基于隨機(jī)集理論的多目標(biāo)跟蹤技術(shù)研究.pdf

1、目前大多數(shù)關(guān)于多傳感器多目標(biāo)跟蹤的研究工作主要是對(duì)傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)算法的推廣，這類算法存在約束條件苛刻、“組合爆炸”以及NP-Hard等問題。而隨著近年來隨機(jī)集理論在信息融合中的應(yīng)用為多目標(biāo)跟蹤方法提供了系統(tǒng)、嚴(yán)格的數(shù)學(xué)基礎(chǔ)，為解決多傳感器多目標(biāo)跟蹤問題提供了強(qiáng)有力工具?；陔S機(jī)集理論的概率假設(shè)密度濾波(PHDF)算法是近年來發(fā)展起來的一種非數(shù)據(jù)關(guān)聯(lián)跟蹤算法，該方法繞過了數(shù)據(jù)關(guān)聯(lián)問題，克服了傳統(tǒng)數(shù)據(jù)關(guān)聯(lián)算法帶來的一系列問題，它是多目標(biāo)跟蹤

2、中的一種嶄新算法。這類算法具有Bayes意義和較理想的近似結(jié)果，能解決復(fù)雜環(huán)境中的數(shù)目變化的多目標(biāo)跟蹤問題。因此，本文重點(diǎn)對(duì)隨機(jī)集理論的PHDF算法展開研究：主要工作和貢獻(xiàn)包括如下內(nèi)容：
　　 (1)在Bayes濾波方法的基礎(chǔ)上，介紹了幾種具有典型意義的多目標(biāo)跟蹤濾波算法，如kalman濾波(KF)、擴(kuò)展Kalman濾波(EKF)、無跡Kalman濾波(UKF)以及粒子濾波(PF)。在隨機(jī)集理論框架下，構(gòu)建了多目標(biāo)狀態(tài)模型和多目

3、標(biāo)觀測模型，并推導(dǎo)出了多目標(biāo)狀態(tài)的狀態(tài)轉(zhuǎn)移密度函數(shù)和多目標(biāo)觀測的似然函數(shù)。從數(shù)學(xué)原理上討論了Bayes濾波和PHDF之間的本質(zhì)聯(lián)系，分析了PHDF算法及其評(píng)價(jià)指標(biāo)。這部分工作為本文的算法研究做了鋪墊。
　　 (2)針對(duì)粒子概率假設(shè)密度濾波(P-PHDF)算法估計(jì)精度不高、濾波發(fā)散等問題，引入U(xiǎn)KF算法，提出了無跡粒子概率假設(shè)密度濾波(UP-PHDF)算法。該算法有效地利用觀測信息得到更優(yōu)的重要性密度函數(shù)，在采樣精確性上進(jìn)一步得到

4、提高，從根本上解決了P-PHDF算法由轉(zhuǎn)移概率密度函數(shù)中采樣所引起的濾波精度低、濾波發(fā)散及粒子退化等一些問題。該算法保持了良好的濾波性能，是一種適應(yīng)性強(qiáng)、估計(jì)精度高的跟蹤方法，魯棒性和實(shí)時(shí)性也得到改善。
　　 (3)為解決復(fù)雜環(huán)境下的多機(jī)動(dòng)目標(biāo)跟蹤問題，提出了一種基于交互多模型(IMM)的無跡Kalman高斯混合概率假設(shè)密度濾波(UK-GMPHDF)算法。該算法結(jié)合了IMM算法對(duì)不同目標(biāo)機(jī)動(dòng)模型的自適應(yīng)能力和UK-GMPHDF估

5、計(jì)精度高、計(jì)算量小的優(yōu)點(diǎn)，對(duì)處理機(jī)動(dòng)目標(biāo)跟蹤問題顯出了強(qiáng)大的優(yōu)勢。實(shí)現(xiàn)了在雜波環(huán)境下對(duì)多機(jī)動(dòng)目標(biāo)的精確跟蹤，大大提高了多機(jī)動(dòng)目標(biāo)跟蹤精度。
　　 (4)為了確保一個(gè)多目標(biāo)跟蹤系統(tǒng)的可靠性和穩(wěn)健性，考慮到PHDF算法的有效性，將PHDF算法從單傳感器擴(kuò)展到多傳感器情況。針對(duì)集中式多傳感器的序貫融合具有信息損失最小，可獲得最佳的融合效果的優(yōu)勢，將集中式序貫多傳感器與UP-PHDF算法結(jié)合，提出一種基于集中式的序貫多傳感器多目標(biāo)跟蹤算

6、法，不僅適用于任意的非線性非高斯系統(tǒng)，而且充分體現(xiàn)了異類傳感器融合的優(yōu)越性。
　　 (5)為進(jìn)一步提高多傳感器融合的適用領(lǐng)域，本文將基于隨機(jī)集的跟蹤方法推廣到分布式多傳感器融合系統(tǒng)。提出了適用于分布式多傳感器多目標(biāo)跟蹤的基于UK-GMPHDF的模糊C均值(FCM)聚類融合算法。用UK-GMPHDF完成局部傳感器的局部狀態(tài)估計(jì)，然后用FCM算法對(duì)這些局部狀態(tài)進(jìn)行融合處理，產(chǎn)生目標(biāo)的全局狀態(tài)估計(jì)。該算法能夠處理雜波情況下目標(biāo)數(shù)目不斷