论文部分内容阅读
近几十年来,传感器技术不断发展,传感器的使用范围也越来越广。单个目标在一帧内有可能会产生多个检测结果,而经典目标跟踪算法不适用于多检测场景。研究能够用于多检测目标(Multi-detection Target,MDT)跟踪的算法,具有重要意义。本文基于随机有限集(Random Finite Set,RFS)理论研究了以下几个与多检测目标跟踪相关的问题:基于RFS的多检测目标跟踪滤波器的实现,多检测目标跟踪滤波器的观测集分割算法,能够适用于任意杂波和目标观测模型的新滤波器以及RFS方法对目标检测性能的提升。具体内容安排如下:第二章首先简单介绍了有限集统计学(Finite Set Statistics,FISST)理论;然后介绍了几种经典RFS滤波器:用于单目标跟踪的伯努利滤波器(Bernoulli Filter)以及用于多目标跟踪的概率假设密度(Probability Hypothesis Density,PHD)滤波器和集势概率假设密度(Cardinalized PHD,CPHD)滤波器;最后介绍了扩展目标PHD(Extended Target PHD,ET-PHD)滤波器和泛PHD滤波器。第三章主要内容是多检测目标观测模型与基于RFS的多检测目标跟踪滤波器的实现。首先介绍了几种多检测目标观测模型;然后从多路径观测模型入手,提出了点目标多径伯努利滤波器(Multipath Bernoulli Filter,MPBF)的粒子滤波(Particle Filter,PF)实现;最后提出了一种基于RFS的扩展目标多径跟踪算法及其PF实现。仿真结果显示了所提算法在多路径场景中的良好跟踪性能。第四章提出了多检测目标跟踪滤波器的观测集分割算法,以减小滤波器的计算复杂度。首先介绍了基于RFS的多检测目标跟踪滤波器,包括多检测伯努利滤波器和多检测PHD(multi-detection PHD,MD-PHD)滤波器;然后提出了一种广义距离(Generalized Distance,GD)分割算法以减少滤波器校正步中的子集或者分割的数目。仿真结果显示,所提出的分割算法能够有效减小滤波器的计算复杂度并保持滤波器的跟踪性能。第五章提出了两种能够适用于任意杂波和目标观测模型的新滤波器。一种是泛CPHD(General Cardinalized Probability Hypothesis Density,General CPHD)滤波器;另一种是泛CPHD滤波器的单目标版本,即泛伯努利滤波器。接着,本章证明了泛CPHD滤波器是各种类型的CPHD滤波器,PHD滤波器以及伯努利滤波器的理论基础。为了减小所提出的泛CPHD滤波器的计算复杂度,还提出了一种通用分割算法。仿真结果显示,相比于MD-PHD滤波器,泛CPHD滤波器所得到的目标数目估计的方差更小,目标状态的估计更加精确。第六章提出了一种基于RFS的数据层检测算法。首先将目标是否存在建模为目标轨迹是否存在,然后基于伯努利随机有限集(Bernoulli RFS,B-RFS)提出了一种新的数据层运动目标检测算法,并给出了算法的重要性采样实现。仿真结果显示了该算法的良好检测性能。本章证明了RFS方法能够提升检测性能。第七章为全文结论与下一步工作的展望。