基于最近邻的集中式多传感器多目标跟踪算法

经典的集中式多传感器多目标跟踪算法通常计算量较大,经常难以满足系统的实时性要求,工程上实现起来比较困难,为进一步扩大集中式多传感器的应用范围,使其在对算法实时性要求较高、跟踪精度要求较小的实际场合中广泛应用。文章基于最近邻域思想,研究了并行处理结构的集中式多传感器最近邻域算法,并从算法跟踪精度、实时性、有效跟踪率3个方面对其与经典的顺序多传感器联合概率数据互联算法进行了仿真比较。经仿真验证,并行处理结构的集中式多传感器最近邻域算法实时性提高了60%以上,且在跟踪背景杂波适中的情况下能够有效跟踪目标。     

基于概率最近邻域算法的分布式多传感器多目标跟踪算法

为进一步扩大分布式多传感器的应用范围,基于概率最近邻域思想,研究了分布式多传感器概率最近邻域算法,并对其与分布式多传感器联合概率数据互联算法进行了性能仿真分析。经仿真验证,分布式多传感器概率最近邻域算法能够解决多传感器多目标跟踪问题,且实时性有较大提高。     

杂波环境下基于数据压缩的多传感器容积滤波算法

针对杂波环境下非线性系统中多传感器多目标跟踪问题,基于广义多维分配(S-D分配)规则获取最佳的量测划分,通过多传感器数据压缩技术得到等效量测点与等效量测协方差,结合容积卡尔曼滤波原理实现多目标跟踪,提出了一种基于数据压缩的多传感器容积滤波算法(SD-DCCKF)。仿真结果表明:相对已有算法,SDDCCKF不仅避免了因模型线性化误差导致的滤波发散问题,而且克服了算法在高维系统中数值不稳定的缺点,算法估计精度较高,收敛速度较快,能够更加有效地解决非线性系统中的多目标跟踪问题。     

面向目标的概率多假设跟踪算法

 概率多假设跟踪(PMHT)算法由于其计算量与目标和量测的个数成线性关系而成为一种重要的数据关联方法,但该算法采用的是一种面向量测的参数模型,容易受到杂波的干扰。针对这个问题,提出一种面向目标的PMHT（TO/PMHT）算法,将量测与目标的距离作为权重,使计算出的后验关联概率能够真实地反映量测和目标的关联可能性。通过多种典型环境的仿真计算表明：TO/PMHT算法和面向量测的PMHT算法相比,跟踪性能有了明显的提高;与多假设跟踪(MHT)算法相比,在保持跟踪性能的同时,极大地提高了计算效率。     

基于模板匹配的集中式多传感器群内目标精细跟踪算法

为解决多传感器探测下群内目标精细跟踪的难题,基于非机动情况下各探测周期内群内目标真实回波位置相对固定的特性,提出了一种基于模板匹配的集中式多传感器群内目标精细跟踪算法。该算法通过预关联成功的群状态集合与群量测集合分别建立模板形状矩阵和待匹配形状矩阵,利用匹配搜索模型和匹配矩阵确认规则选出代价最小的匹配矩阵,并基于模板和对应的匹配矩阵利用 kalman滤波完成群内各目标航迹的状态更新。仿真表明,与传统多传感器多目标跟踪算法中性能优越的基于数据压缩的集中式多传感器多假设算法相比,该算法在跟踪精度、实时性、有效跟踪率方面的性能明显优越,能很好的满足群内目标精细跟踪的实际工程需求。     

随机神经网络在机动多目标跟踪中的应用

研究密集多回波环境下的机动多目标跟踪问题。通过对多目标联合概率数据关联方法性能特征的分析,将其归结为一类约束组合优化问题。在此基础上,利用随机神经网络求解组合优化问题的策略,采用改进的增益退火算法,提出了一种新颖的机动多目标快速自适应神经网络跟踪方法。仿真结果表明,该方法不仅具有很高的收敛速度和跟踪精度,而且计算量小,关联效果好。     

