随着战场环境的日益复杂,单传感器多目标跟踪系统的跟踪精度和可靠性已经不能满足现代战争的需求。同时,随着信息处理技术和传感器技术的发展,人们开始尝试使用多个传感器来估计目标的运动状态,试图利用更多的量测信息来降低环境对目标跟踪造成的影响。如何将多个传感器的量测数据进行有机融合,得到比单个传感器更优越的跟踪性能,是多传感器多目标跟踪领域的难点和热点。近年来,基于随机有限集理论的多传感器多目标跟踪方法开始受到研究学者的关注。这类方法采用串行系统结构,并把多目标状态集合和传感器量测集合分别建模为随机有限集集合,从而将多传感多目标状态估计问题转化为多个单传感器贝叶斯滤波问题,有效避免了多传感器融合中的量测数据关联以及传统多目标跟踪方法中的目标与量测之间的关联,是一种解决复杂环境下多目标跟踪的新途径。本论文基于随机有限集理论以及概率假设密度(PHD)滤波,对多传感器多目标跟踪方法展开了深入的研究,取得的主要成果如下:1.关于检测概率引起的传感器更新顺序问题。在迭代形式的多传感器PHD(Iterated corrector PHD,IC-PHD)滤波中,跟踪结果的好坏主要取决于最后一个更新传感器的检测概率。当该传感器的检测概率较低时,极易造成整个多传感器系统发生漏检。为此,基于高斯混合实现的IC-PHD滤波,本文提出一种改进的滤波算法。该算法与原始滤波算法的结构类似,不同的是改进算法中每个高斯分量对应的检测概率或漏检概率是由多个传感器的检测概率和漏检概率融合而成的。仿真结果表明,改进算法不仅降低检测概率的影响,同时也弱化了传感器顺序的影响。2.关于漏检引起的虚假目标问题。在乘积多传感器PHD(Product multi-sensor PHD,PM-PHD)滤波中,修正系数需要计算每一项均大于零的无穷项的和,计算不可行。为此,提出一种有限项近似方法。该方法在分析无穷项收敛性的基础上,利用具有代表性的有限项的求和来近似。此外,一旦发生目标漏检,PM-PHD滤波则有可能估计出虚假目标。为此,基于高斯混合实现的PM-PHD滤波,本文提出一种高斯分量权重的重分配方法。仿真结果表明,该方法能同时避免虚假目标和漏检的发生,有效提高了滤波算法的性能。3.关于量测信息利用不完全引起的目标权重估计错误问题。在计算由量测划分产生的量测子集的权重时,由于IC-PHD滤波不能充分利用多个传感器的量测信息,有时会出现权重过大或过小的现象。为此,本文提出一种双向权重计算方法。该方法将量测子集的权重分为两部分。一部分主要用于解决因漏检造成的权重过低问题,另一部分主要用于解决因虚警造成的权重过高问题。仿真结果表明,改进方法能有效提高滤波算法的跟踪精度和鲁棒性。4.关于多传感器系统结构引起的目标状态估计错误问题。由于PM-PHD滤波在PHD更新阶段仍然采用了迭代修正形式,因此容易受到传感器更新顺序和检测概率的影响,进而得到错误的目标状态估计。为此,本文提出一种目标数估计和目标状态估计分离的PM-PHD滤波算法。在该算法中,PHD更新过程被分为两个部分,一个由势分布的期望直接估计目标数,另一个从归一化PHD中估计目标状态。仿真结果表明,该算法有效避免了原始算法的缺陷,弱化了传感器系统参数对跟踪结果的影响。以上四部分内容相辅相成,互相联系,构成了一套系统性较好的多传感器多目标跟踪方法,为解决复杂环境下的多目标跟踪问题,提供了新思路和相应的技术支撑。