论文部分内容阅读
机动目标跟踪一直是目标跟踪领域中的难点问题,尤其是对多机动目标跟踪。由于目标数的变化,目标新生和消失,以及目标相互紧邻、交叉等复杂场景,使得跟踪变得更加困难。针对该问题,本文在随机有限集的滤波框架下,重点展开对复杂环境下,数目变化的,且作任意运动的多机动目标跟踪算法研究,主要工作包括:1.针对目标运动模型未知及新生目标强度未知等情况下多目标跟踪的问题,本文在PHD和CPHD滤波基础上,提出一种自适应网格驱动滤波算法。首先根据目标网格分辨率自适应调整每个目标网格,然后根据目标量测及状态调整网格位置,此外采用新生目标识别技术识别新生,达到自适应滤波,以实现对新生目标未知且运动模型未知的复杂情况下多目标跟踪。实验结果表明,所提算法能够实现对未知运动参数及未知新生目标的变数目多目标自适应跟踪,在平均OSPA距离和平均目标数估计方面,比传统粒子PHD滤波方法具有更好的跟踪性能。2.针对复杂环境下,新生强度未知,量测噪声未知且作任意机动的多目标跟踪问题。提出一种参数自适应粒子势概率假设密度滤波算法,将自适应参数估计技术融入到CPHD滤波框架中,首先采用逆伽马分布近似量测噪声的后验分布,其次采用自适应LW滤波估计时变的机动参数,此外采用新生目标识别技术识别新生,以解决任意机动多目标跟踪的问题。实验结果表明,新提出的算法能够正确识别未知的测量噪声方差,并且能够以更稳健的方式跟踪多个机动目标。3.针对PHD和CPHD滤波,无法获得目标航迹的问题。本文在参数自适应粒子势概率假设密度滤波的基础上,提出将航迹关联算法引入到参数自适应粒子势概率假设密度滤波算法中。此外,对参数自适应粒子势概率假设密度和网格驱动PHD/CPHD滤波算法在机动场景下进行对比分析。实验结果表明,新提出的算法在机动等复杂场景下等可以获得每个目标的航迹信息,并且不受目标数影响。参数自适应粒子势概率假设密度算法计算时间复杂度较低,网格驱动PHD/CPHD滤波算法计算时间复杂度和跟踪误差与网格数有关,网格数越多,时间复杂度越高,跟踪误差越小,此外,参数自适应粒子势概率假设密度算法受过程噪声影响要比网格PHD/CPHD滤波算法大。