论文部分内容阅读
基于天基平台观测的点目标受到大量恒星、杂波、虚警和噪声等干扰因素的影响,使得我们在利用高斯混合概率假设滤波(Gaussian Mixture Probability Hypothesis Density Filter,GM-PHD)对星空背景中的多个点目标进行跟踪时,出现了十分明显的错误。其主要原因可总结为两点:1)运动的传感器平台造成了运动的目标背景,这使得待跟踪目标周围的恒星拥有了和运动目标类似的运行轨迹。2)GM-PHD算法的使用场景没有考虑到杂波会和目标一样,时刻存在于观测域中的情况。上述两点原因,导致了GM-PHD算法无法区分恒星和目标的观测值。这使得算法在执行更新操作时,无区别的把恒星的观测值当做真实目标的观测值,并在目标逐渐靠近恒星的过程中,恒星的预测权重会逐渐大于0.5的修剪阈值,最终在目标的状态提取过程中把恒星当做真实目标的衍生新目标进行输出。为了提高GM-PHD算法在基于天基平台观测场景中保持对点目标正确跟踪的能力,本文针对目标线性运动和非线性运动的两种不同情况,分别提出了阈值分离聚类算法和运动模板权重惩罚算法。这两种改进算法使得GM-PHD算法拥有了区分恒星和真实目标的能力,有效的克服星空场景中存在的跟踪难点。本文主要研究工作总结如下:(1)关于点目标的线性运动,我们针对运动传感器平台问题,使用了稀疏目标点ICP快速配准算法,用于减少恒星移动所带来的影响。针对恒星时刻存在的问题,本文根据聚类思想,设计了一种易于实现的阈值分离聚类算法,该算法在GM-PHD算法进行剪枝合并后,按照对应的策略实行聚类操作,使得GM-PHD算法拥有了区分恒星和真实目标的能力。对于目标因漏检而出现权重减少的情况,本文采用了一种动态的权重提取方案,取代了GM-PHD中固定的提取阈值。(2)关于点目标的非线性运动,本文提出了一种简洁有效的联合惩罚权重算法。该算法为每一个目标都设置了一个独特的标签。对于目标在运动过程中运动方向的随机性,我们把目标可能的运动方向离散化成十个不规则区间的运动模板,每一种划分区间代表着目标可能运动的方向,也代表着需要惩罚的力度。然后,我们利用k-1时刻的真实目标与k时刻具有相同标签的所有估计值来计算目标方向和速度的惩罚因子,进而计算得到惩罚后的权重矩阵和惩罚力度矩阵。最后,我们利用新的权重矩阵,输出每一种标签中权重最大的目标作为k时刻的真实目标,并通过预先设定的惩罚力度阈值移除惩罚力度矩阵中一些惩罚力度较大的模糊权重,实现有选择性的过滤掉一些相关性不大的目标,进一步避免恒星信息参与下一次迭代运算。为了更好的构建接近真实的星空跟踪场景,本文利用Tycho-2星表模拟出了四种复杂度不同的数据集用于对比实验。为了验证本文提出的两种改进算法的有效性,本文也对最近多种跟踪算法,例如:GM-PHD、前向后向平滑滤波器(Forward–Backward Smoothing Filter,FBS)、N-SCAN算法(N-scan GM-PHD-based approach,N-SCAN)、不规则窗口检测算法(Irregular Window Detection Algorithm,GM-PHD-IW)、进行了对比实验。通过对比最后的实验结果,本文提出的两种改进算法无论在点目标按照线性或者非线性运动时,都能有效的在星空场景中实现对多个天基平台点目标进行跟踪的目的。