论文部分内容阅读
作为一个典型的信号处理问题,目标跟踪一直受到人们的广泛关注,并且有着广泛的应用前景。随着应用的复杂化,简单的单目标跟踪己难以满足需求,因此多目标跟踪己逐渐成为国内外学者的研究重点。传统的多目标跟踪算法以数据关联为核心,其跟踪性能很大程度上受到了数据关联的影响。与此不同,基于随机集的多目标跟踪算法不需要进行数据关联,有效克服了传统方法的这一不足,是跟踪领域的研究热点,也是本文的研究重点。首先,本文介绍了跟踪滤波的基本理论以及几种经典的滤波算法,并通过仿真实验对其性能进行了分析比较。然后,阐述了多目标跟踪的基本原理,并在此基础上介绍了基于数据关联的传统多目标跟踪算法。本文以基于随机集的多目标跟踪方法为研究重点,对其原理和经典算法进行了深入的研究,并通过仿真实验进行了分析验证。最后,针对经典概率假设密度滤波算法存在的不足,本文提出了几种改进算法。第一,针对粒子概率假设密度滤波在进行粒子更新时依赖测量噪声分布的不足,提出了一种未知测量噪声分布下的多目标跟踪算法。第二,针对高斯粒子概率假设密度滤波在预测和更新时重复进行粒子近似和采样的不足,提出了一种改进的高斯粒子概率假设密度滤波算法。第三,针对混合高斯概率假设密度跟踪器无法跟踪多个机动目标的不足,提出了一种具有跟踪多个机动目标功能的混合高斯概率假设密度跟踪器算法。本文通过仿真实验证明:和原来的算法相比,提出的改进算法具有更好的跟踪性能。