论文部分内容阅读
随着高分辨率传感器技术的发展,人们在目标跟踪中不再仅满足于获得目标的运动状态,还期望识别目标的类型,这就需要估计出目标的具体形状。对于扩展目标跟踪算法而言,只有使用合适的量测模型才能精确地估计出目标形状。另一方面,在杂波环境下的多扩展目标跟踪中,传感器通常会同时接收到来自各种干扰和来自目标的回波量测,大量数目的目标和量测容易导致数据关联时出现组合爆炸问题,影响滤波算法的实时性,甚至导致滤波发散。本文在高斯过程单扩展目标量测模型的基础上,提出了一种专门用于跟踪轴对称形状目标的高斯过程协方差函数。并针对杂波环境下多扩展目标跟踪场景,提出了一种新的数据关联方法,实现了多扩展目标的精准快速跟踪,主要工作如下:（1）基于高斯过程回归的单扩展目标跟踪算法研究。在非线性滤波的基础上,研究了基于高斯过程回归的扩展目标量测模型和对应的量测方程,采用径向函数来描述目标轮廓,并结合非线性滤波算法实现了理想环境下的单扩展目标跟踪。（2）轴对称形状的扩展目标跟踪方法研究。根据高斯过程的特性,研究了不同协方差函数对高斯过程回归的影响。在实际应用中,绝大多数空中目标为轴对称形状,因此本文对这类目标,提出了有关目标径向函数的几点假设,引出一种新的高斯过程协方差函数,并分析了新协方差函数在现有协方差函数上的改进。实验结果表明,使用提出的协方差函数能同时显著提高算法的目标位置和形状估计精度。（3）杂波和漏检环境下的多扩展目标跟踪算法研究。研究并分析了传统数据关联算法在应对多扩展目标跟踪时出现的计算量过大问题。在线性时间边缘关联概率计算的基础上,提出了截断联合概率数据关联算法,剔除了大量不必考虑的关联事件,有效地缩短了算法的运行时间。实验结果表明,高斯过程截断联合概率数据关联（GPTJPDA）算法在目标形状估计精度方面要明显优于线性时间JPDA算法,并且在计算速度方面远快于RHM-PHD算法。结合本文提出的协方差函数,GP-TJPDA算法能够快速精确地跟踪多个空中扩展目标。