復雜條件下多目標跟蹤關鍵技術研究.pdf

1、鑒于多目標跟蹤技術在信息感知領域的重要地位，大量研究者多年來一直持續(xù)對多目標跟蹤技術進行研究。目前針對協(xié)作式目標的跟蹤技術已經比較成熟，針對一般非協(xié)作目標的跟蹤技術也正在完善之中，但是針對典型對抗性非協(xié)作軍事目標的跟蹤技術仍面臨諸多困難。這些困難或源自目標和環(huán)境特性，或源自傳感器本身。本文以典型多目標跟蹤系統(tǒng)面臨的復雜目標、環(huán)境和傳感器觀測條件下多目標跟蹤需求為牽引，對多目標跟蹤方法進行了系統(tǒng)深入的學習、研究和探索，論文主要工作如下：<

2、br>　　第二章簡要介紹了傳統(tǒng)多目標跟蹤方法、基于隨機有限集（Random Finite Set,RFS）的多目標跟蹤方法和多目標跟蹤性能評估方法的理論基礎，為后續(xù)章節(jié)論述做好鋪墊。首先介紹傳統(tǒng)多目標跟蹤方法，給出了單目標貝葉斯濾波的具體推導過程，闡述了Kalman濾波算法與單目標貝葉斯濾波的關系，并解釋了傳統(tǒng)多目標跟蹤方法如何通過數據關聯(lián)技術，將多目標跟蹤問題分解為若干并行單目標貝葉斯濾波問題。其次介紹有限集統(tǒng)計學（Finite Se

3、t Statistics,FISST）和多目標貝葉斯濾波，并給出多目標貝葉斯濾波矩近似的推導方法及迭代邏輯。最后對多目標跟蹤性能評估的目的和原理進行闡述，介紹了傳統(tǒng)類評估方法和基于綜合度量的評估方法，并分析了各種評估方法的優(yōu)缺點。
　　第三章針對經典聯(lián)合概率數據關聯(lián)（Joint Probabilistic Data Association,JPDA）算法在目標密集時存在的航跡合并問題，提出了基于狀態(tài)偏差估計和去除的方法，并研究了使

4、用目標屬性信息輔助的方法?；谄罟烙嫼腿コ椒▋H使用目標狀態(tài)信息，在構建目標-目標關聯(lián)假設的基礎上給出JPDA算法目標狀態(tài)估計偏差的計算邏輯，進而去除偏差得到無偏JPDA算法；其與現有嘗試解決航跡合并問題算法的仿真結果對比，表明了該算法的有效性?；趯傩孕畔⑤o助的JPDA算法要求傳感器能夠提供目標屬性信息，且僅在密集目標間屬性不一致時才能實現航跡合并的有效抑制。本章在屬性輔助JPDA算法方面的研究主要側重于屬性關聯(lián)度量及門限的設計方面

5、，提出了一種基于奈曼-皮爾遜（Neyman Pearson,NP）準則的屬性關聯(lián)度量及門限確定方法，用以克服傳統(tǒng)固定門限所存在的關聯(lián)性能不穩(wěn)定問題。該方法確定的門限是航跡屬性后驗概率矢量和傳感器目標屬性區(qū)分性能的函數，可使漏檢概率達到或盡可能接近預設值，對屬性輔助數據關聯(lián)中屬性門技術研究具有相當的參考價值。
　　第四章針對經典勢概率假設密度（Cardinalized Probability Hypothesis Density,C

6、PHD）濾波器不能處理標準多目標馬爾科夫模型中的衍生目標模型問題，基于FISST推導出了考慮衍生目標模型的一般CPHD濾波器迭代公式，并與現有嘗試解決該問題的若干方法進行了對比和分析，證明了現有方法僅是所提出方法的特例。推導過程使用了Faàdi bruno’s行列式規(guī)則，并提出了高階Faàdi bruno’s行列式的可行迭代求解方法，使得所提出的一般CPHD濾波器迭代公式能夠方便工程實現。仿真結果表明了所提出方法的有效性。
　　第

7、五章提出了一種適用于非線性觀測條件的二項分裂高斯混合無跡Kalman概率假設密度（Binomial Splitting Gaussian Mixture Unscented Kalman Probability Hypothesis Density,BSGM-UKPHD）濾波器，使得高斯混合概率假設密度（Gaussian Mixture Probability Hypothesis Density,GM-PHD）濾波器的優(yōu)異性能在非線性

8、觀測條件下依然能夠得到保持。該算法對預測概率假設密度（Probabilistic Hypothesis Density,PHD）的每一高斯分量的非線性度進行計算和評估，當非線性度大于某一預設門限時，對高斯分量進行二項分解，于是得到一族非線性度較小的高斯分量，從而使得非線性觀測引起的狀態(tài)更新誤差得到有效抑制，也就使得PHD算法優(yōu)異性能在非線性觀測條件下得到保持。仿真結果表明，提出方法性能顯著優(yōu)于兩種傳統(tǒng)方法。
　　第六章提出了一種適

9、用于集中式異步異類觀測條件的真實更新時間高斯混合概率假設密度（Real Update Time GM-PHD,RUT-GM-PHD）算法。首先分析了集中式異步異類觀測條件下多目標跟蹤算法難以實施的本質原因，發(fā)現問題關鍵在于一般的目標運動模型和觀測模型難以準確描述異步異類這種復雜的觀測條件，進而對PHD高斯分量引入更新時間標記，從而提出RUT-GM-PHD算法。兩個較為簡單的異步異類觀測條件下的仿真結果表明了所提出方法的優(yōu)良性能。最后，闡