基于数据关联的故障快速检测

 多数情况下,快速实时地进行故障检测是很重要的。将故障看做是通过多传感器观测的动态模型,进行多传感器多模型概率数据关联,以各个模型的关联结果和设定的阈值为依据,可以有效地实现故障检测。联合概率数据关联（JPDA）算法是解决多传感器多目标跟踪的一个有效方法,文中通过分析概率数据关联算法,对联合概率数据关联算法进行了改进：（1）通过正确地选择阈值,移除小概率事件,进而建立一个近似的确认矩阵;（2）根据被跟踪目标故障跟踪门的相交情况,将跟踪空间进行数学划分,形成若干相互独立的区域;（3）对同一区域内公共有效量测的概率密度值进行衰减,计算出关联概率。仿真对比表明,本文的改进算法能显著减少计算时间,有效提高故障检测的快速性和实时性。     

基于注意力机制和特征匹配的空对地多目标检测与跟踪算法

多目标跟踪算法是实现无人机自主导航的关键技术，为解决现有方法存在的小目标检测能力弱、计算能耗大、鲁棒性差等问题，提出一种基于注意力机制和特征匹配的多目标空对地跟踪算法，以实现航拍视角下对目标的精准高效跟踪。首先，引入通道可分离卷积，实现目标检测模型的轻量化；其次，构造融合空间注意力机制的小目标检测分支，提高对小微目标的检测精度，最后，优化目标跟踪算法的外观重识别网络，提高多目标跟踪效率。使用Visdrone2019-MOT数据集对所提算法进行验证，实验结果表明，所提算法的MOTA值提高了0.６%，FPS值为21.31帧/s，在模型大小和跟踪精度上实现了较好的平衡。     

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。     

基于自适应融合网络的无人机目标跟踪算法

针对无人机视频跟踪过程中,目标占比较小且易受复杂背景信息干扰等问题,提出一种基于自适应融合网络的无人机目标跟踪算法。首先,基于感受野模块和残差网络构建深度网络模型,能够有效提取目标特征并增强特征的有效感受野;其次,提出一种多尺度自适应融合网络,能够自适应地融合深层网络的语义特征和浅层网络的细节特征,增强特征的表达能力;最后,将融合的目标特征输入到相关滤波模型中,计算出响应图的最大置信分数,从而确定跟踪目标位置。仿真实验结果表明,该算法在跟踪成功率和精确率上都达到了较高水平,有效提升了无人机目标跟踪算法性能。     

基于倾斜角的多目标测向无源定位技术

对多目标测向无源定位问题进行了研究。虽然无源观测站不同,针对同一目标的方位角和俯仰角数据也不同,但它们有共同的倾斜角。基于此,提出了基于倾斜角的多目标测向无源定位算法。该算法分别计算一组与多个目标对应的倾斜角,然后利用倾斜角最接近原则对这2组数据进行关联判断,解决多目标测向数据的关联和定位问题,并通过仿真实验,对算法的有效性和可行性进行了验证。     

Variational Bayesian labeled multi-Bernoulli filter with unknown sensor noise statistics

It is difficult to build accurate model for measurement noise covariance in complex back-grounds. For the scenarios of unknown sensor noise variances, an adaptive multi-target tracking algorithm based on labeled random finite set and variational Bayesian (VB) approximation is pro-posed. The variational approximation technique is introduced to the labeled multi-Bernoulli (LMB) filter to jointly estimate the states of targets and sensor noise variances. Simulation results show that the proposed method can give unbiased estimation of cardinality and has better performance than the VB probability hypothesis density (VB-PHD) filter and the VB cardinality balanced multi-target multi-Bernoulli (VB-CBMeMBer) filter in harsh situations. The simulations also confirm the robustness of the proposed method against the time-varying noise variances. The computational complexity of proposed method is higher than the VB-PHD and VB-CBMeMBer in extreme cases, while the mean execution times of the three methods are close when targets are well separated.     

The Tracking Index: A Generalized Parameter for ? ? ? and ? ? ? ? Target Trackers

A generalized, optimal filtering solution is presented for the target tracking problem. Applying optimal filtering theory to the target tracking problem, the tracking index, a generalized parameter proportional to the ratio of the position uncertainty due to the target maneuverability to that due to the sensor measurement, is found to have a fundamental role not only in the optimal steady-state solution of the stochastic regulation tracking problem, but also in the track initiation process. Depending on the order of the tracking model, the tracking index solution yields a closed form, consistent set of generalized tracking gains, relationships, and performances. Using the tracking index parameter, an initializing and tracking procedure in recursive form, realizes the accuracy of the Kalman filter with an algorithm as simple as the well-known ? ? ? filter or ? ? ? ? ? filter depending on the tracking order.     

