未知杂波环境的GM-PHD平滑滤波器

doi:10.3969/j.issn.1001-2400.2015.05.017

J4 ›› 2015, Vol. 42 ›› Issue (5): 98-104.doi: 10.3969/j.issn.1001-2400.2015.05.017

未知杂波环境的GM-PHD平滑滤波器

李翠芸1;江舟2;李斌2;周旋3

(1. 西安电子科技大学电子工程学院，陕西西安 710071；
2. 中国人民解放军95972部队，甘肃酒泉 735018;
3. 中国人民解放军96217部队，海南三亚 572011)

收稿日期:2014-05-16 出版日期:2015-10-20 发布日期:2015-12-03
通讯作者: 李翠芸
作者简介:李翠芸(1976-)，女，副教授，博士，E-mail: cyli@xidian.edu.cn．
基金资助:
国家自然科学基金资助项目(61372003)；国家自然科学基金青年基金资助项目(61101246，61301289)；中央高校基本科研业务费专项资金资助项目(K5051202014)

Gaussian mixture PHD smoothing filter in unknown clutter

LI Cuiyun1;JIANG Zhou2;LI Bin2;ZHOU Xuan3

(1. School of Electronic Engineering, Xidian Univ., Xi'an 710071, China;
2. The Chinese PLA 95972 Troops, Jiuquan 735018, China;
3. The Chinese PLA 96217 Troops, Sanya 572011, China)

Received:2014-05-16 Online:2015-10-20 Published:2015-12-03
Contact: LI Cuiyun

摘要/Abstract

摘要：

针对未知杂波环境下的多目标跟踪问题，提出一种未知杂波环境下的高斯混合概率假设密度前向后向平滑算法．该算法首先利用有限混合模型对杂波强度进行估计，克服了多目标跟踪中概率假设密度滤波器在杂波与先验知识不匹配情况下滤波性能急剧下降的缺点; 其次采用平滑递归，利用多个量测数据对滤波值进行平滑，进而减小目标的位置误差．仿真结果表明，这种算法在未知杂波环境下具有较好的跟踪性能，且优于未进行平滑的未知杂波高斯混合概率假设密度滤波器．

关键词: 未知杂波, 高斯混合概率假设密度, 平滑, 多目标跟踪

Abstract:

Aiming at the Multi-target tracking in the unknown clutter environment, this paper proposes a Gaussian Mixture Probability Hypothesis Density (GM-PHD) forward-backward smoothing algorithm, which improves the poor performance of the PHD filter when the clutter model and the prior knowledge are mismatching by estimating the clutter intensity with the finite mixture model. The forward-backward smoothing recursions are applied to improve the state estimation accuracy. Simulation results show that the proposed algorithm performs well in the unknown clutter environment and better than the conventional Gaussian Mixture PHD Filter without smoothing processing in the unknown clutter environment.

Key words: unknown clutter, Gaussian mixture probability hypothesis density, smoothing, multitarget tracking

李翠芸;江舟;李斌;周旋. 未知杂波环境的GM-PHD平滑滤波器[J]. J4, 2015, 42(5): 98-104.

LI Cuiyun;JIANG Zhou;LI Bin;ZHOU Xuan. Gaussian mixture PHD smoothing filter in unknown clutter[J]. J4, 2015, 42(5): 98-104.

