论文部分内容阅读
对于扩展目标来说,由于每个目标在每一个采样周期会产生多个量测,如若将量测和目标相关联,势必会存在巨大的困难,因此,研究一种更为实时有效的跟踪方法具有极其重要的现实意义和应用价值。近年来,由于计算复杂度比传统方法要小而且可以有效地处理传统跟踪算法中出现的某些问题,基于随机有限集的多目标跟踪方法受到了广泛的认同。本文针对基于随机有限集的跟踪方法展开重点研究,具体内容如下:1.基于高斯逆威舍特概率假设密度(GIW-PHD)的扩展目标跟踪算法。该算法在已知量测噪声协方差情况下,不仅考虑了目标的运动状态,而且考虑了目标的扩展状态。它将目标的运动状态建模为高斯分布,扩展状态建模为逆威舍特分布,通过量测数据来更新高斯分布以及逆威舍特分布中的参数,如自由度、逆尺度矩阵等,以此来达到跟踪目标的位置、大小、方向等信息的目的。2.基于随机超曲面概率假设密度(RHM-PHD)的扩展目标跟踪算法。该算法同GIW-PHD算法相似,在已知量测噪声协方差情况下并且考虑了目标的扩展状态。不过,RHM-PHD算法的量测建模方式与GIW-PHD算法有很大不同。RHM-PHD算法认为量测是由在目标表面随机分布的量测源再加上噪声所产生,GIW-PHD中的量测是由目标的运动状态再加上噪声所产生。此外,RHM-PHD算法是将表示目标扩展状态的参数嵌入到了运动状态矢量中,通过对运动状态矢量的更新来估计目标的形状、大小及方向。3.基于变分贝叶斯势均衡多目标多伯努利的扩展目标跟踪算法。该算法的优势在于它适用于量测噪声协方差未知的场景并且还提出了一种新的扩展目标的量测建模方式。核心思想在于对量测产生点状态和量测噪声协方差的联合概率密度用变分贝叶斯近似,之后再嵌入到势均衡多目标多伯努利框架中,在滤波更新得到量测产生点状态后,对其进行聚类从而得到扩展目标的估计状态。4.基于变分贝叶斯概率假设密度(VB-PHD)的扩展目标跟踪算法,同VB-CBMe MBer相同的是,该算法依然适用于量测噪声协方差未知的场景并且应用了VB-CBMe MBer中所提到的新的量测建模方式。然而,该算法是对量测产生点状态和量测噪声协方差的联合后验强度用变分贝叶斯近似,得到近似分布之后,对近似分布中的参数进行滤波更新后得到量测产生点状态,对其聚类从而得到扩展目标的状态估计。仿真结果表明,该算法与已知量测噪声协方差,且协方差为真实值时的CBMeMBer估计结果相当。