多目标跟踪的核粒子概率假设密度滤波算法

提出一种新的多目标跟踪算法：核粒子概率假设密度滤波算法(KP-PHDF)。算法的创新点在概率假设密度滤波算法(PHDF)的目标状态提取步骤,以粒子概率假设密度滤波算法为框架,并运用结合了mean-shift算法的核密度估计(KDE)理论进行概率假设密度(PHD)分布的二次估计、提取PHD峰值位置作为目标状态估计值。分析与多目标跟踪(MTT)仿真的结果表明,与现有序列蒙特卡罗概率假设密度滤波算法（SMC-PHDF）相比,在相同仿真条件下新算法的估计精度提高30.5%。     

改进的MMPHD机动目标跟踪方法

基于序列蒙特卡罗方法的经典多模概率假设密度滤波方法及其各种衍生方法,在预测过程中依据多个并行的状态转移模型,通过将大量粒子散布到下一时刻目标所有可能出现的状态空间实现目标状态的捕获,造成计算量大、目标跟踪精度差。为此,提出一种改进的多模粒子概率假设密度机动目标跟踪方法。该方法利用最新量测信息估计目标运动模型概率及模型参数,并将估计得到的目标模型应用到粒子概率假设密度滤波方法的预测过程中生成预测粒子,从而将大部分粒子聚合在目标最可能出现的状态空间邻域中,实现粒子的有效利用。数值仿真表明,所提方法不仅显著地减少了目标丢失个数,而且提高了目标跟踪精度。     

Rao-Blackwellized粒子概率假设密度滤波算法

针对多目标跟踪（MTT）,提出一种新的基于随机集的滤波算法,称为Rao-Blackwellized粒子概率假设密度滤波算法（RBP-PHDF）。算法运用Rao-Blackwellized思想,通过挖掘分析“混合线性/非线性模型”的结构,采用序列蒙特卡罗（SMC）方法预测与估计概率假设密度（PHD）迭代式中各个目标的非线性状态,并利用非线性状态粒子中包含的信息,使用卡尔曼滤波器（KF）对线性状态进行预测与估计。以更好地估计PHD进而提高各目标状态估计精度。分析与MTT仿真的结果表明,在相同的仿真条件下,与现有序列蒙特卡罗概率假设密度滤波算法（SMC-PHDF）相比,RBP-PHDF在降低粒子维数、减少计算量的同时,有效提升了估计精度。     

基于随机有限集的空间碎片群运动状态估计

传统的空间目标监测是建立在单目标状态估计基础之上,在面对突发产生的大量空间碎片时,由于碎片尺寸小,且密集分布以"群"的方式出现,传统单目标处理方法很难奏效。以"群"整体作为处理对象,基于随机有限集(RFS)技术,对"群"的状态特征进行估计。为了解决漏检目标密度分配问题和轨迹关联问题,提出一种面向量测的改进集势概率假设密度(CPHD)滤波器,并结合滤波后的信息处理过程,完成了对低轨空间碎片群的目标密度分布、群内目标数以及群内显著目标的状态估计。在仿真实验中,提出的滤波器表现明显优于传统滤波器和标准CPHD滤波器,且在某些传统滤波器和标准CPHD滤波器已失效的情况下,所提技术仍能有效工作。     

区域杂波估计的多目标跟踪方法

高斯粒子概率假设密度（PHD）滤波往往假定杂波密度参数已知,这种做法对于实际应用是不现实的。此外,杂波的参数值通常依赖于环境条件,可能随时间发生变化。因此,多目标跟踪算法中需要实时准确估计杂波密度的参数。基于此,提出了一种多目标跟踪的区域杂波估计方法。首先根据量测信息在线估计出场景中的杂波数目,然后估计落入目标附近感兴趣区域的杂波数,并估计每个目标感兴趣区域杂波强度。仿真结果表明,在复杂场景下算法的跟踪性能明显优于未进行杂波估计的多目标跟踪算法,提高了跟踪的实时性和跟踪精度。     

未知测量噪声分布下的多目标跟踪算法

 粒子概率假设密度滤波(SMC-PHDF)在进行粒子更新时需要知道测量噪声的概率分布以计算似然函数,这使得SMC-PHDF依赖于测量噪声的概率模型。针对这一点不足,提出一种未知测量噪声分布下的多目标跟踪算法——基于风险评估的概率假设密度滤波(RE-PHDF)。该算法在SMC-PHDF进行概率假设密度(PHD)粒子更新时采用风险函数计算每个PHD粒子的风险值,并通过一个风险评估函数评估每个PHD粒子,然后用评估后的结果更新粒子的权值。由于粒子更新时避免了在多维测量空间中计算似然函数,算法不仅不依赖于测量噪声的概率分布,还可以节省大量计算时间。仿真结果表明：和SMC-PHDF相比,RE-PHDF在未知的复杂测量噪声环境下具有更高的鲁棒性和稳定性;同时,在两种算法跟踪精度接近的情况下,所提算法节省了50%的运行时间。     

