针对杂波条件下可分辨群目标的状态估计、目标个数与子群个数估计问题,提出了一种基于标签随机有限集(Label random finite set,L-RFS)框架下的可分辨群目标跟踪算法,该算法主要包括两个方面:可分辨多群目标动态建模和多群目标的跟踪估...针对杂波条件下可分辨群目标的状态估计、目标个数与子群个数估计问题,提出了一种基于标签随机有限集(Label random finite set,L-RFS)框架下的可分辨群目标跟踪算法,该算法主要包括两个方面:可分辨多群目标动态建模和多群目标的跟踪估计.本文工作主要包括:1)结合图论中的邻接矩阵对可分辨群目标运动进行动态建模.2)利用基于L-RFS的广义标签多伯努利滤波(Generalizes label multi-Bernoulli,GLMB)算法对目标的状态和个数进行估计,并且通过估计邻接矩阵得到群的结构和个数估计.3)通过个数不同、结构不同的三个子群目标在二维平面分别做线性和非线性运动进行算法验证.仿真分析表明本文算法能够准确估计出群目标中各目标的状态、个数以及子群的个数,并且能获得目标的航迹估计.展开更多
提出一种基于演化网络模型和区间分析的群目标势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波算法。针对传统的粒子CPHD群目标跟踪算法中粒子数多、运算量大的问题,采用箱粒子实现CPHD滤波器,减少了粒子数,降...提出一种基于演化网络模型和区间分析的群目标势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波算法。针对传统的粒子CPHD群目标跟踪算法中粒子数多、运算量大的问题,采用箱粒子实现CPHD滤波器,减少了粒子数,降低了运算量。算法通过对群目标状态采用CPHD滤波进行预测更新,并使用所获得的群信息修正群内目标的状态,进而实现对群质心的跟踪和群目标的势估计。仿真对比实验表明,所提算法在达到与传统算法相似估计性能的条件下,大幅降低了算法的运算量,同时在强杂波环境下也具有更为突出的优势。展开更多
针对杂波环境下群目标分离与合并时跟踪精度变化较大的问题,提出一种基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)的群目标分离与合并跟踪算法。该算法首先根据群目标模型、落入群目标跟踪门中的量测数量...针对杂波环境下群目标分离与合并时跟踪精度变化较大的问题,提出一种基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)的群目标分离与合并跟踪算法。该算法首先根据群目标模型、落入群目标跟踪门中的量测数量与群目标关联门交叉区域的预测群中心数量来判断群分离或合并的可能性;然后,通过DBSCAN算法对群目标关联门中的量测进行聚类,进一步确定群目标是否发生分离或合并;最后,根据新群目标跟踪门中的等效量测方差计算并更新对应的群目标跟踪门大小和群成员数量。仿真结果表明,相比于传统群目标的分离与合并跟踪方法,该算法保证了群目标分离与合并检测的实时性,提高了分离或合并前后的跟踪精度。展开更多
文摘提出一种基于演化网络模型和区间分析的群目标势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波算法。针对传统的粒子CPHD群目标跟踪算法中粒子数多、运算量大的问题,采用箱粒子实现CPHD滤波器,减少了粒子数,降低了运算量。算法通过对群目标状态采用CPHD滤波进行预测更新,并使用所获得的群信息修正群内目标的状态,进而实现对群质心的跟踪和群目标的势估计。仿真对比实验表明,所提算法在达到与传统算法相似估计性能的条件下,大幅降低了算法的运算量,同时在强杂波环境下也具有更为突出的优势。
文摘针对杂波环境下群目标分离与合并时跟踪精度变化较大的问题,提出一种基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)的群目标分离与合并跟踪算法。该算法首先根据群目标模型、落入群目标跟踪门中的量测数量与群目标关联门交叉区域的预测群中心数量来判断群分离或合并的可能性;然后,通过DBSCAN算法对群目标关联门中的量测进行聚类,进一步确定群目标是否发生分离或合并;最后,根据新群目标跟踪门中的等效量测方差计算并更新对应的群目标跟踪门大小和群成员数量。仿真结果表明,相比于传统群目标的分离与合并跟踪方法,该算法保证了群目标分离与合并检测的实时性,提高了分离或合并前后的跟踪精度。
