论文部分内容阅读
目标跟踪技术已经在包括军事和民用的不同的领域中得到应用,它是当今国际上十分活跃的热门领域之一,而目标跟踪的核心为滤波算法。如何提出性能更好的非线性滤波算法,来对付实际系统的非线性、非高斯问题,并高效的应到到目标跟踪系统中,是本领域研究的热点和难点所在。首先,在单目标跟踪系统,针对混合线性/非线性目标动态模型,提出一种新的混合滤波算法,算法采用Rao-Blackwellized思想,将线性状态与非线性状态进行分离,对非线性状态运用准高斯粒子滤波(quasi-Gaussian particle filtering,Q-GPF)算法进行估计,并将其后验分布近似为单个高斯分布,再利用非线性状态的估计值对线性状态进行卡尔曼滤波(Kalman filter,KF)估计。仿真结果表明新算法在精度不下降的前提下,计算复杂度大大下降。其次,针对多目标跟踪应用,提出一种新的基于随机集的滤波算法,算法运用Rao-Blackwellized思想,通过挖掘分析“混合线性/非线性模型”的结构,采用序列蒙特卡洛(sequential Monte Carlo,SMC)方法预测与估计概率假设密度滤波器(probability hypothesis density filtering,PHD)迭代式中各个目标的非线性状态,并利用非线性状态粒子中包含的线性状态的信息,使用KF对线性状态进行预测与估计。以更好地估计PHD进而提高各目标状态估计精度。分析与仿真的结果表明,新算法在减少计算量的同时,提升了估计精度。进一步,同样针对多目标跟踪提出一种新的概率假设密度滤波算法,算法在PHD滤波器迭代式计算之后,运用结合了mean-shift算法的核密度估计(kerneldensity estimation,KDE)理论进行PHD分布的二次估计、提取PHD峰值位置作为目标状态估计值。分析与仿真的结果表明新算法的估计精度有大幅的提高。