联合概率数据关联

摘要： 针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法(Joint Probability Data Association,JPDA).通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率.将所提算法与经典JPDA和k近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN-JPDA)算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题.

摘要： 针对杂波环境下面向无源协同定位系统的多目标跟踪问题,提出一种基于KL散度(Kullback-Leibler Divergence,KLD)的联合概率数据关联算法(Joint Probabilistic Data Association,JPDA).首先,在联合概率数据关联框架内计算关联事件的后验概率密度函数,并计算该函数与高斯概率密度函数之间的KLD.其次,将KLD作为代价函数优化关联事件的后验概率密度函数.最后,根据优化的后验概率密度函数对目标状态进行估计.仿真结果表明,所提算法能有效解决杂波环境下多目标跟踪问题,提高跟踪性能.

摘要： 为提高自动驾驶系统对车辆目标的识别和跟踪精度,提出一种基于激光雷达和单目视觉的信息融合框架.利用改进的DBSCAN算法对障碍物点云数据进行聚类,采用更快速区域卷积神经网络(Faster R-CNN)识别单目视觉图像中的车辆目标,融合两种传感器的信息获得完整的车辆目标信息,使用联合概率数据关联(JPDA)算法实时跟踪目标车辆的运动状态.试验结果表明,该算法可有效避免传感器杂波的干扰,能够适应车辆目标的数量变化并及时更新航迹信息,具有较高的精度和鲁棒性.

摘要： 针对强杂波环境下,联合概率数据关联(Joint Probabilistic Data Association,JPDA)算法的计算复杂度不能满足复杂电磁环境下数据关联的实时性要求,本文提出了一种基于高分辨一维距离像(High Resolution one-dimen-sional Range Profile,HRRP)特征辅助的JPDA算法.首先,计算量测与目标的HRRP特征相似度;然后利用特征相似度辅助JPDA算法完成波门搜索,减少可行事件的数量;最后使用特征相似度对可行事件的发生概率进行修正,进而修正量测与目标的关联概率.实验结果表明,本文算法提高了关联性能,同时还极大地提高了算法的实时性.

摘要： 针对杂波环境下多机动扩展目标跟踪问题,提出一种基于高斯过程的变结构多模型联合概率数据关联方法.首先,采用期望模型扩展方法构建自适应模型集,并对各个扩展目标状态进行初始化.其次,基于高斯过程建立联合跟踪门以选择有效量测,形成联合关联矩阵.然后,拆分联合关联矩阵得到可行关联矩阵并求解关联事件概率.最后,利用联合概率数据关联滤波器更新各个扩展目标的状态和协方差,并将更新的状态进行融合,得到最终的状态估计.仿真验证了所提方法的有效性.

摘要： 针对智能车辆前向多传感器多目标跟踪融合问题,提出一种基于改进的联合概率数据关联的车用多传感器跟踪融合算法.首先,根据车辆坐标系和各传感器坐标系的相对运动关系,对多传感器数据进行坐标变换,之后采用基于改进的联合概率数据关联的单传感器多目标跟踪算法、基于相关序贯关联法的多传感器关联算法和凸组合融合算法实现了对目标的稳定跟踪与准确融合.最终,通过装备毫米波雷达和摄像头的实验车在实际交通环境下进行实车试验,试验结果表明:目标被稳定跟踪且融合结果具有良好的精度,验证了算法的可行性和有效性.

摘要： 提出了一种基于联合概率数据关联(Joint Probability Data Association,JPDA)思想的雷达目标与敌我识别(Identification Friend or Foe,IFF)点迹相关方法,利用雷达目标历史IFF属性及关联概率作为先验信息,结合当前雷达目标航迹和IFF点迹的分布情况,通过基于JPDA的方法计算各雷达目标与IFF点迹的关联概率,最后利用目标识别规则库对目标属性进行判定.几种典型场景下的仿真结果表明,通过对目标的多次询问和相关概率的迭代,所提方法可有效提高目标密集环境下对我方合作目标的正确识别率,同时降低对非合作目标的误识别率.

摘要： 针对多扩展目标跟踪问题,提出了基于泊松点过程(Poisson Point Process,PPP)模型的多扩展目标跟踪的联合概率数据关联(Joint Probabilistic Data Association,JPDA)算法.首先,采用PPP对扩展目标进行测量建模,其次以“多对一”关联模型思想提出一种JPDA算法,从而计算运动目标的当前有效量测的边缘关联概率,然后结合该边缘关联概率以概率数据关联(Probability Data Association,PDA)的方式分别更新每个扩展目标的运动参数和形状参数向量,最后通过仿真实现了当扩展目标相互靠近或出现交叉时的跟踪.实验结果表明,在高杂波环境下,本文所提出的算法在计算时间和跟踪稳定上具有较明显的优势.

