未知量測(cè)噪聲下隨機(jī)集多擴(kuò)展目標(biāo)跟蹤方法研究.pdf

1、對(duì)于擴(kuò)展目標(biāo)來(lái)說(shuō)，由于每個(gè)目標(biāo)在每一個(gè)采樣周期會(huì)產(chǎn)生多個(gè)量測(cè)，如若將量測(cè)和目標(biāo)相關(guān)聯(lián)，勢(shì)必會(huì)存在巨大的困難，因此，研究一種更為實(shí)時(shí)有效的跟蹤方法具有極其重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。近年來(lái)，由于計(jì)算復(fù)雜度比傳統(tǒng)方法要小而且可以有效地處理傳統(tǒng)跟蹤算法中出現(xiàn)的某些問(wèn)題，基于隨機(jī)有限集的多目標(biāo)跟蹤方法受到了廣泛的認(rèn)同。本文針對(duì)基于隨機(jī)有限集的跟蹤方法展開(kāi)重點(diǎn)研究，具體內(nèi)容如下：
　　1．基于高斯逆威舍特概率假設(shè)密度（GIW-PHD）的擴(kuò)展目

2、標(biāo)跟蹤算法。該算法在已知量測(cè)噪聲協(xié)方差情況下，不僅考慮了目標(biāo)的運(yùn)動(dòng)狀態(tài)，而且考慮了目標(biāo)的擴(kuò)展?fàn)顟B(tài)。它將目標(biāo)的運(yùn)動(dòng)狀態(tài)建模為高斯分布，擴(kuò)展?fàn)顟B(tài)建模為逆威舍特分布，通過(guò)量測(cè)數(shù)據(jù)來(lái)更新高斯分布以及逆威舍特分布中的參數(shù),如自由度、逆尺度矩陣等，以此來(lái)達(dá)到跟蹤目標(biāo)的位置、大小、方向等信息的目的。
　　2．基于隨機(jī)超曲面概率假設(shè)密度（RHM-PHD）的擴(kuò)展目標(biāo)跟蹤算法。該算法同GIW-PHD算法相似，在已知量測(cè)噪聲協(xié)方差情況下并且考慮了目標(biāo)的

3、擴(kuò)展?fàn)顟B(tài)。不過(guò)，RHM-PHD算法的量測(cè)建模方式與GIW-PHD算法有很大不同。RHM-PHD算法認(rèn)為量測(cè)是由在目標(biāo)表面隨機(jī)分布的量測(cè)源再加上噪聲所產(chǎn)生，GIW-PHD中的量測(cè)是由目標(biāo)的運(yùn)動(dòng)狀態(tài)再加上噪聲所產(chǎn)生。此外，RHM-PHD算法是將表示目標(biāo)擴(kuò)展?fàn)顟B(tài)的參數(shù)嵌入到了運(yùn)動(dòng)狀態(tài)矢量中，通過(guò)對(duì)運(yùn)動(dòng)狀態(tài)矢量的更新來(lái)估計(jì)目標(biāo)的形狀、大小及方向。
　　3．基于變分貝葉斯勢(shì)均衡多目標(biāo)多伯努利的擴(kuò)展目標(biāo)跟蹤算法。該算法的優(yōu)勢(shì)在于它適用于量測(cè)噪

4、聲協(xié)方差未知的場(chǎng)景并且還提出了一種新的擴(kuò)展目標(biāo)的量測(cè)建模方式。核心思想在于對(duì)量測(cè)產(chǎn)生點(diǎn)狀態(tài)和量測(cè)噪聲協(xié)方差的聯(lián)合概率密度用變分貝葉斯近似，之后再嵌入到勢(shì)均衡多目標(biāo)多伯努利框架中，在濾波更新得到量測(cè)產(chǎn)生點(diǎn)狀態(tài)后，對(duì)其進(jìn)行聚類從而得到擴(kuò)展目標(biāo)的估計(jì)狀態(tài)。
　　4．基于變分貝葉斯概率假設(shè)密度（VB-PHD）的擴(kuò)展目標(biāo)跟蹤算法，同VB-CBMeMBer相同的是，該算法依然適用于量測(cè)噪聲協(xié)方差未知的場(chǎng)景并且應(yīng)用了VB-CBMeMBer中所提