论文部分内容阅读
目标跟踪系统广泛应用于军事和民用方面,意义重大。传统的多目标跟踪应用都是基于“点目标”假设的标准目标量测模型,即每个观测时刻每个目标至多产生一个量测。然而,当目标距离传感器较近时,目标的回波会占用传感器的多个分辨单元,这种每个时刻可能产生多个量测的目标称为扩展目标。随着技术进步,扩展目标应用日趋广泛,比如:车载雷达跟踪其他交通工具,地基雷达观测距离其足够近的目标,移动机器人技术中使用激光测距传感器跟踪行人等。 除时变的目标数目、检测不确定性以及杂波量测外,扩展目标跟踪的难点还在于目标量测的数目多且时变,这为基于数据关联的目标跟踪技术带来更大挑战。基于随机集理论的多目标跟踪技术可以规避数据关联问题,为解决扩展目标跟踪问题提供了新的解决方法和思路。基于随机集理论的概率假设密度(PHD)滤波器易于工程实现。本文基于概率假设密度滤波器,针对扩展目标的联合、检测跟踪与分类问题以及低信噪比下的扩展目标跟踪问题进行了如下研究: 1针对杂波和噪声背景下空间距离较近的扩展目标数目和状态难以估计的问题,提出了基于扩展目标概率假设密度滤波器(ET-PHD)的多目标联合检测、跟踪与分类算法,并给出了该算法基于粒子滤波的实现方法。算法在滤波器中引入了属性量测信息,预测阶段的粒子按照其类别进行传播,更新阶段对所有粒子进行联合更新,更新结束后将粒子按照类别进行分类,各类别的粒子集表示了其相应类别目标的PHD分布。该算法具有模块化结构,计算复杂度为(mn)。数值仿真场景包含两类扩展目标并行运动和两类扩展目标交叉运动,结果表明该算法可以同时估计扩展目标的类别、数目和状态,并且平均 OSPA距离相比传统算法降低幅度超过50%。 2针对低信噪比情况下扩展目标数目和状态难以估计的问题,提出了改进的扩展目标概率假设密度(PHD)滤波算法。改进了量测划分子集权重的计算公式,建立了新的扩展目标PHD更新方程,并推导了改进算法的高斯混合概率假设密度(GM-PHD)滤波公式。将包含杂波量测的子集从数学上等价为只含有单个量测的子集进行处理,提高了划分方法的有效率。构建了包含单扩展目标和多扩展目标的两类仿真场景,结果表明改进算法可以在低信噪比情况下稳定跟踪目标,并且可以处理的杂波密度参数相比传统算法提高了10倍左右。