基于粒子濾波的目標跟蹤算法與硬件實現(xiàn)研究.pdf

1、近年來,粒子濾波(又稱為序貫Monte Carlo濾波)漸漸成為了目標跟蹤領域的一個研究熱點。在此背景下,本學位論文主要研究了基于粒子濾波的目標跟蹤算法及其FPGA硬件實現(xiàn)。
　　 論文首先研究了粒子濾波算法的重采樣步驟,提出了一種基于閾值的簡化重采樣算法,并給出其FPGA硬件實現(xiàn)結構。由于采用了基于閩值的簡化機制,重采樣模塊的硬件實現(xiàn)較為簡單。仿真結果表明該重采樣算法具有與傳統(tǒng)的系統(tǒng)重采樣算法相似的均方根誤差(RMSE)及軌跡

2、丟失性能。FPGA硬件平臺上的實驗結果表明該算法結構具有功耗更小,存儲效率更高,速度更快等優(yōu)勢。
　　 在此基礎上,論文研究了基于粒子濾波的純方位跟蹤算法的硬件實現(xiàn)。針對粒子濾波運算量大,硬件復雜度高的問題,論文提出了一種簡化的粒子濾波算法。在算法研究的基礎上,側重研究了基于FPGA的硬件電路實現(xiàn)方法,給出了系統(tǒng)的整體硬件結構及各個子模塊的實現(xiàn)方案。硬件實驗表明,該簡化濾波器可以實現(xiàn)對被動目標的純方位跟蹤,并具有較快的處理速度。

3、此外,針對粒子濾波純方位跟蹤算法中因過程噪聲比測量噪聲小而導致的粒子匱乏問題,論文提出了一種粒子粗糙化方法及其硬件實現(xiàn)結構。該方法充分利用權值較大粒子的新息對重采樣后的粒子進行粗糙化加擾處理,從而增加了粒子的多樣性。仿真與實驗結果表明,在基本不增加硬件實現(xiàn)復雜度及運行時延的前提下,該方法可以較好地解決純方位跟蹤問題中的粒子匱乏現(xiàn)象。
　　 考慮到傳統(tǒng)多模粒子濾波算法中每一模型的粒子使用數(shù)目是時變的,不利于硬件實現(xiàn),論文提出了一種

4、易于硬件實現(xiàn)的跟蹤機動目標的多模粒子濾波算法。該算法將“當前”統(tǒng)計模型與勻速運動模型相組合,并假設先驗模型概率及模型轉化概率是固定不變的,因此避免了多模型算法的模型選擇問題且可以保證每一模型使用固定的粒子數(shù),從而具有確定的運行時間,可以用固定的硬件結構實現(xiàn)。為了提高系統(tǒng)的運行速度,該算法還為每一模型的重采樣模塊引入獨立Metropolis Hastings采樣算法,無需等待計算所有粒子的權值就可以開始運行重采樣操作。此外,論文還給出了系

5、統(tǒng)重采樣/采樣模塊的實現(xiàn)方案及系統(tǒng)的整體硬件結構。FPGA硬件平臺上的實驗結果表明,該算法在保證跟蹤性能的同時,更易于硬件實現(xiàn)且具有較快的運行速率。
　　 論文最后研究了基于概率假設密度(PHD)粒子濾波的多目標跟蹤問題。在介紹了基于隨機集理論的PHD粒子濾波多目標跟蹤算法的基礎上,論文提出了一種跟蹤多機動目標的新穎多模PHD粒子濾波算法,在無需知道目標的運動模型及模型間的轉化概率情況下可以獲得較好的跟蹤性能,且具有比傳統(tǒng)多模P