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。     

基于概率假设密度滤波的多目标跟踪算法

概率假设密度(PHD)滤波算法在雷达、红外以及可见光等传感器的多目标跟踪中研究越来越广泛。主要研究了基于PHD滤波的多目标跟踪算法的发展现状,简要介绍了PHD滤波算法的基本原理及其在目标运动模型、多检测情况、杂波分布规律假定等方面的研究进展,概述了PHD滤波的实现方法及研究进展,介绍了PHD滤波的主要应用领域,着眼提高目标跟踪精度和实时性的发展要求提出了PHD滤波的展望。     

多帧高斯混合概率假设密度的多目标跟踪算法

针对低检测概率下多目标跟踪时,概率假设密度滤波器难以正确估计当前目标个数以及目标状态问题,提出一种基于多帧融合的高斯混合概率假设密度滤波算法。根据不同时刻目标权值构造目标多帧权值记录集及目标状态抽取标志。当某些时刻目标被漏检时,依据目标状态抽取标志,并结合目标多帧权值记录集中权值信息估计丢失目标的状态。仿真实验表明,算法有效地提高了低检测概率下现有相关算法的目标状态和数目估计精度。     

改进的多目标GM-PHD分量融合算法

密集杂波的平行多目标跟踪场景中,高斯混合概率假设密度滤波器的计算代价随着分量的增多而不断变大,且其目标状态估计精度较低.为了解决这些问题,基于高斯混合概率假设密度滤波框架,提出一种改进的目标分量融合算法.通过目标分量的权重、均值及协方差的充分协作,该算法能够极大程度地融合目标强度中的相似分量,同时能够有效地避免真实目标分量被错误融合.仿真结果表明,密集杂波环境下该算法不仅具有较高的目标状态估计精度,而且其计算代价相对较低.     

基于Jerk模型的一种改进多传感器数据融合算法

简要介绍了目前存在的一些机动模型和基于状态估计的滤波算法。将Jerk模型与强跟踪滤波算法有机地结合起来,并提出了一种通过时空综合分析的测量方差自适应估计方法以优化强跟踪滤波算法中次优渐消因子和滤波增益的在线选择,同时结合多传感器数据融合具有改善滤波精度的性质,最终给出了一种基于Jerk模型的改进多传感器数据融合算法。最后,通过蒙特卡罗仿真验证了该算法的有效性。     

连续动态贝叶斯网络实现多传感器融合跟踪

利用多传感器数据进行目标跟踪,关键是怎样将多传感器的数据合理应用来对系统的状态做出最佳估计。提出应用连续动态贝叶斯网络的方法,结合卡尔曼滤波器模型,实现用多传感器数据进行目标跟踪的方法,并对算法进行了推导和验证。仿真结果证明了提出的多传感器数据互相修正融合滤波方法具有良好的滤波效果,并能够弥补传感器数据缺失和抑制脉冲噪声。     

机载多传感器角度融合跟踪结构与算法

未来战机的作战环境要求机载多传感器数据融合系统在仅有角度测量信息情况下仍须具有稳定的目标跟踪能力.对机载多传感器的角度融合跟踪系统的结构和算法进行了研究,分别给出了两个传感器同步测量时的集中式状态估计算法和异步测量时不损信息量的混合式状态估计算法,即顺序滤波方法,并对相应算法进行了仿真验证.     

一种基于时变噪声统计的异步多速率传感器信息融合算法

以异步多速率传感器信息融合理论和同步单速率传感器时变噪声统计理论为基础,提出了一种适用于时变线性系统的异步多速率传感器时变噪声统计系统的信息融合算法.通过原理分析和数学推导,将异步多速率传感器动态系统建模为同步同速率系统.进而利用噪声统计估值器和相应的自适应Kalman滤波方法进行状态估计,利用联邦分布式数据融合方法进行信息融合,获得基于所有现测信息的最优估计.理论分析和仿真结果均表明,该算法的融合效果优于任一单传感器Kalman滤波的效果.     

多因素观测来源不确定的多目标跟踪算法

杂波、低检测概率和目标间观测相互干扰等因素,使得目标观测的来源难以辨别,提出一种基于改进GMPHD滤波的多目标跟踪算法,通过引入目标标记和权重向量,增广了标准GMPHD迭代中目标信息.基于高斯分量合并策略、目标状态估计策略和高斯分量优化策略,能够有效地改善目标状态估计精度和滤波迭代效率.目标跟踪仿真实验结果表明了所提算法的有效性及鲁棒性.     

多传感器异步量测融合算法性能比较

归纳几种多传感器异步量测融合算法,即首先将各传感器异步数据统一到同一时刻,再对该数据进行并行或伪序贯滤波处理.分别采用理论证明和实例仿真分析对各种算法的估计精度、计算量等性能进行了比较.所得结论对实际工程应用中异步量测融合算法的选取有一定的指导意义.     