摘要： 在典型应用场景下,针对传统数据关联算法易于产生目标跟踪丢失的问题,提出了并行多传感器联合概率数据关联算法(PMSJPDA),给出行多传感器联合概率数据关联算法的实现流程,并对该算法进行理论分析;最后采用两部典型雷达构成PMSJPDA数据融合系统,对其算法的目标跟踪精度进行1 000次蒙特卡洛仿真,仿真统计结果表明,在目标跟踪全程阶段,融合后的目标跟踪精度比单部雷达跟踪精度提高约6％,在目标跟踪稳定阶段,融合后的目标跟踪精度比单部雷达跟踪精度提高约10％,即所提出的PMSJPDA算法可有效提高对目标的跟踪性能,尤其是目标跟踪进入稳定阶段.

摘要： 信号分选是电子侦察的重要组成部分,在愈发复杂的电磁环境中变得尤为重要.文中提出一种基于联合概率数据关联的雷达信号分选方法,该方法在信号处理的过程中将雷达参数从测量域转换到概率域,将脉冲描述字与聚类中心的距离转换为关联概率,通过关联概率来对落入关联门限内的雷达参数分别进行更新,对参数相近或交叠的雷达信号能达到良好的分选效果.文中设置12部雷达信号,分别有脉冲重复间隔(PRI)固定(常规)、PRI抖动、PRI参差、捷变频雷达,其中脉宽、到达角有参数相同的雷达,载频有参数相近的雷达,仿真结果表明,对文中设置参数,平均正确匹配率为94％.

摘要： 研究了一种采用神经网络来估计观测数据来源于某目标的类条件概率的新方法,提出了这种网络的结构,并说明了其稳定性.由于这种神经网络具有学习速度快,估计精度高的特点,因此特别适用于多机动目标跟踪.仿真结果表明,采用此神经网络能明显改善对多机动目标跟踪的精度.

摘要： 研究了一种采用神经网络来估计观测数据来源于某目标的类条件概率的新方法,提出了这种网络的结构,并说明了其稳定性.由于这种神经网络具有学习速度快,估计精度高的特点,因此特别适用于多机动目标跟踪.仿真结果表明,采用此神经网络能明显改善对多机动目标跟踪的精度.

摘要： 研究了一种采用神经网络来估计观测数据来源于某目标的类条件概率的新方法,提出了这种网络的结构,并说明了其稳定性.由于这种神经网络具有学习速度快,估计精度高的特点,因此特别适用于多机动目标跟踪.仿真结果表明,采用此神经网络能明显改善对多机动目标跟踪的精度.

摘要： 本发明公开了一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，思路为：分别确定雷达跟踪的目标总个数T′和k时刻对应包含的量测数目nk，计算k时刻第t个目标的状态一步预测、k时刻第t个目标的量测预测、k时刻第j个量测对第t个目标的量测预测新息、k时刻第t个目标的一步预测误差协方差矩阵、k时刻第t个目标的新息协方差矩阵和k时刻第t个目标的卡尔曼增益，进而计算k时刻nk×T′维量测—目标关联矩阵、k时刻的量测—目标互联概率矩阵和k时刻的量测—目标确认矩阵；分别得到k时刻nk个量测与T'个目标关联的ζk个联合事件，以及ζk个联合事件各自的概率，计算k时刻nk个量测与T′个目标互联的精确概率矩阵、k时刻第t个目标的状态方程和k时刻第t个目标的误差协方差矩阵。

摘要： 本发明属于分布式滤波及目标跟踪技术领域，具体涉及一种基于改进联合概率数据关联的分布式目标跟踪方法。本发明包括：(1)对传感器多目标跟踪系统分别对每个目标建立运动模型；(2)分别对每个传感器进行数据关联滤波方法，得到各自传感器关于检测范围内的目标的状态估计；(3)各自传感器的状态估计进行空间关联，然后融合同一目标的状态估计得到最终的目标状态估计值。仿真结果证明了该算法的性能，能达到与传统联合改良版数据关联方法一样的精度，且在时间性能上优于联合概率数据关联方法，减小了算法的时间。

摘要： 本发明公开一种多机动目标跟踪方法、系统及其广义联合概率数据关联器，该方法包括：根据给定目标的位置观测计算对应的航向角、航向角变化量以及观测残差，并分别计算位置观测和航向角观测对应的不确定性度量；将所述位置观测和航向角观测对应的不确定性度量通过自适应加性融合以计算不同观测的广义联合关联概率；所述广义联合关联概率用于表征根据环境变化调节不同类型观测对关联结果的权重；根据观测残差和航向角变化量动态调节衰减因子；以及对给定目标状态进行模糊递推最小二乘滤波以对多机动目标航迹进行更新。利用本发明，可以同时处理跟踪过程中不同类型观测，并根据观测环境的变化调整不同类型观测对关联结果的权重，具有更高的跟踪精度。

摘要： 本发明针对监控范围较大、目标外观特征少的视频多目标数据关联及跟踪问题，仅利用目标运动特征，提出了一种基于改进的联合概率数据关联JPDA的复杂情况下视频多目标快速跟踪方法，即一种联合概率数据关联的视频多目标快速跟踪方法。本方法采用简化的穆尔蒂算法求JPDA的最优K个联合事件，大大降低了计算复杂度；根据JPDA的关联概率讨论目标的运动情况，分析在多目标新出现、遮挡、消失、分离等复杂情况下当前帧量测与跟踪目标的数据关联问题，获取复杂运动的多目标跟踪轨迹。本发明提出的方法能实现较大监控范围下视频多目标的快速跟踪，并能大大提高跟踪性能。

