根据有限集统计方法,推导得到了可适用于不可分辨目标跟踪问题的势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波器。类似传统的点目标CPHD滤波器,该不可分辨目标CPHD滤波器不仅可以递推地传递多目标状态集合的...根据有限集统计方法,推导得到了可适用于不可分辨目标跟踪问题的势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波器。类似传统的点目标CPHD滤波器,该不可分辨目标CPHD滤波器不仅可以递推地传递多目标状态集合的一阶统计矩,还可以传递多目标个数(即势)的概率分布。蒙特卡罗仿真实验表明,相比Mahler提出的不可分辨目标PHD滤波器,所提出的不可分辨目标CPHD滤波器具有更加精确和稳定的多目标个数和状态估计,但它的计算量要大于不可分辨目标PHD滤波器。展开更多
在航迹随机有限集的分布式多目标跟踪方法中,同一目标在不同传感器下估计航迹可能出现起始时间或航迹长度不一致的问题,提出一种基于航迹状态空间结构(state space structure,SSS)的分布式跟踪方法以及该方法的高斯混合模型实现。在基...在航迹随机有限集的分布式多目标跟踪方法中,同一目标在不同传感器下估计航迹可能出现起始时间或航迹长度不一致的问题,提出一种基于航迹状态空间结构(state space structure,SSS)的分布式跟踪方法以及该方法的高斯混合模型实现。在基于加权算术平均融合准则的分布式多目标跟踪框架下,结合航迹概率假设密度滤波器与航迹基数概率假设密度滤波器,利用航迹SSS信息,将航迹随机有限集的信息融合问题分治为多个独立的单一线性空间内子随机有限集信息融合问题。仿真实验基于广义最优子模式匹配度量方法比较了该方法与多种跟踪方法的跟踪性能,该方法估计结果与真实航迹误差最小,表明了该方法的有效性。展开更多
基于二项分布的扩展目标概率假设密度(extended target probability hypothesis density based on binominal distribution,BET-PHD)算法能够获得比泊松ET-PHD更好的跟踪性能。然而,BET-PHD中作为先验信息的检测概率和量测数目最大值在...基于二项分布的扩展目标概率假设密度(extended target probability hypothesis density based on binominal distribution,BET-PHD)算法能够获得比泊松ET-PHD更好的跟踪性能。然而,BET-PHD中作为先验信息的检测概率和量测数目最大值在实际应用中是未知的。参数严重不匹配会导致算法性能急剧下降。鉴于已有文献给出量测数目最大值的估计方法,提出一种能够在线估计检测概率的贝塔高斯ET-PHD(beta Gaussian ET-PHD,BG-ET-PHD)滤波器。首先采用二项分布的共轭先验贝塔分布估计检测概率,并与BET-PHD相结合得到BG-ET-PHD。仿真结果表明,BG-ET-PHD滤波器能够准确估计检测概率,能够获得比基于泊松模型的伽马高斯ET-PHD(gamma Gaussian ET-PHD,GG-ET-PHD)更好的跟踪性能。展开更多
文摘根据有限集统计方法,推导得到了可适用于不可分辨目标跟踪问题的势概率假设密度(cardinalized probability hypothesis density,CPHD)滤波器。类似传统的点目标CPHD滤波器,该不可分辨目标CPHD滤波器不仅可以递推地传递多目标状态集合的一阶统计矩,还可以传递多目标个数(即势)的概率分布。蒙特卡罗仿真实验表明,相比Mahler提出的不可分辨目标PHD滤波器,所提出的不可分辨目标CPHD滤波器具有更加精确和稳定的多目标个数和状态估计,但它的计算量要大于不可分辨目标PHD滤波器。
文摘在航迹随机有限集的分布式多目标跟踪方法中,同一目标在不同传感器下估计航迹可能出现起始时间或航迹长度不一致的问题,提出一种基于航迹状态空间结构(state space structure,SSS)的分布式跟踪方法以及该方法的高斯混合模型实现。在基于加权算术平均融合准则的分布式多目标跟踪框架下,结合航迹概率假设密度滤波器与航迹基数概率假设密度滤波器,利用航迹SSS信息,将航迹随机有限集的信息融合问题分治为多个独立的单一线性空间内子随机有限集信息融合问题。仿真实验基于广义最优子模式匹配度量方法比较了该方法与多种跟踪方法的跟踪性能,该方法估计结果与真实航迹误差最小,表明了该方法的有效性。
文摘基于二项分布的扩展目标概率假设密度(extended target probability hypothesis density based on binominal distribution,BET-PHD)算法能够获得比泊松ET-PHD更好的跟踪性能。然而,BET-PHD中作为先验信息的检测概率和量测数目最大值在实际应用中是未知的。参数严重不匹配会导致算法性能急剧下降。鉴于已有文献给出量测数目最大值的估计方法,提出一种能够在线估计检测概率的贝塔高斯ET-PHD(beta Gaussian ET-PHD,BG-ET-PHD)滤波器。首先采用二项分布的共轭先验贝塔分布估计检测概率,并与BET-PHD相结合得到BG-ET-PHD。仿真结果表明,BG-ET-PHD滤波器能够准确估计检测概率,能够获得比基于泊松模型的伽马高斯ET-PHD(gamma Gaussian ET-PHD,GG-ET-PHD)更好的跟踪性能。
