1 南京航空航天大学, 自动化学院，南京211106
2 江苏省物联网与控制技术重点实验室，南京211106
针对未知杂波强度下的多目标跟踪问题, 提出了加速期望最大化概率假设密度(AEM-PHD)平滑滤波算法。首先, 对杂波的强度进行建模; 接着, 根据杂波的量测估计出杂波的个数; 然后, 利用高斯有限混合模型对杂波密度函数进行建模, 在EM算法的基础上提出了AEM算法, 将AEM算法用于高斯有限混合模型参数的估计, 获得了杂波的密度函数; 最后, 将估计的杂波信息应用于多目标跟踪, 对目标状态进行了平滑。仿真结果表明, 在杂波强度未知的环境下, 所提算法能准确估计出杂波的参数, 具有跟踪精度高、目标数目估计准确的优点。
多目标跟踪 未知杂波强度 高斯有限混合模型 加速期望最大化 概率假设密度 平滑 multi- target tracking unknown clutter intensity Guessian finite mixture model accelerated expectation maximization probability hypothesis density smoothing
1 郑州升达经贸管理学院信息工程系，郑州 451191
2 河南广播电视大学，郑州 450008
3 河南工业大学信息科学与工程学院，郑州 451000
为处理低检测概率情况下目标漏检的情况，引入一种新的多帧状态估计机制，提出了一种基于多帧状态估计机制的高斯混合概率假设密度滤波器。该机制依据不同时间步骤的目标权值来构建每个目标的历史权值矩阵和状态提取标识符。在目标跟踪过程中，当一些连续运动目标在某些时间步骤漏检时，通过多帧状态估计机制，充分依据关联目标的权值矩阵和状态提取标识符来对目标的当前状态进行估计。仿真实验表明，所提算法在保证跟踪有效性的同时，能够在低检测概率且杂波率相对较高的情况下显著提高目标的跟踪性能，具有较强的鲁棒性。
多目标跟踪 数据关联 多帧估计机制 概率假设密度 高斯混合滤波 低检测概率 multi-target tracking data association multi-frame estimation mechanism probability hypothesis density Gaussian hybrid filtering low detection probability
1 南京航空航天大学自动化学院，南京 211106
2 江苏省物联网与控制技术重点实验室，南京 211106
针对概率假设密度多目标跟踪算法中存在的杂波强度未知的问题, 提出一种基于熵惩罚的EM未知杂波估计的PHD多目标跟踪(EPEM-PHD)算法。首先采用有限混合模型对未知杂波密度建模, 其次分别对混合权重及缺失参数施加熵惩罚因子, 然后通过自适应动态系数调节, 使得混合模型低权值分量加速消亡, 减少了算法迭代次数, 且算法对初始参数不敏感。仿真结果表明, 该算法在杂波强度未知的环境下, 具有精度高、跟踪稳定的优势, 提高了PHD滤波器在多目标跟踪中的性能。
多目标跟踪 未知杂波估计 燔惩罚 multi-target tracking PHD Probability Hypothesis Density (PHD) unknown clutter estimation entropy penalized EM Expectation Maximization (EM)
1 河南工学院电子通信工程系，河南新乡453000
2 新乡学院计算机与信息工程学院，河南新乡453003
针对扩展目标联合估计运动状态和目标外形的问题，提出了一种基于星-凸形随机超曲面模型的扩展目标高斯混合概率密度滤波算法。该算法利用星-凸形随机超曲面模型对量测的扩散程度进行建模，同时利用约束对目标外形参数进行限制。在高斯混合概率假设密度的框架下，通过对量测模型下的量测似然、新息等参数的求解和更新递推实现扩展目标的跟踪。仿真实验表明，所提算法在保证跟踪有效性和可行性的同时提高了对扩展目标运动状态和目标外形的估计精度。
目标跟踪 扩展目标 星-凸形 随机超曲面模型 高斯混合概率密度 target tracking extended target star-convex random hypersurface model Gaussian mixture probability hypothesis density
1 海军航空装备计量监修中心, 上海 200436
2 海军航空工程学院电子信息工程系, 山东烟台 264001
基于有限集统计学理论的多目标跟踪技术具备严格的贝叶斯理论解释基础, 可以同时完成目标数目及状态的估计, 并避免了复杂的数据关联过程。基于高斯混合概率假设密度滤波器(GM-PHD)实现了对数目时变目标的跟踪, 准确估计出了每一时刻目标的数目。在此基础上进一步分析了目标生存概率 ps、目标检测概率 pd以及杂波密度 λc等因素对跟踪效果的影响, 为 GM-PHD滤波器在多目标跟踪的实际应用中各参数的取值提供了有益的参考。
高斯混合概率假设密度滤波器 检测概率 存活概率 杂波密度 最优子模式分配距离 Gaussian Mixture Probability Hypothesis Density(GM detection probability survival probability clutterdensity Optimal Subpattern Assignment(OSPA) distance 太赫兹科学与电子信息学报
