论文部分内容阅读
多目标跟踪(Multi-target Tracking,MTT)技术通过处理量测信息,实时估计目标数目、状态、航迹,以及其它属性信息,所处理的量测一般是点量测。随着超大规模集成电路、微机电系统、无线电通信技术的发展,无线传感器网络(Wireless Sensor Network,WSN)的应用越来越广泛。在无线传感器网络的数据传输中,为节约通信带宽,通常将量测数据量化为若干比特之后再进行传输。量化后的量测可以用量测空间中的多维区间描述,称为区间量测。区间量测属于非传统量测,是多目标跟踪领域的热点和难点。近年来,粒子滤波(Particle Filtering,PF)、箱粒子滤波(Box Particle Filtering,BPF)以及随机有限集(Random Finite Set,RFS)理论的提出,为多目标跟踪系统处理区间量测提供了崭新思路。由于区间量测具有高度不确定性,粒子滤波在对其进行处理时,需要大量粒子以维持状态估计精度。而大量的粒子将给多目标跟踪系统带来巨大的计算负担,严重影响系统的实时性。与粒子滤波不同,箱粒子滤波在处理区间量测时,只需要少量箱粒子就能够维持状态估计精度,具有较小的计算负担,有利于提高系统的实时性。本文重点研究基于箱粒子滤波的随机有限集多目标跟踪算法,以解决区间量测下多目标跟踪的若干问题。论文的主要研究内容及成果如下:1、区间量测下,常规的状态估计性能评价指标包含值与体积值,仅是针对单目标跟踪定义的,不适用于多目标跟踪,为此,本文首先定义了适用于多目标跟踪的包含值与体积值,然后给出了这两项评价指标的计算公式。所提评价指标可以客观反映多目标跟踪状态估计的性能水平。此外,针对标签多伯努利(Labeled Multi-Bernoulli,LMB)滤波涉及复杂高维积分没有闭合解的问题,通过将目标状态概率密度函数近似为一个加权箱粒子集合,提出了一种箱粒子实现的LMB滤波算法。该算法能很好地适应区间量测场景,精确地估计目标数及其状态,具有较小的计算负担。2、针对常规箱粒子重采样方法在目标状态向量部分元素未被测量的情况下可能失效的问题,提出了一种改进的重采样方法。该方法定义了一个可由人为调节的参数——箱分辨率向量。该向量可用于衡量箱粒子向量各维度的不确定性,还可用于将重采样后的箱粒子尺寸限制在指定范围内。基于改进重采样方法的箱粒子滤波比基于常规重采样方法的箱粒子滤波更加稳定可靠,有效解决了常规箱粒子重采样方法失效的问题。此外,针对联合预测与更新广义标签多伯努利(Joint Prediction and Update Generalized Labeled Multi-Bernoulli,JGLMB)滤波涉及复杂高维积分没有闭合解的问题,提出了一种箱粒子实现的JGLMB滤波算法。该算法具有良好的目标数与状态估计性能,较少的运行时间,实际应用前景良好。3、针对多传感器均得到区间量测情况下的多目标跟踪问题,提出一种多传感器箱粒子迭代收缩算法。该算法的特点是多个传感器量测集合依次对箱粒子施加约束以使其收缩,一个箱粒子在当前传感器量测集合的约束下会收缩并产生多个箱粒子变体,其中每个箱粒子变体又在下一个传感器量测集合的约束下进一步产生更多变体。在所提多传感器箱粒子迭代收缩算法的基础上,提出了一种箱粒子实现的多传感器JGLMB(Multi-sensor JGLMB,MS-JGLMB)算法,该算法在性能相近的条件下,具有比粒子实现的MS-JGLMB算法更少的运行时间。4、多传感器应用中可能存在部分传感器具有区间量测,而其余传感器具有点量测的情况,针对该情况下的多目标跟踪问题,提出两种解决方法。一种方法是首先利用3?区间将点量测转化为区间量测,然后用箱粒子条件下区间量测似然函数处理所有的区间量测。另一种方法是首先推导得到箱粒子条件下点量测似然函数的近似计算公式,然后利用所得到的量测似然函数与箱粒子条件下区间量测似然函数,分别处理点量测和区间量测。所得到的量测似然函数不要求箱粒子收缩,从而减少了因收缩而产生的箱粒子变体,使得方法二具有更高的效率。仿真实验结果表明,两种方法均能有效解决所针对的问题,具有良好的跟踪性能。