光电雷达以其不易受电子干扰、被动探测、隐蔽性好、定位精度高、探测隐身目标能力强等优点已经成为战场态势感知的主要装备之一；但光电雷达受自身探测机理限制, 存在探测信息维度不全、搜索周期长、数据更新率低、容易受云干扰等问题。针对光电雷达的工作原理, 分析其探测目标的特点, 介绍目前主流的机动目标跟踪运动模型、传统的基于数据关联的多目标跟踪技术、基于随机有限集的多目标跟踪技术以及基于深度学习的多目标跟踪技术, 然后对多目标跟踪技术的未来发展做了展望。
光电雷达 多目标跟踪 数据关联 随机有限集 深度学习 IRST multi-target tracking track association random finite set deep learning
群目标具有结构固定、运动模式特殊等特点, 并且数量规模较大、空间分布密集、互相遮挡现象严重, 采用传统的多目标跟踪算法对其进行跟踪会出现错误关联甚至失跟的现象。介绍了3种比较典型的群目标跟踪思路, 即中心类跟踪算法、基于随机有限集的算法以及群扩展状态的估计算法, 对目前的研究成果进行了分析和总结。最后, 基于现有理论以及相近领域先进技术的发展, 讨论了群目标跟踪的发展趋势。
群目标 目标跟踪 群质心 随机有限集 扩展状态 group target target tracking centroid of group random finite set extended state
针对高斯混合势平衡多目标多伯努利(GM-CBMeMBer)滤波器局限于固定出生位置且不能提供航迹信息的缺陷, 为有效利用机载多普勒雷达的多普勒信息, 提出了自适应单点航迹起始的带标签GM-CBMeMBer滤波器。在预测步骤, 该滤波器通过引入航迹标签提供航迹信息, 并选取可能对应新生目标的量测, 根据转换的位置量测和多普勒量测分别得到新生目标初始状态的位置分量和速度分量；在更新步骤, 依次使用转换的位置量测和多普勒量测序贯更新目标状态。仿真结果表明, 所提算法航迹起始性能良好, 并且能够有效提供航迹信息。
多目标跟踪 随机有限集 航迹起始 航迹标签 高斯混合势平衡多目标多伯努利 multi-target tracking random finite set track initiation track label Gaussian Mixture Cardinality Balanced Multi-target
中国航空工业集团公司洛阳电光设备研究所，河南洛阳471000
红外预警系统由于量测周期长、跟踪目标数量多, 从而导致多目标跟踪算法起始时间长、实时性差。采用基于随机集的多目标跟踪算法来解决这些难点, 并针对标准随机集多目标跟踪算法需要给出新生目标先验出生概率强度、航迹无法编批的不足, 采用分扇区处理、均匀新生目标强度模型、航迹编批管理方法对算法进行了改进。仿真结果表明, 改进后的算法能够满足红外预警系统工程需求。
红外预警系统 随机有限集 多目标跟踪 infrared early warning system random finite set multi-target tracking
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
在多目标跟踪环境下，粒子概率假设密度(P-PHD)因杂波、漏检和非线性情况，导致滤波精度不高,跟踪发散,对此问题提出一种基于数值积分粒子概率假设密度滤波算法。利用数值粒子滤波（QPF）实现概率假设密度(PHD)，用数值卡尔曼滤波(QKF)算法得到更好的重要性密度函数，并从中采样得到粒子，使粒子的分布更接近真实的概率假设密度分布。试验仿真表明,与粒子概率假设密度和容积粒子概率假设密度滤波算法相比，所提算法的滤波精度和稳定性明显提高。关键词：多目标跟踪；数值积分粒子滤波；概率假设密度滤波；随机有限集
多目标跟踪 数值积分粒子滤波 概率假设密度滤波 随机有限集 multi-target tracking quadrature particle filter PHD Random Finite Set (RFS)
1 国防科技大学 航天科学与工程学院, 湖南 长沙 410073
2 国防科技大学 电子科学与工程学院, 湖南 长沙 410073
为了从扫描图像序列中检测弱小运动目标并对其状态参数进行估计, 提出一种基于随机有限集理论的目标联合检测跟踪算法.根据推扫型光学传感器的扫描特性, 建立目标在像平面的运动模型和测量模型.将目标状态和量测数据描述为随机有限集合, 将目标的联合检测跟踪问题建模为目标状态集的贝叶斯最优估计问题, 并依据随机有限集理论推导出贝叶斯滤波的预测和更新表达式.从算法实现的角度, 利用高斯混合技术实现算法的递推滤波.仿真结果表明, 该算法适应杂波的能力强, 对漏检的影响更小, 可以有效完成推扫型光学传感器的目标检测跟踪任务.
推扫型光学传感器 随机有限集 联合检测跟踪 高斯混合 shave-scan optical sensor random finite set joint detection and tracking Gaussian Mixture
1 西安工程大学计算机科学学院, 西安 710048
2 西安电子科技大学电子工程学院, 西安 710071
基于随机有限集理论的多目标跟踪方法, 能够避免数据关联步骤的困扰, 能够较好地解决复杂环境中目标数目未知且随时间变化的多目标跟踪问题。本文分析基于数据关联和基于随机集理论的多目标跟踪方法, 阐明基于随机集理论的多目标跟踪方法的特点和优点, 对目标状态提取、航迹关联、更准确的滤波算法, 以及复杂条件下的 PHDF算法等关键问题进行总结和评述, 并指出该领域今后的研究热点。
随机有限集 多目标跟踪 概率假设密度滤波 状态估计 粒子滤波 random finite set multi-target tracking probability hypothesis density filter state estimation particle filter
哈尔滨工程大学 自动化学院, 黑龙江 哈尔滨 150001
针对杂波环境中传统同步定位与地图创建(SLAM)算法无法有效表达传感器多种信息以及容易发生错误数据关联的问题, 提出一种基于概率假设密度滤波的SLAM算法。该算法将每一时刻传感器的观测信息和环境地图表示为随机有限集, 建立联合目标状态变量; 通过概率假设密度(PHD)滤波对机器人位姿和环境地图状态进行同时估计, 并利用粒子滤波实现PHD滤波。在进行目标状态提取时, 为避免聚类算法引入的误差, 对粒子集进行时滞输出。提出的SLAM算法能准确表达观测的不确定性、漏检以及杂波引起的虚警等多种传感器信息, 且避免了数据关联过程, 使系统状态估计更接近真实值。仿真实验结果表明：与传统SLAM算法相比, 新算法的机器人定位及环境构图精度提高了50%以上, 为杂波环境下SLAM问题的研究提供了新的途径。
同步定位与地图创建 随机有限集 概率假设密度滤波 粒子滤波 目标状态提取 Simultaneous Localization and Mapping(SLAM) random finite set probability hypothesis density filter particle filter target state extraction 光学 精密工程
2011, 19(12): 3064
