针对椭圆轨道红外监视系统图像畸变大，基于图像配准进行目标轨迹确认误差大的问题，提出基于视轴矢量序列的目标确认分析方法; 建立了目标视轴矢量序列的状态转移模型和观测模型，利用 GM-PHD(Gaussian mixture probability hypothesis density)滤波器对目标视轴矢量进行滤波实现目标确认分析; 针对在目标状态未知条件下， GM-PHD滤波器易于丢失新目标的问题，采用反馈滤波方式对 GM-PHD滤波器进行改进设计。仿真结果验证了基于视轴矢量序列进行目标轨迹确认分析的有效性以及改进 GM-PHD滤波器对新目标状态估计的时效性。
目标轨迹确认 视轴矢量序列 天基红外监视系统 GM-PHD滤波器 随机有限集 target confirmation, LOS vector sequence, space-in
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
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
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
