论文部分内容阅读
多目标跟踪(Multi-Target Tracking,MTT)技术一直是跟踪领域的一个重要课题。随机有限集(Random Finite Set,RFS)的发展促进了基于RFS跟踪算法的研究。其中,概率假设密度(Probability Hypothesis Density,PHD)滤波是其中一种非常重要的算法,对其滤波结果进行平滑处理后可获得更精确的多目标状态估计。带标签箱粒子滤波算法是近年来提出的一种新算法,用来提高运算效率等跟踪性能。本文在PHD算法的基础上,重点研究了箱粒子PHD滤波,带标签PHD平滑和带标签箱粒子PHD平滑算法,主要工作如下:(1)研究了箱粒子PHD滤波算法。首先给出了 PHD的高斯实现——高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GM-PHD)滤波算法。针对量测不确定性和计算强度大等问题。采用区间分析原理,在量测更新时用箱粒子代替传统的点量测去拟合目标的后验概率密度,从而进行滤波处理。通过MATLAB仿真实验验证,该算法能有效地解决由于高维积分运算导致的计算负担大的问题。(2)研究了带标签的PHD平滑算法。重点研究了 GM-PHD平滑算法的基本原理和算法步骤。针对多目标跟踪中由于目标消失引起错误估计的问题,通过平滑算法利用前后两个时刻的目标数目估计对中间时刻进行修正;其次在GM-PHD平滑基础上为每个高斯项添加标签信息,使其与高斯项一起演化,然后通过标签区分不同航迹。通过MATLAB仿真实验验证,带标签的GM-PHD平滑算法在目标数目突变以及航迹交叉时的跟踪精度较之前得到明显改善。(3)研究了箱粒子带标签的PHD平滑算法。重点研究了带标签PHD平滑和箱粒子PHD滤波的结合算法实现,针对带标签PHD平滑中由于后向平滑抑制导致的计算步骤复杂等问题,采用箱粒子带标签的方式,可减少计算量。通过MATLAB仿真实验验证,在目标航迹交叉运动时,基于箱粒子带标签的GM-PHD平滑算法的运算效率提高,并且具有良好的跟踪性能。