摘要： 本发明公开了一种基于Fast－RCNN和联合概率数据关联滤波器的行人检测方法，包括：采集含有行人的视频流数据，采用滑动窗对所述视频流数据进行切分得到数个视频图像；获得视频图像中的行人候选框；对行人候选框进行背景剔除和二值化处理，得到行人模型数据；搭建Fast－RCNN网络模型，并利用行人模型数据对Fast－RCNN网络模型进行训练，得到训练后的Fast－RCNN网络模型；采集车辆行驶过程中的视频流数据，采用滑动窗切分得到待检测的视频图像；将待检测的视频图像输入至训练后的Fast－RCNN网络模型，结合Graph－Based算法和CFAR算法得到含有行人的图像；利用联合概率数据关联滤波器计算含有行人的图像的关联概率，根据预设的关联概率阈值，输出关联概率大于关联概率阈值对应的图像。

摘要： 本发明涉及一种抗航迹合并的联合概率数据关联算法，属于数据关联、目标跟踪以及统计信号处理领域。目的是解决经典联合概率数据关联(JPDA)算法在目标空域密集时存在的航迹合并问题。首先分析JPDA算法航迹合并现象的本质原因，推导得出问题关键在于相邻目标产生观测对彼此状态的交叉更新；其次对原始JPDA算法的每一个可行关联假设进行分析，确认可能引起状态交叉更新的部分假设，并避免该部分假设对与之相对应的目标‑航迹关联概率的累积效应，从而有效避免交叉更新，最终解决了航迹合并问题。

摘要： 本发明公开了一种基于联合概率数据关联算法的雷达多目标跟踪优化方法，思路为：分别确定雷达跟踪的目标总个数T′和k时刻对应包含的量测数目nk，计算k时刻第t个目标的状态一步预测、k时刻第t个目标的量测预测、k时刻第j个量测对第t个目标的量测预测新息、k时刻第t个目标的一步预测误差协方差矩阵、k时刻第t个目标的新息协方差矩阵和k时刻第t个目标的卡尔曼增益，进而计算k时刻nk×T′维量测—目标关联矩阵、k时刻的量测—目标互联概率矩阵和k时刻的量测—目标确认矩阵；分别得到k时刻nk个量测与T'个目标关联的ζk个联合事件，以及ζk个联合事件各自的概率，计算k时刻nk个量测与T′个目标互联的精确概率矩阵、k时刻第t个目标的状态方程和k时刻第t个目标的误差协方差矩阵。

摘要： 本发明属于分布式滤波及目标跟踪技术领域，具体涉及一种基于改进联合概率数据关联的分布式目标跟踪方法。本发明包括：(1)对传感器多目标跟踪系统分别对每个目标建立运动模型；(2)分别对每个传感器进行数据关联滤波方法，得到各自传感器关于检测范围内的目标的状态估计；(3)各自传感器的状态估计进行空间关联，然后融合同一目标的状态估计得到最终的目标状态估计值。仿真结果证明了该算法的性能，能达到与传统联合改良版数据关联方法一样的精度，且在时间性能上优于联合概率数据关联方法，减小了算法的时间。

摘要： 本发明公开一种多机动目标跟踪方法、系统及其广义联合概率数据关联器，该方法包括：根据给定目标的位置观测计算对应的航向角、航向角变化量以及观测残差，并分别计算位置观测和航向角观测对应的不确定性度量；将所述位置观测和航向角观测对应的不确定性度量通过自适应加性融合以计算不同观测的广义联合关联概率；所述广义联合关联概率用于表征根据环境变化调节不同类型观测对关联结果的权重；根据观测残差和航向角变化量动态调节衰减因子；以及对给定目标状态进行模糊递推最小二乘滤波以对多机动目标航迹进行更新。利用本发明，可以同时处理跟踪过程中不同类型观测，并根据观测环境的变化调整不同类型观测对关联结果的权重，具有更高的跟踪精度。

摘要： 本发明针对监控范围较大、目标外观特征少的视频多目标数据关联及跟踪问题，仅利用目标运动特征，提出了一种基于改进的联合概率数据关联JPDA的复杂情况下视频多目标快速跟踪方法，即一种联合概率数据关联的视频多目标快速跟踪方法。本方法采用简化的穆尔蒂算法求JPDA的最优K个联合事件，大大降低了计算复杂度；根据JPDA的关联概率讨论目标的运动情况，分析在多目标新出现、遮挡、消失、分离等复杂情况下当前帧量测与跟踪目标的数据关联问题，获取复杂运动的多目标跟踪轨迹。本发明提出的方法能实现较大监控范围下视频多目标的快速跟踪，并能大大提高跟踪性能。