基于隨機(jī)有限集的多目標(biāo)跟蹤算法研究.pdf

1、多目標(biāo)跟蹤(MTT)技術(shù)作為多源信息融合領(lǐng)域內(nèi)最重要的技術(shù)之一，已經(jīng)在民用和軍事領(lǐng)域中被廣泛應(yīng)用。跟蹤過程中目標(biāo)數(shù)目隨時間變化等不確定因素造成傳統(tǒng)多目標(biāo)跟蹤算法的計(jì)算量增大，跟蹤精度下降。針對這一問題，本論文采用非數(shù)據(jù)關(guān)聯(lián)的隨機(jī)有限集(RFS)多目標(biāo)跟蹤方法，分別研究了應(yīng)用于線性條件和非線性條件的多目標(biāo)跟蹤算法。主要研究成果如下:
　　(1)針對概率假設(shè)密度濾波器(PHDF)遞推方程中的多重積分運(yùn)算導(dǎo)致閉合解難以獲得的問題，在線性

2、高斯條件下根據(jù)高斯混合模型(GMM)的特性，采用高斯混合成分代替概率假設(shè)密度(PHD)進(jìn)行后驗(yàn)概率的遞推，并給出了高斯混合概率假設(shè)密度(GMPHD)濾波算法。最后通過MATLAB仿真實(shí)驗(yàn)，證明了GMPHD濾波算法不僅適用于目標(biāo)個數(shù)隨時間變化的條件，而且適用于跟蹤過程中出現(xiàn)軌跡交叉的多目標(biāo)跟蹤問題。
　　(2)針對GMPHD不適用于非線性系統(tǒng)的問題，利用局部線性化思想給出了擴(kuò)展高斯混合概率假設(shè)密度(EK-GMPHD)濾波算法。采用的

3、線性化方法是對非線性函數(shù)進(jìn)行泰勒級數(shù)展開，并將原函數(shù)近似成展開式的一次項(xiàng)。分別對狀態(tài)轉(zhuǎn)移函數(shù)和似然函數(shù)求偏導(dǎo)獲得其雅克比矩陣，再以雅克比矩陣代替GMPHD濾波算法中的狀態(tài)轉(zhuǎn)移矩陣和量測矩陣，以遞推估計(jì)目標(biāo)的數(shù)目和狀態(tài)。通過仿真實(shí)驗(yàn)說明，EK-GMPHD算法可以解決系統(tǒng)模型的非線性程度不高的MTT問題。
　　(3)在非線性程度高的情況下，EK-GMPHD濾波算法會產(chǎn)生較大的線性化偏差，提出了一種高斯混合粒子概率假設(shè)密度(P-GMPH