论文部分内容阅读
随着高分辨率探测传感器(如高分辨率雷达)的发展,多扩展目标(即占用多个传感器分辨单元的目标)跟踪已成为信息获取领域的关键技术,被广泛应用于战场监视系统,低空、隐身目标探测等军用领域,以及自动驾驶、计算机视觉等民用领域。对于现代监视系统来说,仅获取目标的运动学信息已不能满足实际需求,还需要获取目标的形状、类型等相关信息,有助于后续的目标识别及威胁评估等。然而,受传感器噪声、漏检、杂波、量测源不确定、目标数未知且时变等因素影响,多扩展目标跟踪中的数据关联问题变得更加复杂,致使基于传统数据关联方法的多扩展目标跟踪面临更严峻的挑战。近年来,随机有限集(Random Finite Set,RFS)理论和消息传递方法为上述多扩展目标跟踪面临的难题提供了新的解决方案。本文运用随机有限集理论和消息传递方法,重点研究了多扩展目标联合检测、跟踪和分类(Joint Detection,Tracking and Classification,JDTC)问题,多传感器场景下多扩展目标和量测之间的数据关联问题以及多传感器场景下的多扩展目标跟踪问题。本文的主要研究成果归纳如下:1、提出了基于多伯努利(Multi-Bernoulli,MeMBer)滤波器的多扩展目标联合检测、跟踪和分类算法。通常,检测、跟踪和分类是分步处理的,然而,分步处理忽略了检测、跟踪和分类之间的耦合关系,实际上,检测、跟踪和分类之间是相互影响的,将这三个步骤联合处理能够减少信息损失,同时提升检测、跟踪和分类的整体性能。为此,本文提出了基于MeMB er滤波器的多扩展目标联合检测、跟踪和分类算法,该算法将扩展目标状态增广为包含目标的类信息,同时利用传感器接收到的量测以及描述不同类别扩展目标的先验尺度信息的伪量测来更新含目标类信息的多扩展目标MeMBer滤波器,最后得到解析的预测和更新表达式。理论分析和仿真结果表明,基于MeMB er滤波器的多扩展目标JDTC算法的检测、跟踪性能和分类性能均优于基于概率假设密度(Probability Hypothesis Density,PHD)滤波器的多扩展目标JDTC算法。此外,仿真结果还表明,在无法获得与目标类有关的先验信息的实际情况下,本文所提的基于MeMBer滤波器的多扩展目标JDTC算法可适应扩展目标类信息失配的情况,具备较强的鲁棒性。2、提出了基于泊松多伯努利混合(Poisson Multi-Bernoulli Mixture,PMBM)滤波器的多扩展目标联合检测、跟踪和分类算法。PMBM滤波器是一种满足共轭先验的滤波器,它能够获得多目标后验分布的精确逼近,其整体性能优于其他基于RFS框架的多目标跟踪滤波器。此外,PMBM滤波运用泊松点过程(Poisson Point Process,PPP)建模未检测到的目标,可用于跟踪被遮挡的目标,防止目标因漏检而丢失。为此,本文提出了基于PMBM滤波器的多扩展目标联合检测、跟踪和分类算法。所提算法将含目标类信息的扩展目标增广状态融入到PMBM滤波器的递归框架中,同时利用传感器接收到的量测和描述不同类别扩展目标的先验尺度信息的伪量测来更新未检测到的目标的PPP强度,以及已检测到的目标的每条全局关联假设的多伯努利密度,并推导出了已检测到的扩展目标的类概率质量函数。仿真结果表明,所提算法在计算复杂度和性能之间取得了很好的折衷,在检测、跟踪和分类方面的性能均优于基于MeMB er滤波器的多扩展目标JDTC算法。3、提出了多传感器场景下的基于消息传递方法的多扩展目标跟踪算法。传统的多传感器多扩展目标跟踪算法面临着较复杂的数据关联问题,在计算上难以实现。为此,本文提出一种基于消息传递的多传感器多扩展目标跟踪算法。该算法首先根据多目标联合后验概率密度函数的降维分解式构建出双向循环因子图,然后通过在因子图上执行循环和-积算法(Loopy Sum-Product Algorithm,LSPA)高效地处理各个传感器接收到的量测和扩展目标之间的数据关联问题,最终能以较低的计算复杂度近似地计算出目标的边缘后验概率密度函数。该算法能同时估计出目标的存在概率、目标的运动学状态和扩展状态。此外,对于含有多个不同检测性能的传感器的场景,所提算法将扩展目标的量测率与每个传感器建立起关联,并解析地计算出扩展目标对于各个传感器的量测率。仿真结果表明,所提算法的整体性能优于基于迭代校正框架的多传感器PHD多扩展目标跟踪算法和多传感器PMBM多扩展目标跟踪算法。4、提出了基于LSPA的多扩展目标联合检测、跟踪和分类算法。基于RFS的多扩展目标JDTC算法需要对量测集进行划分,量测更新的过程中需要遍历所有可能的量测划分子集,当目标数和量测数较多时,会带来较大的计算负担。为此,本文提出了一种基于LSPA的多扩展目标联合检测、跟踪和分类算法。该算法用双向循环因子图描述了含有目标类状态的联合后验概率密度函数的低维分解,运用LSPA计算出因子图上所有进入状态变量节点的消息,最终能够近似地计算出目标的边缘后验概率密度函数,并能够同时估计出每个扩展目标的存在概率、运动学状态、扩展状态、量测率和类概率质量函数。在所提算法中,因子图只涉及低维变量,运用LSPA解决数据关联问题并实现联合检测、跟踪和分类多个扩展目标的过程并不涉及高维运算,因此,既降低了计算复杂度,又提升了检测、跟踪和分类性能。所提算法的性能得到了仿真实验的验证。