题,提出一种新的遗传粒子滤波方法。新的滤波算法利用粒子的噪声含量与权值的负相关,改进了更新过程中权值计算所依赖的概率密度函数,避免了新量测噪声的求解。同时利用遗传算法的优势,保障了粒子的多样性,提高了粒子的使用效率,防止了滤波发散及局部最优。仿真结果表明,基于对称量测方程的多目标跟踪中,改进的遗传粒子滤波算法较扩展卡尔曼滤波算法、不敏卡尔曼滤波算法和联合概率数据关联滤波算法跟踪效果更好。     

密集杂波环境下用于多目标跟踪的改进PDA算法

概率数据关联(PDA)算法在密集波环境下跟踪单目标时具有良好的效果,但当跟踪多目标时,由于未能考虑相邻目标间的相互影响,因此效果不佳,针对PDA算法的不足,基于多目标跟踪中相邻目标间相互影响的特点,提出了一种新的改进概率数据关联(NIPDA)算法.新算法引入量测J属于目标t的概率Bjtk,并用其对关联概率进行修正,从而在计算互联概率时考虑了相邻目标间的影响.仿真结果表明,新算法在计算量与PDA算法相近的情况,提高了目标跟踪成功率.