含有多普勒频率的毫米波/红外融合滤波算法

由于毫米波雷达(MMV)和红外(IR)两种传感器在跟踪目标方面具有各自的优势,故使用两种传感器进行数据融合可以得到较单一传感器更高精度的目标数据,从而提高滤波精度。针对上述两种传感器的特点,对采样数据进行时空对准,结合UT变换思想,并在此基础上提出一种含有多普勒频率的无迹卡尔曼滤波(UKF)算法。新算法较单一MMV或者IR传感器滤波算法精度有了明显提高,并且较MMV/IR融合的传统扩展卡尔曼滤波(EKF)算法的精度也有提高。仿真结果证明了新算法的有效性和合理性。     

通信受限下分布式多传感器协同跟踪算法

在分布式多传感器目标跟踪系统中,由于局部融合中心(LFC)的物理限制(如:有限的频率信道、处理器容量有限等),只能接收有限个传感器的传送数据。此外,信息传输的方式也将影响传感网的使用寿命,因此,研究了通信受限下的分布式多传感器目标协同跟踪问题。首先对监视区内分布的传感器进行聚类分簇形成若干个子网,接着从通信能耗的角度出发,对传感器采集信息的传递路径进行最优路径规划;进而对子网局部状态进行估计,在子网信息融合中,分别采用最大距离和、最大化信息增量两种准则进行最佳传感器选择,最后通过各子网全局航迹融合实现分布式多传感器协同跟踪。仿真验证了算法的有效性。     

基于Riccati方程的动态传感器分配算法

针对组网跟踪系统传感器分配算法计算量过大的问题,提出了一种基于Riccati方程的动态传感器分配算法。该算法通过Riccati方程离线计算各传感器组合跟踪下的稳态滤波协方差,根据稳态滤波协方差与期望协方差的接近程度动态分配传感器资源。仿真结果显示,与传统协方差控制和贪婪算法相比,基于Riccati方程的动态传感器分配算法在大大减少计算量的同时能够保持较好的跟踪性能。该方法能够更好地应用于大规模传感器组网目标协同跟踪系统。     

无线传感器网络中多传感器动态自适应调度算法

无线传感器网络中,目标跟踪往往通过节点之间的协作完成。在无迹变换卡尔曼滤波基础上,提出一种多传感器动态自适应调度算法进行目标跟踪。该方法根据预测跟踪精度来确定采样间隔,然后基于特定的检测概率,为下一时刻选择一组传感器,形成一个临时工作组,并指定某一个传感器作为中心节点进行数据融合。仿真结果证明了该算法能有效提高跟踪精度和可靠性。     

闪烁噪声条件下基于交互多模框架的雷达目标跟踪算法

针对传统雷达目标跟踪算法在处理闪烁噪声时面临的性能下降问题,提出一种将容积卡尔曼估计器与交互多模框架相结合的高性能滤波算法。该算法将目标状态建模为高斯分布,将闪烁噪声建模为混合高斯分布,同时将其发生概率建模为一阶马尔可夫过程;在此基础上,利用交互多模框架实现对不同高斯噪声分量的匹配滤波处理。为了减轻非线性观测条件对目标跟踪精度的影响,进一步采用容积卡尔曼估计器作为高斯近似滤波器,对目标状态进行递推预测和更新。仿真结果表明：所提算法较传统高斯混合滤波器和粒子滤波器具有更高的跟踪精度和更好的实时性能,同时还能对闪烁噪声出现时刻进行有效的估计。     

基于迭代卡尔曼粒子滤波的目标跟踪算法研究

粒子滤波在基于图像序列的目标跟踪中获得了广泛应用．针对其计算量较大的问题,提出一种迭代卡尔曼粒子滤波算法,将非线性跟踪问题分解为线性子结构的全局状态空间模型和非线性子结构的局部状态空间模型,利用粒子滤波在卡尔曼滤波估计值的局部范围内搜索目标,逼近真实目标状态．将实验结果与粒子滤波进行比较,结果表明,迭代卡尔曼粒子滤波减少了粒子数,降低了计算量,能够对高机动目标进行实时稳定的跟踪．     

异步雷达组网协同跟踪动态传感器分配算法

针对异步雷达组网下的协同跟踪问题提出了一种基于异步顺序融合的动态传感器分配算法。该算法对异步雷达的量测值按采样时刻顺序滤波,根据滤波协方差和目标期望协方差的接近程度动态选择下一时刻跟踪的最优传感器集合。仿真分析表明该算法和基于伪量测的异步雷达组网协同跟踪传感器分配算法相比具有较少的计算量和较高的目标跟踪精度。     

基于跟踪精度控制的多传感器管理方法

针对地面机动目标跟踪过程中的多传感器管理问题展开了研究，设计了一种基于跟踪精度控制的多传感器多目标分配方法。首先，在考虑目标与目标之间、目标与传感器之间和传感器与传感器之间等的多种约束条件下运用基于协方差控制的思想建立了多传感器多目标分配问题的优化模型；接着将等价伪量测的异步融合算法与IMM算法结合，计算各目标在不同融合周期的跟踪精度估计值；最后，以目标的跟踪精度需求为出发点，结合蚁群算法的思想，设计了一种求解所建立的多传感器多目标分配问题的优化模型的算法。仿真结果表明：该管理方法能在确保跟踪精度需求的前提下，根据对各目标跟踪任务的重要程度，合理地调度传感器资源。