论文部分内容阅读
随着多目标跟踪问题研究的日趋成熟和不断发展,关于多目标跟踪的算法越来越多,对多目标跟踪问题的解决办法层出不穷。根据多目标跟踪理论的发展过程,可将多目标跟踪算法分为两类,即传统多目标跟踪算法与基于随机有限集的概率假设密度(PHD)滤波算法。第一类算法的核心技术是数据关联,第二类算法是利用随机集来建模,从而避免数据关联带来的计算复杂问题。本文将对后者进行侧重研究。本文首先对典型的多目标跟踪方法,如Bayes滤波,Kalman滤波,粒子滤波进行详细说明。随后介绍了由Mahler.R提出的PHD滤波算法,该算法在严格的数学框架下被推导出来,有很好的数学理论基础,具有易实现,估计精度高的特点,推动了该领域的发展。在介绍该算法前,本文对随机有限集的一些理论,如随机有限集的定义,集积分与集微分以及基于随机集的多目标跟踪算法跟踪性能有效性的评价指标等均做了详细介绍,为下文研究的打好基础。其次阐述了基于随机集的概率假设密度滤波算法与带势的概率假设密度(CPHD)滤波算法在贝叶斯框架下的递推过程,并对PHD的粒子、高斯混合实现方式与CPHD的高斯混合实现方式进行了深入研究,通过仿真来比较二者跟踪性能的优劣。因PHD与CPHD的高斯混合实现形式均将先验概率初始化,新生目标出现的位置不确定,且强度函数需出现在整个监测区域,这些问题会造成算法低效率,使工程应用被限制,此外GM-PHD算法在强杂波背景下易发生误跟与漏跟,针对以上问题,将原始算法通过添加标识PHD滤波的新生目标与存活目标在预测步骤与更新步骤进行区分,并将二者的两个步骤分开进行,再利用每一次扫描得到的量测来自适应的得到目标新生强度,这样可以根据量测驱动来避免对先验概率的假设。本文中定名该算法为自适应高斯混合概率假设密度(AGM-PHD)滤波算法。最后将GM-PHD滤波算法与AGM-PHD算法应用于海豚哨音信号追踪,在对哨音信号追踪的过程中存在一些挑战,实验中通过设定不同参数,从各种方面来讨论GM-PHD滤波与AGM-PHD滤波对于哨音信号的追踪性能并探究规律。