论文部分内容阅读
多目标跟踪技术已经广泛应用于军事和民用领域,但它仍是多学科、多领域所共同关心的重点和难点问题。近年来,在多目标跟踪问题中,随机有限集(Random finite set,RFS)方法颇受关注,而概率假设密度(Probability Hypothesis Density,PHD)滤波器作为随机有限集框架下的多目标完全概率密度函数一阶统计矩近似产物,解决了随机有限集的实际可执行度问题,且避免了数据关联。本文正是基于PHD滤波器,对多目标跟踪问题进行了深入研究,主要研究成果如下:1、基于PHD滤波器的全局航迹提取方法研究:针对PHD滤波器不能提供目标连续航迹信息的问题,提出了基于PHD滤波器的全局航迹提取算法。该算法考虑目标的全局信息,即考虑相邻两个时刻的全部目标状态估计点的关联性,提出同一时刻预测峰值和估计峰值之间的一致性度量及一致性置信度的概念,同时基于专家知识提出全局航迹提取策略,最后基于一致性置信度及构建的航迹提取决策规则一一提取航迹,实现PHD的全局航迹提取。仿真结果表明,该算法可以稳定跟踪目标,正确起始、维持及终结航迹,在航迹提取精度上有明显优势,且计算量相比是相当的。2、不均匀杂波环境及低检测概率下的改进自适应PHD滤波器设计:针对传统PHD滤波器在不均匀杂波环境及低检测概率下跟踪性能急剧下降的问题,提出了一种改进的自适应PHD滤波器,通过自适应确定杂波区,自适应选择量测及对权值较大的高斯项进行保护来保证算法的快速性和高精度。该滤波器首先利用AP聚类算法对监视区域内满足一定条件的多帧累积的所有回波进行聚类,用凸包确定杂波区,然后再逐观测时刻进行PHD预测和更新。在PHD预测时不用凸包里的回波,但在PHD更新时,需先自适应选择量测,而后进行PHD更新。同时,在该滤波器中,保护权值高的高斯项,保证其权值的稳定性。仿真结果表明,该滤波器可以很好的实现在不均匀杂波环境下和低检测概率情况下的目标跟踪,相比传统的PHD滤波器,改进了目标状态估计精度,提高了计算效率。3、用于地面机动目标跟踪的约束多模型PHD滤波方法研究:考虑地面目标运动受到地形环境等限制,将地理信息用于地面目标跟踪可有效提高跟踪精度。在地面目标跟踪中,将地理信息表示成等式约束的形式来修正目标状态,并采用多模型处理地面目标机动时运动模式的不确定,提出了一种用于地面机动目标的约束多模型PHD滤波器方法。该算法利用模型条件分布和模型的概率,使用多模型方法对GM-PHD滤波器中的每一个高斯分量进行预测和更新,然后将得到的估计值融合得到对应的目标状态,并将道路信息表示成等式约束形式,将约束加入修正目标估计状态,完成地面目标跟踪。仿真结果表明,本文算法可以在杂波环境下有效的估计地面机动目标的状态,相比于未用地理信息的MM-GMPHD方法及传统的GM-PHD滤波器,有效提高了目标状态估计精度。