基于标签多伯努利滤波的衍生目标跟踪算法

针对现有随机有限集(RFS)滤波器在低信噪比环境下对衍生目标跟踪性能严重下降的问题,提出了一种基于Delta扩展标签多伯努利(δ-GLMB)滤波器的改进算法。基于随机集理论和伯努利衍生模型,推导了新的预测方程,并采用了假设裁剪及分组手段和多伯努利近似技术以降低算法的计算量。针对假设增多引起的虚警问题,将多帧平滑思想和算法相结合,利用标签信息对新目标进行回溯处理。仿真结果表明,所提算法能对目标数目进行无偏估计,在低探测概率和强杂波环境下性能明显优于概率假设密度(PHD)算法,计算开销在衍生初始阶段增长快于PHD,目标较分散时低于PHD。     

基于概率假设密度滤波器的多目标跟踪方法

在总结分析现有多目标跟踪方法的基础上,重点阐述了一种新的基于概率假设密度的多目标滤波跟踪方法,利用带有新生目标检测功能的概率假设密度滤波方法,通过仿真算例,与传统的MHT方法和GM-PHD方法进行了跟踪性能对比,说明了概率假设密度滤波器在强杂波和新生目标未知情况下的优越性。     

粒子滤波联合目标跟踪分类算法

针对现有联合目标跟踪分类(JTC)算法计算量大实时性差的缺陷,本文在JTC求解中引入粒子滤波,替代数值积分,大大缩短了计算时间;利用低分辨率常规雷达(LRR)提供的目标运动学信息和电子支援措施(ESM)提供的目标电磁设备信息,同时提高了目标的识别概率和跟踪性能。仿真验证了粒子滤波联合目标跟踪分类算法的实时性和有效性。     

基于改进粒子滤波的多传感器融合空间目标跟踪

为了跟踪空间目标,构建了基于局部粒子滤波器的多传感器融合方法估计空间目标状态。粒子滤波重要采样过程中,设计了基于融合估计的重要密度函数减少粒子贫化问题,并设计基于 McDE(Memetic compact Differ. ential Evolution)重采样策略,通过对粒子的变异与选择等进化操作来解决粒子退化问题。理论推导与仿真结果皆证明方法的有效性。     

Cardinality compensation method based on information-weighted consensus filter using data clustering for multi-target tracking

In this paper, a cardinality compensation method based on Information-weighted Consensus Filter(ICF) using data clustering is proposed in order to accurately estimate the cardinality of the Cardinalized Probability Hypothesis Density(CPHD) filter. Although the joint propagation of the intensity and the cardinality distribution in the CPHD filter process allows for more reliable estimation of the cardinality(target number) than the PHD filter, tracking loss may occur when noise and clutter are high in the measurements in a practical situation. For that reason, the cardinality compensation process is included in the CPHD filter, which is based on information fusion step using estimated cardinality obtained from the CPHD filter and measured cardinality obtained through data clustering. Here, the ICF is used for information fusion. To verify the performance of the proposed method, simulations were carried out and it was confirmed that the tracking performance of the multi-target was improved because the cardinality was estimated more accurately as compared to the existing techniques.     

A measurement-driven adaptive probability hypothesis density filter for multitarget tracking

This paper studies the dynamic estimation problem for multitarget tracking. A novel gating strategy that is based on the measurement likelihood of the target state space is proposed to improve the overall effectiveness of the probability hypothesis density(PHD) filter. Firstly, a measurement-driven mechanism based on this gating technique is designed to classify the measurements. In this mechanism, only the measurements for the existing targets are considered in the update step of the existing targets while the measurements of newborn targets are used for exploring newborn targets. Secondly, the gating strategy enables the development of a heuristic state estimation algorithm when sequential Monte Carlo(SMC) implementation of the PHD filter is investigated, where the measurements are used to drive the particle clustering within the space gate.The resulting PHD filter can achieve a more robust and accurate estimation of the existing targets by reducing the interference from clutter. Moreover, the target birth intensity can be adaptive to detect newborn targets, which is in accordance with the birth measurements. Simulation results demonstrate the computational efficiency and tracking performance of the proposed algorithm.     