2017, 15(3): 382
1 河南工学院电子通信工程系，河南 新乡 453000
2 新乡学院计算机与信息工程学院，河南 新乡 453003
针对扩展目标联合估计运动状态和目标外形的问题，提出了一种基于星-凸形随机超曲面模型的扩展目标高斯混合概率密度滤波算法。该算法利用星-凸形随机超曲面模型对量测的扩散程度进行建模，同时利用约束对目标外形参数进行限制。在高斯混合概率假设密度的框架下，通过对量测模型下的量测似然、新息等参数的求解和更新递推实现扩展目标的跟踪。仿真实验表明，所提算法在保证跟踪有效性和可行性的同时提高了对扩展目标运动状态和目标外形的估计精度。
目标跟踪 扩展目标 星-凸形 随机超曲面模型 高斯混合概率密度 target tracking extended target star-convex random hypersurface model Gaussian mixture probability hypothesis density
1 南京航空航天大学,自动化学院，南京 211106
2 南京航空航天大学,江苏省物联网与控制技术重点实验室，南京 211106
针对多目标跟踪中存在的新生目标强度未知的问题，提出一种基于量测驱动新生目标强度估计的PHD(MDTBI-PHD)滤波算法。该算法采用增广状态空间方法，在由真实目标状态与虚拟目标(杂波)状态构成的增广状态空间上实现PHD多目标跟踪。算法通过构造新生目标量测集，采用量测驱动的方式对新生目标强度进行估计，从而避免了对新生目标强度先验知识的依赖,同时,该算法也避免了未知杂波对真实目标强度估计的干扰。仿真结果表明，该算法在新生目标强度未知的情况下，具有对目标数目变化敏感的优势，可降低计算复杂度，明显提高跟踪精度。
多目标跟踪 概率假设密度 新生目标强度 量测驱动 增广空间 multi-target tracking Probability Hypothesis Density (PHD) target birth intensity measure-driven augmented state space
1 西安工程大学 计算机科学学院，西安 710048
2 德克萨斯州大学 奥斯汀分校 人类生态系, 德克萨斯州 奥斯汀 78712
针对带标签的高斯混合概率假设密度滤波算法无法获取衍生目标的问题，提出一种可以提取衍生目标的带标签GM-PHD 算法。首先，通过为高斯项加注标签的方式区别不同的目标，以辨别单个目标及其航迹。其次，在滤波过程中，对每一时刻得到的状态估计值与已形成的航迹标签进行匹配关联，实现航迹维持。最后，通过设置衍生阈值来判断状态估计中是否存在衍生目标以及可能产生的目标个数，为新生目标高斯项和可能的衍生目标高斯项重新分配标签，并创建新的航迹。仿真实验结果表明，与传统的带标签GM-PHD 算法相比，在衍生目标存在的情况下，改进算法具有更好的跟踪性能。
概率假设密度滤波 随机有限集 状态估计 衍生目标 带标签GM-PHD probability hypothesis density filter random finite sets sate estimation spawn targets labeling GM-PHD
基于随机有限集(RFS)的多目标跟踪算法是近年来国际上多传感器信息融合领域的研究热点。分别论述了RFS框架下3种重要的近似滤波器即概率假设密度(PHD)、势化PHD(CPHD)和多目标多伯努利(MeMBer)滤波器的研究进展，并对它们进行了比较和总结；然后，着重梳理了它们在机动目标跟踪、非标准目标跟踪、多传感器融合、多目标跟踪性能评估等方面的研究现状；最后，对相关领域的未来研究方向进行了分析和展望。
多传感器融合 多目标跟踪 随机有限集 概率假设密度 多目标多伯努利滤波器 multi-sensor fusion multi-target tracking random finite set probability hypothesis density multi-target multi-Bernoulli filter
1 中国航空工业集团公司洛阳电光设备研究所,河南 洛阳 471000
2 光电控制技术重点实验室,河南 洛阳 471000
3 中国人民解放军驻六一三所军事代表室,河南 洛阳 471000
主要对基于有限随机集多目标跟踪算法进行研究,扩展了高斯混合概率假设密度（GM-PHD）滤波算法,提出适用于红外搜索跟踪（IRST）的非线性纯角度跟踪的GM-PHD算法。该算法对状态集和量测集进行贝叶斯估计,不需要数据关联,克服了传统的基于数据关联的多目标跟踪算法在强杂波、目标数目未知且不断变化的情况下数据关联困难的缺点,提高了IRST多目标跟踪性能的同时也能对目标个数进行实时估计。
多目标跟踪 红外搜索跟踪 有限随机集 最优滤波 高斯混合概率假设密度 multi-target tracking IRST random finite set optimal filtering Gaussian mixture probability hypothesis density
