论文部分内容阅读
多目标跟踪技术是信息融合领域的重点和难点,由于具有很高的军用和民用价值,一直以来受到国内外学者的高度重视。随着现代传感器技术的发展及其分辨率的不断提高,每个目标在每一个采样周期可产生多个量测,扩展目标跟踪成为了越来越受关注的方向。本文重点研究了粒子实现下的多扩展目标跟踪方法。首先,介绍了粒子滤波的实现方式以及基于随机有限集的多目标跟踪理论。详细介绍基于PHD滤波的多目标跟踪理论基础,并给出了其点目标和扩展目标的粒子实现。这为本文后续章节的研究提供理论支撑。其次,针对粒子滤波实现下的多扩展目标跟踪中出现的粒子退化问题,将粒子滤波的改进方法——粒子流滤波引入到多扩展目标跟踪当中。使用粒子流滤波算法代替重采样,这样可以减少算法的计算量,提高运算效率,实现对多扩展目标跟踪算法的优化。通过仿真实验,分析了所提出的实现算法在处理粒子退化问题时的有效性及存在的一些缺陷。然后,针对现有技术不能在杂波强度未知和新生目标未知情况下对多扩展目标进行准确跟踪的问题,提出了一种基于强度滤波器的多扩展目标跟踪方法。将增广状态空间应用到扩展目标随机集滤波模型中来表征扩展目标与杂波之间的运动和相互转化,通过量测空间得到杂波模型估计、扩展目标个数估计和扩展目标的状态估计。给出了该算法粒子实现方法,验证了强度滤波器在扩展目标跟踪中应用的可行性。最后,针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题,在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法。首先对聚类后量测数据进行关联,得到新生目标状态,解决目标新生问题;其次,通过Mean Shift迭代获得目标量测集质心,将扩展目标的多量测问题转化为点量测处理;最后,给出其粒子实现方式。实验表明,该算法可降低跟踪复杂度、提高跟踪效率、交叉时刻具有稳定的跟踪性能,通过实测数据说明实际应用中也有良好的性能。