论文部分内容阅读
多目标跟踪(MTT)技术作为多源信息融合领域内最重要的技术之一,已经在民用和军事领域中被广泛应用。跟踪过程中目标数目随时间变化等不确定因素造成传统多目标跟踪算法的计算量增大,跟踪精度下降。针对这一问题,本论文采用非数据关联的随机有限集(RFS)多目标跟踪方法,分别研究了应用于线性条件和非线性条件的多目标跟踪算法。主要研究成果如下：(1)针对概率假设密度滤波器(PHDF)递推方程中的多重积分运算导致闭合解难以获得的问题,在线性高斯条件下根据高斯混合模型(GMM)的特性,采用高斯混合成分代替概率假设密度(PHD)进行后验概率的递推,并给出了高斯混合概率假设密度(GMPHD)滤波算法。最后通过MATLAB仿真实验,证明了GMPHD滤波算法不仅适用于目标个数随时间变化的条件,而且适用于跟踪过程中出现轨迹交叉的多目标跟踪问题。(2)针对GMPHD不适用于非线性系统的问题,利用局部线性化思想给出了扩展高斯混合概率假设密度(EK-GMPHD)滤波算法。采用的线性化方法是对非线性函数进行泰勒级数展开,并将原函数近似成展开式的一次项。分别对状态转移函数和似然函数求偏导获得其雅克比矩阵,再以雅克比矩阵代替GMPHD滤波算法中的状态转移矩阵和量测矩阵,以递推估计目标的数目和状态。通过仿真实验说明,EK-GMPHD算法可以解决系统模型的非线性程度不高的MTT问题。(3)在非线性程度高的情况下,EK-GMPHD滤波算法会产生较大的线性化偏差,提出了一种高斯混合粒子概率假设密度(P-GMPHD)滤波算法。首先利用蒙特卡罗方法(Monte Carlo)对PHD滤波算法中的积分项进行近似计算得到闭合解,并且获得了衍生目标的预测方程。最后通过仿真实验证明P-GMPHD滤波算法适用于非线性程度高的MTT系统。通过本论文的研究工作可以看出,将有限集统计学(FISST)理论应用到MTT算法中不仅减小了计算量而且提高了跟踪精度。