论文部分内容阅读
近年来,多目标跟踪技术在国防和民用方面起着越来越重要的作用。由于跟踪过程中的检测及关联不确定性的影响,其在理论研究和实际应用中的发展还面临着比较大的挑战。目标跟踪环境中的杂波强度是影响目标跟踪性能的一个关键参数,而该参数通常难以先验已知,如何实现对跟踪环境中杂波强度的有效而正确的估计是一项值得研究的课题。本文重点研究基于随机集(Random Finite Set,RFS)理论实现的强度滤波器(Intensity Filter,iFilter)在未知杂波环境中的应用,主要工作为:1、研究了RFS滤波模型和原理以及基于该模型的概率假设密度(Probability Hypothesis Density,PHD)滤波器的两种基本的实现算法:高斯混合(Gaussian Mixture,GM)概率假设密度(GM-PHD)滤波算法和序贯蒙特卡罗(Sequential Monte Carlo,SMC)概率假设密度(SMC-PHD)滤波算法。2、针对未知杂波强度问题,研究了基于RFS理论的粒子强度滤波算法。介绍了基于泊松点过程(Poisson Point Processes,PPPs)的强度滤波模型及其算法实现流程;将增广状态空间模型引入到RFS目标跟踪滤波模型中,构建目标和杂波的转化模型,研究了基于RFS的粒子强度滤波(SMC-iFilter)算法,该算法能够实时准确地估计出各个时刻的杂波强度,很好地解决了因杂波强度未知而降低跟踪性能的问题;针对粒子强度滤波器中目标数低估的问题,提出边缘粒子(Marginalized Particle,MP)强度滤波算法(MP-iFilter),应用边缘粒子滤波算法对目标粒子集进行近似,通过降低采样空间的维度来提高采样过程的效率,进而改善滤波的性能。3、为提升目标跟踪过程中目标位置估计的性能,对前向-后向平滑(Forward-Backward Smoothing)算法进行了研究,将该算法与强度滤波算法结合起来,提出了一种基于RFS理论的粒子强度平滑滤波器,该算法很好地实现了对目标位置估计值的修正,从而使得滤波器对目标空间位置的估计更加的准确;将平滑算法应用到边缘粒子强度滤波器中,使得目标跟踪的性能在目标数估计和位置估计上都有很大的提高,仿真对比实验验证了算法的有效性。