一种基于模糊遗传算法的多传感器多目标跟踪数据关联算法

基于模糊遗传算法发展了一种新的数据关联算法。数据关联的静态部分靠一个模糊遗传算法来得出量测组合序列和S-D分配的m个最优解。在数据关联的动态部分，将得到的S-D分配的m个最优解在一个基于多种群模糊遗传算法的动态2D分配算法中依靠一个卡尔曼滤波估计器估计出移动目标各个时刻的状态。这一基于分配的数据关联算法的仿真试验内容为被动式传感器的航迹形成和维持的问题。仿真试验的结果表明该算法在多传感器多目标跟踪中应用的可行性。另外，对算法发展和实时性问题进行了简单讨论。     

一种分散化多站联合目标跟踪算法

 本文基于分散估计理论的基本原理,考虑各子站基于不同坐标系这个一般情形,给出了一种新的分散化多站联合目标跟踪算法。并针对子站间四种不同的通讯方式,对算法进行了仿真。结果表明,本文的最优合成算法即使在各个子站由于缺少足够的信息而得到错误估计的情况下,也能快速地给出正确的估计。     

一种分布式异步航迹融合算法

在多被动传感器目标跟踪中,融合中心处理的信息一般是同步的,然而实际情况并非如此。另外,一些被动传感器只能得到目标的方位信息,无法单独形成有效航迹,这就需要将各传感器数据同步到相同时刻,然后应用同步融合算法。针对被动传感器探测系统,采用传感器到传感器融合和系统到传感器融合的分布式融合结构,并对各局部传感器引入全局反馈,对相关信息采用协方差交叉算法进行处理,完成被动传感器异步数据的融合,仿真结果表明,该算法具有较好的融合效果。     

基于决策不确定性的多目标跟踪传感器管理

针对高杂波、电子干扰环境,在量测驱动的多目标滤波框架下提出了一种基于决策不确定性的传感器管理方法。首先,根据部分可观测马尔科夫决策过程的理论,给出了基于Rényi信息增量的传感器管理一般方法。其次,综合考虑决策过程的信息完整性、信息质量、信息的内涵等因素,在量测驱动的自适应滤波框架下,基于目标运动态势评估多目标决策不确定性水平,并选取最大决策不确定性目标。最后,以最大决策不确定性目标的信息增量最大化为准则进行传感器分配方案的求解。仿真实验表明所提方法能够有效抑制电子干扰、杂波对多目标跟踪及传感器分配的影响,与基于威胁的传感器管理方法相比,所提方法的平均最优子模式分配（OSPA）距离及平均计算时长均显著降低,且在高杂波、电子干扰情形下具有较高的可靠性。     

交互多模型PHD滤波跟踪多目标方法

在机动多目标跟踪问题中,目标数未知或随时间而变化,概率假设密度（PHD）滤波可以在每一时间步估计多目标状态和目标数,但单模型方法不能给出精确的估计。提出了一种交互多模型PHD滤波方法,建立多模型描述多目标运动方式,利用PHD滤波结合多模型跟踪目标运动轨迹。同时,给出了多传感器交互多模型PHD滤波方法,以提高目标跟踪精度。     

激光告警多目标定位与跟踪技术研究

研究了激光告警多目标定位和跟踪的建模方法。利用聚类概念,对激光告警器测量数据进行集类,并对各个类对应的目标状态进行空间-时间融合。通过求解航迹信息融合的状态估计值,实时形成同步脉冲控制逻辑,从而实现对激光多目标的实时跟踪和激光信号的实时提取。给出了激光告警多目标定位与跟踪的设计过程,提出了一种实用简便的融合算法,并设计了一套该模型的原理样机。试验结果验证了这种方法的有效性。     

基于CPHD的双层粒子滤波目标跟踪算法

常规基于势概率假设密度滤波(Cardinalized Probability Hypothesis Density,CPHD)的粒子滤波(Particle Fil? ter,PF)跟踪算法应用于多目标跟踪时,容易遇到因粒子数量增加而带来的运算效率下降、目标数目估计不准的问题。文章基于常规粒子滤波 CPHD跟踪算法,通过部署双层粒子,提出基于势概率假设密度滤波的双层粒子滤波 (Two-Layer Particle Filter-CPHD,TLPF-CPHD)算法,以便提高目标数目及状态估计精度。仿真实验结果证明,相比于常规 PF-CPHD算法,新算法具有更好的目标数目和状态估计准确性。