论文部分内容阅读
多目标跟踪技术是信息融合领域的重要研究内容,已经在军事领域得到了广泛的应用。Mahler将随机有限集(Random Finite Set,RFS)理论引入多目标跟踪技术中,避免了数据关联算法带来的组合爆炸问题,为多目标跟踪理论开辟了新领域。在RFS框架下,Mahler提出了多目标多伯努利(Multi-Target Multi-Bernoulli,Me MBer)滤波算法,随后Vo改进了该算法并提出了势均衡多目标多伯努利(Cardinality Balanced Me MBer,CBMe MBer)滤波算法,解决了多伯努利滤波算法过多估计目标数目的问题。随着跟踪环境的日益复杂以及目标跟踪精度要求的不断提高,原有的多伯努利滤波跟踪理论也需要深入地研究。本文重点研究了势均衡多目标多伯努利滤波算法在相关参数条件下的多目标跟踪问题,研究的具体内容如下:(1)多机动目标高斯混合势均衡多伯努利(Gaussian Mixture CBMe MBer,GM-CBMe MBer)滤波算法。由于标准的GM-CBMe MBer滤波器的运动模型不适合机动目标的运动状态,本文结合GM-CBMe MBer滤波算法和“当前”统计模型,提出一种多机动目标跟踪算法。该算法在CBMe MBer滤波算法的基础上,在预测阶段对目标的运动状态模型进行改进,增加了对目标加速度的控制和预测,从而使新算法能够有效跟踪机动目标的运动状态变化,并通过仿真结果证明新算法的可行性。(2)低检测率下改进的GM-CBMe MBer滤波算法。在低检测率下,GM-CBMe MBer滤波算法由于在更新过程中没有足够有效地量测值,所以发生严重的目标跟踪丢失问题。针对该问题,本文提出了一种改进的GM-CBMe MBer滤波算法,新算法对原有滤波过程中高权值的高斯项进行一定的处理。仿真结果表明新算法能够有效提高目标跟踪的精度。