论文部分内容阅读
随着传感器分辨率的不断提高,把目标当作点目标这样一个假设不再成立,可将这样的目标看作扩展目标。由于每个扩展目标在每一个采样周期会产生多个量测,如若将量测和目标相关联,势必会存在巨大的困难,因此,研究一种更为实时有效的方法具有极其重要的现实意义和应用价值。近年来,基于随机有限集的多目标跟踪方法由于能够有效地处理传统跟踪方法中出现的一些难题,并且其计算复杂度相对传统算法要小得多,而受到了广泛地认同。本文针对基于随机有限集的跟踪算法展开重点研究。本文的研究方向包括以下两方面:1)基于随机矩阵模型的多扩展目标跟踪,主要选取了两个具有代表性的算法:GIW-PHD和GGIW-CPHD滤波。2)基于随机超曲面模型的多扩展目标跟踪,主要提出了以下算法:RHM-GGM-CPHD滤波。主要研究内容如下:1.基于随机矩阵的高斯逆威舍特概率假设密度(GIW-PHD)的扩展目标跟踪算法。该算法不仅考虑了目标的运动状态,而且考虑了目标的扩展状态。它将目标的运动状态建模为高斯分布,扩展状态建模为逆威舍特分布,通过量测数据来更新高斯分布以及逆威舍特分布中的参数来达到跟踪目标的位置、大小、方向等信息的目的。在此基础上,伽玛高斯逆威舍特势概率假设密度(GGIW-CPHD)算法不仅改善了PHD滤波器存在的目标数估计较差的性能,而且将量测的数目视为伽玛分布,增补到目标的状态中,一起作预测更新,提高了跟踪性能。2.针对杂波环境下多扩展目标跟踪中扩展目标形状难以估计、目标跟踪精度低等问题,提出一种自适应估计扩展目标形状的伽玛高斯混合势概率假设密度算法(RHM-GGM-CPHD)。该算法同GIW-PHD和GGIW-CPHD算法一样,考虑了目标的扩展状态。首先将目标的扩展形状建模为椭圆随机超曲面模型(RHM),将其嵌入到伽玛高斯混合CPHD滤波器中,通过跟踪扩展目标的质心、椭圆形状和方向等信息完成对多个扩展目标的跟踪。通过杂波环境下未知数目的多扩展目标仿真实验,验证了所提算法在质心状态和椭圆扩展形状长短轴的估计精度方面要优于传统的基于随机矩阵的伽玛高斯逆韦氏CPHD滤波器。