论文部分内容阅读
多目标跟踪无论在民用还是军事领域都展现出广阔的应用前景,成为当前学者和研究人员的研究热点和难点。军事应用中,鉴于雷达等传统主动探测设备生存效率低下、单传感器信息利用片面等缺陷,被动多传感器多目标跟踪在构造坚固国防体系方面越来越具有重要的现实意义。而通常情况下,被动传感器只获得角度信息,体现了目标与传感器量测之间的非线性关系,这就使得各种非线性滤波方法应运而生。针对上述问题,本文重点研究了基于粒子滤波的被动传感器多目标跟踪方法,主要成果如下:1.针对目标数固定的被动多传感器多目标跟踪,在联合概率数据关联(JPDA)的基础上引入粒子滤波,对目标状态分别采用单独采样和联合采样两种不同方式,结合多传感器集中式融合策略,研究了iMC-JPDA和jMC-JPDA滤波算法。针对jMC-JPDA算法跟踪弱相关目标性能较差的不足,提出了一种基于混合采样粒子滤波的被动传感器多目标跟踪算法,通过引入粒子群优化、进行联合样本权值分解并对各目标样本独立重采样的策略,优化目标样本分布,提高了多目标跟踪精度。2.针对目标数变化的被动多传感器多目标跟踪,采用多传感器集中式融合策略,重点研究了粒子PHD滤波算法。然而,该算法要求量测噪声非零且似然解析,限制了其应用范围。针对此问题,研究了卷积核粒子PHD滤波算法,通过引入卷积核密度估计理论来计算PHD样本权值更新过程中的量测似然。在此基础上,考虑到传统多目标跟踪中,数据关联方法能够精确计算目标与量测关联的优势,在卷积核粒子PHD算法估计出目标数目与状态之后,通过最小化一个合理设定的代价确定目标与量测的对应关系,并以此修正所估计的目标状态,提出了一种改进的卷积核粒子PHD被动多目标跟踪算法,进一步提高了小量测噪声条件下的多目标跟踪性能。