参考文献

［1］康健, 李一兵, 林云, 等. 基于证据理论的联合概率数据关联算法［J］. 系统工程与电子技术, 2013, 35(8): 1620-1626.
Kang Jian, Li Yibing, Lin Yun, et al. Joint Probability Data Association Algorithm Based on Evidence Theory ［J］. Systems Engineering and Electronics, 2013, 35(8): 1620-1626.
［2］张俊根, 姬红兵, 蔡绍晓. 并行高斯粒子滤波被动多目标跟踪新算法［J］. 西安电子科技大学学报, 2011, 38(1): 117-122.
Zhang Jungen, Ji Hongbing, Cai Shaoxiao. Parallel Gaussian Particle Filter for Passive Multi-target Tracking ［J］. Journal of Xidian University, 2011, 38(1): 117-122.
［3］ Mahler R. Multi-target Bayes Filtering via First-order Multi-target Moments［J］. IEEE Transactions on Aerospace and Electronic Systems, 2003, 16(2): 1152-1178.
［4］欧阳成, 姬红兵, 杨金龙. 一种改进的多传感器粒子PHD滤波近似算法［J］. 系统工程与电子技术, 2012, 34(1): 50-55.
Ouyang Cheng, Ji Hongbing, Yang Jinlong. Improved Approximation of Multisensory Particle PHD Filter［J］. Systems Engineering and Electronics, 2012, 34(1): 50-55.
［5］ Lü N, Lian F, Han C Z. Multitarget Tracking Algorithm Based on Clutter Model Estimation［C］//Proceedings of the 16th International Conference on Information Fusion. Washington: IEEE Computer Society, 2013: 1228-1235.
［6］李翠芸, 江舟, 姬红兵. 一种新的未知杂波环境下的PHD滤波器［J］. 西安电子科技大学学报, 2014, 41(5): 20-27.
Li Cuiyun, Jiang Zhou, Ji Hongbing. A Novel PHD Filter in Unknown Clutter Environment［J］. Journal of Xidian University, 2014, 41(5): 20-27.
［7］ Mahler R, Vo B T, Vo B N. Forward-Backward Probability Hypothesis Density Smoothing［J］. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48(1): 707-728.
［8］ Mahler R, Vo B T, Vo B N. The Forward-Backward Probability Hypothesis Density Smoother［C］//Proceedings of the 13th Annual Conference on Information Fusion. Piscataway: IEEE Computer Society, 2010: 5711920.
［9］ Nagappa S, Clark D. Fast Sequential Monte Carlo PHD Smoothing［C］//Proceedings of the 14th International Conference on Information Fusion. Piscataway: IEEE Computer Society, 2011: 5977594.
［10］ Vo B N, Vo B T, Mahler R. A Closed Form Solution to the Probability Hypothesis Density Smoother［C］//Proceedings of the 13th Conference on Information Fusion. Piscataway: IEEE Computer Society, 2010: 5771983.
［11］ Lian F, Han C Z, Liu W F. Estimating Unknown Clutter Intensity for PHD Filter［J］. IEEE Transactions on Aerospace and Electronic Systems, 2010, 46(4): 2066-2078.
［12］ He X F, Tharmarasa R, Kirubarajan T, et al. A Track Quality Based Metric for Evaluating Performance of Multi-target Filters［J］. IEEE Transactions on Aerospace and Electronic Systems, 2013, 49(1): 610-616.

[1]	张逸宸,水鹏朗. 一种改进的泊松点过程概率多假设跟踪方法[J]. 西安电子科技大学学报, 2021, 48(2): 27-34.
[2]	杨宏宇,张旭高. 一种网络安全态势自适应预测模型[J]. 西安电子科技大学学报, 2020, 47(3): 14-22.
[3]	黄保涛,蒋敏,伍光新,邢文革. 一种新的低空目标角度估计方法[J]. 西安电子科技大学学报, 2019, 46(5): 98-104.
[4]	王明杰,姬红兵,刘龙. 噪声野值下的学生t分布混合CPHD滤波[J]. 西安电子科技大学学报, 2019, 46(5): 134-141.
[5]	袁文浩,梁春燕,娄迎曦,房超,王志强. 一种时频平滑的深度神经网络语音增强方法[J]. 西安电子科技大学学报, 2019, 46(4): 130-136.
[6]	曾创展,朱卫纲,贾鑫. 一种稀疏孔径逆合成孔径雷达成像算法[J]. 西安电子科技大学学报, 2019, 46(3): 123-129.
[7]	李翠芸,陈东伟,石仁政. 自适应目标新生δ广义标签多伯努利滤波算法[J]. 西安电子科技大学学报, 2019, 46(2): 12-16.
[8]	王洪雁;房云飞;裴炳南. 利用空间平滑的协方差秩最小化DOA估计方法[J]. 西安电子科技大学学报, 2018, 45(5): 128-135.
[9]	刘洋;张永顺;刘汉伟;郭艺夺;龙振国. 一种稀疏恢复的稳健配准补偿方法[J]. 西安电子科技大学学报, 2017, 44(5): 165-170+183.
[10]	李翠芸;王精毅;姬红兵;王荣. 模型参数未知时的CPHD多目标跟踪方法[J]. 西安电子科技大学学报, 2017, 44(2): 37-41+184.
[11]	王海环;王俊. 一种改进的多伯努利多目标跟踪算法[J]. 西安电子科技大学学报, 2016, 43(6): 176-182.
[12]	靳标;苏涛;李艳艳;张龙. 一种高分辨距离像辅助的多目标跟踪算法[J]. J4, 2016, 43(1): 1-6+29.
[13]	李翠芸;姬红兵;江舟. 一种新的未知杂波环境下的PHD滤波器[J]. J4, 2014, 41(5): 18-23.
[14]	蒋洁;郭宝龙;莫玮;焦昶哲;孙伟. 利用平滑区域检测的HEVC帧内编码快速算法[J]. J4, 2013, 40(3): 194-200.
[15]	陈根华;陈伯孝;朱伟. 干涉阵列米波雷达的低仰角高精度估计方法[J]. J4, 2012, 39(6): 42-48.

未知杂波环境的GM-PHD平滑滤波器

Gaussian mixture PHD smoothing filter in unknown clutter

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0