Adaptive Gaussian sum squared-root cubature Kalman filter with split-merge scheme for state estimation

The paper deals with state estimation problem of nonlinear non-Gaussian discrete dynamic systems for improvement of accuracy and consistency. An efficient new algorithm called the adaptive Gaussian-sum square-root cubature Kalman filter（AGSSCKF） with a split-merge scheme is proposed. It is developed based on the squared-root extension of newly introduced cubature Kalman filter（SCKF） and is built within a Gaussian-sum framework. Based on the condition that the probability density functions of process noises and initial state are denoted by a Gaussian sum using optimization method, a bank of SCKF are used as the sub-filters to estimate state of system with the corresponding weights respectively, which is adaptively updated. The new algorithm consists of an adaptive splitting and merging procedure according to a proposed split-decision model based on the nonlinearity degree of measurement. The results of two simulation scenarios（one-dimensional state estimation and bearings-only tracking） show that the proposed filter demonstrates comparable performance to the particle filter with significantly reduced computational cost.     

基于混合滤波的无线传感器网络融合跟踪方法

 针对无线传感器网络(WSN)中的多传感器融合目标跟踪,提出一种混合滤波算法,称为无迹混合集中式粒子滤波(UM CPF)。该算法使用了一个混合的粒子传播方案。在使用集中式粒子滤波(CPF)对WSN中的节点测量信息进行融合时,粒子滤波器中的一部分粒子使用从无迹变换(UT)获得的高斯分布作为建议分布进行粒子传播,而剩余的另一部分粒子则简单地使用状态转移先验分布进行粒子传播。WSN中的融合跟踪仿真结果表明,和纯粒子滤波算法CPF相比,在仿真速率相当的情况下,混合滤波算法明显提高了跟踪精度和稳定性。     

基于IMMKF算法的ADS-B监视应用目标跟踪

目标跟踪是机载广播式自动相关监视（ADS-B）应用的基础功能,对提升航空器周边的弱机动民航飞机目标跟踪性能具有重要意义。提出一种基于交互式多模型卡尔曼滤波（IMMKF）算法的ADS-B 监视应用目标跟踪方法。首先,针对弱机动背景下的民航飞机的飞行特点,建立包含匀速模型和标准协同转弯模型的运动模型集,并对模型进行线性化近似;然后,将模型预测和ADS-B 状态矢量量测数据作为IMMKF 算法中多个并行卡尔曼滤波器的输入,进行并行滤波;最后,计算得到目标状态矢量的估计和模型近似概率,并作为下一次迭代的输入。结果表明：相比于基于匀速模型的卡尔曼滤波目标跟踪方法,IMMKF 方法的位置跟踪误差降低了59%,速度跟踪误差降低了77%,显著提升了状态估计性能,具备较高的跟踪精度、稳健性与计算效率,在ADS-B 监视应用中具有实际应用价值与借鉴意义。     

面向再入目标跟踪的估计与辨识联合优化算法

准确的弹道系数辨识和精确的目标状态估计是再入目标高精度跟踪与高可靠识别的关键。一方面,状态估计的误差会造成模型参数(弹道系数)的辨识风险;另一方面,模型参数的辨识偏差又会导致模型失配从而降低目标状态的估计精度。因此,需要实现再入目标的状态估计和参数辨识的联合优化。针对再入目标弹道系数未知情形,提出了一种基于期望最大化(EM)框架并采用粒子滤波(PF)平滑器实现的PF-EM联合优化算法。在E步基于粒子平滑器得到目标状态的后验平滑估计,M步采用数值优化算法更新上一次迭代的弹道系数,通过E步和M步的不断迭代,以保证状态估计和弹道系数辨识的一致性。算法仿真对比表明:所提算法的状态估计和参数辨识精度均优于传统的状态增广算法。     

混合线性/非线性模型的准高斯Rao-Blackwellized粒子滤波法

 针对混合线性/非线性模型,提出一种新的递推估计滤波算法,称为准高斯Rao-Blackwellized粒子滤波器（Q-GRBPF）。算法采用Rao-Blackwellized思想,将线性状态与非线性状态进行分离,对非线性状态运用准高斯粒子滤波（Q-GPF）算法进行估计,并将其后验分布近似为单个高斯分布,再利用非线性状态的估计值对线性状态进行卡尔曼滤波（KF）估计。将Q-GRBPF应用于目标跟踪的仿真结果表明,与Rao-Blackwellized粒子滤波器（RBPF）相比,Q-GRBPF在保证估计精度的前提下有效降低了计算复杂度,计算时间约为RBPF的58%;与Q-GPF相比,x坐标与y坐标的估计精度分别提升了45％和30％,而计算时间也节省了约30％。