基于貝葉斯理論的多目標跟蹤算法研究.pdf

1、多目標跟蹤系統(tǒng)在軍事和民用方面都有著廣泛的應用，多目標跟蹤算法是多目標跟蹤系統(tǒng)的關鍵和難點。人們對于多目標跟蹤算法已進行了半個多世紀的研究，提出了很多種多目標跟蹤算法。但是，傳統(tǒng)的基于數據關聯的多目標跟蹤算法計算量大，跟蹤性能較差，難以適應現代復雜多目標跟蹤場景。近年來，基于隨機有限集的多目標貝葉斯濾波器在復雜目標場景跟蹤中取得了巨大的突破，得到了越來越多的關注和研究。多目標貝葉斯濾波器能夠把多目標狀態(tài)作為一個集合直接估計出來，從而避免

2、了傳統(tǒng)多目標跟蹤技術中的數據關聯環(huán)節(jié)。另外，多目標狀態(tài)隨機集模型不僅包含生存目標的動態(tài)模型，還包含了目標的新生，孵化等動態(tài)模型;多目標量測隨機集模型也同時包含了源于目標的量測和雜波分布模型，因此多目標貝葉斯濾波器可以容易地處理密集雜波，時變目標，目標的生存，分裂，新生等復雜情況。但是，在實際應用中，基于隨機集的多目標貝葉斯濾波器存在較多的限制條件以及一些不足，缺少魯棒性，難以滿足各種各樣的跟蹤要求。
　　本論文主要針對貝葉斯多目標

3、跟蹤算法的不足和限制條件進行了深入研究，提出了改進的基于隨機有限集的多目標跟蹤算法。改進工作主要在于兩個方面，一個是對于多目標貝葉斯濾波器無法形成航跡問題的改進，二是松弛了多目標貝葉斯濾波器的一個限制條件。另外，本論文在隨機集框架下研究了多傳感器系統(tǒng)中傳感器最優(yōu)處理序列問題，得到了不同條件下的多傳感器最優(yōu)處理序列。本論文的主要研究成果如下:
　　1.提出了一種帶有航跡識別的概率假設密度(Probability Hypothesis

4、 Density, PHD)多目標跟蹤濾波器。該算法使用解析形式的高斯混合PHD(GM-PHD)濾波器處理密集雜波數據，得到多目標的位置估計隨機集，然后由此位置估計隨機集構造多目標的偽量測，由面向航跡的多假設跟蹤器(MHT)實現GM-PHD濾波器的關聯跟蹤;為了關聯跟蹤多機動目標，在MHT中結合了“當前”統(tǒng)計模型以形成一個自適應多目標跟蹤算法。
　　2.提出一種基于聯合概率數據關聯(Joint Probability Data A

5、ssociation，JPDA)的基數PHD(Cardinalized PHD，CPHD)多目標跟蹤算法，以解決CPHD濾波器無法識別目標問題。該算法使用解析形式的高斯混合CPHD(GM-CPHD)濾波器對密集雜波進行處理，得到多目標的位置估計隨機集，以此位置估計隨機集構造多目標的偽量測，輸入關聯濾波器JPDA，由JPDA實現GM-CPHD關聯跟蹤。為了解決由JPDA來跟蹤時變目標的問題，我們依據每一步GM-CPHD的目標數目和狀態(tài)估計

6、值，由基于序列概率似然比(SPRT)的貝葉斯航跡起始邏輯進行航跡的起始確認;一旦確認了目標數目和航跡，則由JPDAF完成多目標數據關聯濾波。
　　3.PHD和CPHD濾波器等貝葉斯多目標濾波器的一個缺點是必須已知新生目標的位置。為解決此問題，本文提出了一種基于新目標檢測的貝葉斯多目標跟蹤濾波器。該算法在跟蹤過程中應用航跡起始技術檢測未知位置的新生目標，一旦檢測到新生目標，則由其位置信息構建新生目標隨機集的強度函數，然后由強度函數來

7、起始PHD和CPHD濾波器。該方法解決了PHD和CPHD濾波器必須已知新生目標的位置問題。
　　4.在整合概率數據關聯(Integrated Probability Data Association，IPDA)濾波器框架下研究了多傳感器最優(yōu)處理序列問題。首先，在隨機集框架下得到了序貫IPDA濾波器算法。通過對序貫IPDA濾波器中目標生存概率的分析，我們得到了在兩種不同的傳感器參數條件下，序貫IPDA濾波器的性能依賴于傳感器處理序列