1 中国船舶重工集团公司第七一六研究所, 江苏 连云港 222006
2 南京理工大学, 南京 210094
联合概率数据关联(JPDA)算法在解决多目标跟踪时需要目标准确的动力学模型, 动力学模型失配在多机动目标跟踪中时常发生,而作为有效的解决方法之一——强跟踪滤波(STF)是针对无杂波环境下的单机动目标设计的。为了提高杂波环境下多机动目标跟踪精度, 提出一种联合概率数据关联强跟踪滤波(JPDA-STF)算法。该算法为了能够实现各个目标的渐消因子计算, 采用对与目标关联的量测进行加权融合的方式获取目标新息协方差, 其中, 量测权重的计算则是通过JPDA的方式获取。通过各目标渐消因子获取状态预测协方差, 随后在卡尔曼滤波框架下即可实现目标状态的更新。实验结果表明, 该算法相比于传统的JPDA算法能够更有效地降低跟踪误差。
目标跟踪 多机动目标 强跟踪滤波 target tracking multiple maneuvering targets strong tracking filter JPDA JPDA JPDA-STF JPDA-STF
江南大学 物联网工程学院，江苏 无锡 214122
针对非线性条件下机动目标跟踪问题，在此提出了一种增广交互式多模型容积卡尔曼滤波(AIMMCKF)算法。该算法将交互式多模型容积卡尔曼滤波(IMMCKF)应用到一个非线性状态增广系统，以得固定延迟平滑状态估计。同时，采用增广转换操作处理所用模型集中的不同模型可能属于不同状态空间的问题，保证算法能够正常进行。仿真结果表明，与传统非线性跟踪算法相比，所提算法在机动目标跟踪方面有更高的精度与更强的适应性。
机动目标跟踪 状态增广 容积卡尔曼滤波 非线性 maneuvering targets tracking state augmented cubature Kalman filter nonlinear
国防科技大学 电子科学与工程学院,湖南 长沙 410073
标签多伯努利(LMB)滤波器在传统多伯努利滤波器基础上引入标签空间, 能够实现真正意义上的多目标轨迹级滤波.文章对红外小目标的运动和量测进行建模, 将标签多伯努利应用到红外小目标检测前跟踪领域.在此基础上, 为了实现对运动模型时变目标的检测前跟踪, 将交互式多模型(IMM)与LMB检测前跟踪算法相结合, 提出IMM-LMB检测前跟踪算法.此外, 给出了该算法的序贯蒙特卡罗实现.仿真结果表明, 所提算法能够从输入的原始图像中直接实现轨迹级多目标检测和跟踪, 且能够在线更新多模型概率, 更好的适应多机动目标场景.
标签多伯努利滤波器 红外搜索与跟踪 机动目标 检测前跟踪 交互式多模型 labeled multi-Bernoulli filter infrared search and track maneuvering targets track-before-detect interacting multiple models
针对杂波环境下标准的势均衡多伯努利滤波器不能有效跟踪多机动目标的问题，本文提出了一种新的多机动目标跟踪算法。该方法将势均衡多伯努利滤波器与“当前”统计自适应模型相结合，对目标的运动状态矩阵进行扩维，改变了目标状态转移矩阵和过程噪声方差，增加控制矩阵，实现目标加速度的自适应调整，从而使新算法能够适应目标运动状态的变化。仿真结果表明，在机动条件下，新算法能有效地跟踪多机动目标，而且跟踪精度较高。
势均衡多伯努利滤波器 机动目标 “当前”统计自适应模型 目标跟踪 概率假设密度滤波 CBMeMBer filter maneuvering targets adaptive current statistical model target tracking probability hypothesis density filter
中国工程物理研究院应用电子学研究所,四川,绵阳,621900
针对目标跟踪中的目标机动问题提出了一种"基于自适应相互作用多模型"的算法.使用不同的几个子模型来描述目标的运动状态,各个模型有自己的随目标估计状态和当前测量值变化的模型概率,并且各模型之间能通过马尔可夫链的控制自动平滑切换.仿真实验表明了该算法能很好地适应目标的机动,即使采用两个子模型来描述目标的运动,跟踪精度也比较好.
机动目标跟踪 相互作用多模型 马尔可夫链 卡尔曼滤波器 Maneuvering targets tracking Interacting multiple model Markovian chain Kalman filter
