论文部分内容阅读
以随机有限集理论为基础的概率假设密度滤波算法,无需处理数据关联问题且具有较好的跟踪性能,已成为多目标跟踪领域的热门研究内容。带标签的概率假设密度滤波算法不仅可以估计出多目标的状态,而且能够实现对目标航迹的估计,具有较高的应用价值。本文在该算法的基础上,对不同场景下的多目标跟踪问题进行研究,具体内容如下:(1)针对带标签的高斯混合概率假设密度(Labeled Gaussian Mixture Probability Hypothesis Density,LGM-PHD)算法无法获取衍生目标的问题,提出一种可提取衍生目标的LGM-PHD改进算法。首先,通过为高斯项加注标签的方式来区分不同的目标,达到辨别单个目标及其航迹的目的。其次,在滤波过程中,对每一时刻得到的状态估计标签与已形成的航迹标签进行匹配关联,实现航迹维持。最后,通过设置衍生阈值来判断状态估计中是否存在衍生目标以及可能产生的目标个数,为新生目标高斯项和可能的衍生目标高斯项重新分配标签,并创建新的航迹。仿真实验结果表明,与传统的带标签GM-PHD算法相比,在衍生目标存在的情况下,该算法具有更好的跟踪性能。(2)在多目标跟踪系统中,虚假量测随着杂波的增强而增多,使得LGM-PHD滤波算法的时间复杂度增加。此外,强杂波还会影响算法的估计性能。针对上述问题,提出强杂波环境下的LGM-PHD改进算法。首先在预测结束后,使用量测信息和预测值得到残差向量,并使用椭球门限技术获得与目标真实状态相近的有效量测。其次,在更新过程中只使用有效量测对高斯项进行更新。在估计出目标状态后,使用标签管理机制更新目标航迹状态,实现对目标航迹的估计。仿真实验表明,在强杂波环境中,该算法不仅降低了计算复杂度,且能够实现对目标状态和航迹的准确估计。(3)在多目标跟踪系统中,当目标航迹较为接近或交叉时,LGM-PHD滤波算法会出现目标漏检的现象。针对该问题,提出一种改进算法来解决交叉目标存在情况下的多目标跟踪问题。首先,在更新结束后对估计得到高斯项标签进行管理,判断是否发生目标减少。如果发生了目标减少的现象,则需要判断目标航迹是否较为接近或交叉。若是,则需要对高斯项进行标签管理和权值重置,并重新估计目标状态和航迹;否则视为正常的目标消亡现象,可直接进行航迹管理。仿真实验结果表明,该算法可以很好地解决由目标交叉导致的漏检问题,并具有较好的稳定性。