密集雜波條件下的多目標(biāo)跟蹤算法研究與實(shí)現(xiàn).pdf

1、到目前為止,多目標(biāo)跟蹤算法可分為兩大類:基于關(guān)聯(lián)的多目標(biāo)跟蹤和基于隨機(jī)有限集(Random Finite Set, RFS)的多目標(biāo)跟蹤,前者的代表算法為聯(lián)合概率數(shù)據(jù)互聯(lián)(Joint Probability Data Association, JPDA)算法;后者將的代表算法為概率假設(shè)密度濾波器(Probability Hypothesis Density Filter, PHDF)。它們之間互有優(yōu)劣:基于關(guān)聯(lián)的算法在密集雜波及信噪比較

2、低的環(huán)境下能夠獲得較高的跟蹤精度,但其中關(guān)聯(lián)部分的計(jì)算量較大, PHD中沒有關(guān)聯(lián)部分,計(jì)算量較小,但它無法獲得連續(xù)的航跡。此外,針對(duì)目標(biāo)發(fā)生機(jī)動(dòng)的情況,當(dāng)前一般采用多模型(Multi Model, MM)或交互式多模型(Interacting Multi Model, IMM)濾波框架,對(duì)應(yīng)衍生出了兩類多目標(biāo)跟蹤算法的機(jī)動(dòng)目標(biāo)跟蹤版本:IMM-JPDA與MM-PHDF。
　　檢測(cè)前跟蹤(Track Before Detect, T

3、BD)框架在雜波密度大的跟蹤場(chǎng)景中能夠獲得較好的跟蹤效果,到目前為止,基于RFS理論的多目標(biāo)跟蹤算法尚未得到完備的TBD模型,因此一般采用基于關(guān)聯(lián)的跟蹤算法:首先,通過多幀累積初始化目標(biāo)軌跡,一般采用多目標(biāo)軌跡起始算法:聯(lián)合最大似然-概率數(shù)據(jù)關(guān)聯(lián)(Joint Maximum Likelihood-Probability Data Association, JML-PDA)算法,在得到目標(biāo)的初始狀態(tài)及協(xié)方差矩陣后采用JPDA保持對(duì)目標(biāo)軌跡

4、的跟蹤,稱為結(jié)合的聯(lián)合最大似然-概率數(shù)據(jù)關(guān)聯(lián)(Combined JML-PDA and JPDA, CJML-PDA)算法。
　　監(jiān)測(cè)區(qū)域內(nèi)的雜波密度和目標(biāo)數(shù)量的增加會(huì)造成基于關(guān)聯(lián)的多目標(biāo)跟蹤算法的組合爆炸問題,并且由于多幀累積算法往往需要用到多次觀測(cè)數(shù)據(jù),計(jì)算量很大,在串行運(yùn)算的CPU平臺(tái)處理器上無法實(shí)時(shí)實(shí)現(xiàn),阻礙了它們的工程應(yīng)用。自圖形處理器(Graphic Processing Unit, GPU)被用于通用信號(hào)處理后,很多

5、在傳統(tǒng)架構(gòu)上計(jì)算復(fù)雜度高的算法的實(shí)時(shí)實(shí)現(xiàn)成為了可能。
　　本文針對(duì)多目標(biāo)跟蹤算法存在的一些缺陷,研究了多目標(biāo)跟蹤改進(jìn)算法及其在硬件平臺(tái)上的實(shí)現(xiàn),主要的工作如下:
　　(1)介紹了雜波條件下的多目標(biāo)跟蹤模型、基于關(guān)聯(lián)的多目標(biāo)跟蹤算法JPDA及其機(jī)動(dòng)目標(biāo)跟蹤版本IMM-JPDA;
　　(2)介紹了RFS理論框架下的多目標(biāo)跟蹤模型、PHD濾波器、基于粒子濾波(Particle Filter, PF)實(shí)現(xiàn)的P H D濾波器以及

6、P H D濾波器的機(jī)動(dòng)目標(biāo)跟蹤版本:MM-PHD濾波和它的PF實(shí)現(xiàn);
　　(3)介紹了基于多幀累積的密集雜波條件下目標(biāo)軌跡起始算法JML-PDA,基于JML-PDA算法與IMM-JPDA算法,結(jié)合兩種算法的優(yōu)勢(shì),提出了一種在密集雜波條件下機(jī)動(dòng)多目標(biāo)跟蹤解決方案:CJML-IMM-PDA算法;
　　(4)介紹了GPU的架構(gòu)特性及其開發(fā)平臺(tái),提出基于GPU加速的CJML-IMM-PDA加速方案,并且基于仿真給出了其在GPU平臺(tái)下