基于隨機集理論的多目標跟蹤技術(shù)研究.pdf

1、目前大多數(shù)關于多傳感器多目標跟蹤的研究工作主要是對傳統(tǒng)的數(shù)據(jù)關聯(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。而隨著近年來隨機集理論在信息融合中的應用為多目標跟蹤方法提供了系統(tǒng)、嚴格的數(shù)學基礎，為解決多傳感器多目標跟蹤問題提供了強有力工具?；陔S機集理論的概率假設密度濾波(PHDF)算法是近年來發(fā)展起來的一種非數(shù)據(jù)關聯(lián)跟蹤算法，該方法繞過了數(shù)據(jù)關聯(lián)問題，克服了傳統(tǒng)數(shù)據(jù)關聯(lián)算法帶來的一系列問題，它是多目標跟蹤

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，能解決復雜環(huán)境中的數(shù)目變化的多目標跟蹤問題。因此，本文重點對隨機集理論的PHDF算法展開研究：主要工作和貢獻包括如下內(nèi)容：
　　 (1)在Bayes濾波方法的基礎上，介紹了幾種具有典型意義的多目標跟蹤濾波算法，如kalman濾波(KF)、擴展Kalman濾波(EKF)、無跡Kalman濾波(UKF)以及粒子濾波(PF)。在隨機集理論框架下，構(gòu)建了多目標狀態(tài)模型和多目

3、標觀測模型，并推導出了多目標狀態(tài)的狀態(tài)轉(zhuǎn)移密度函數(shù)和多目標觀測的似然函數(shù)。從數(shù)學原理上討論了Bayes濾波和PHDF之間的本質(zhì)聯(lián)系，分析了PHDF算法及其評價指標。這部分工作為本文的算法研究做了鋪墊。
　　 (2)針對粒子概率假設密度濾波(P-PHDF)算法估計精度不高、濾波發(fā)散等問題，引入UKF算法，提出了無跡粒子概率假設密度濾波(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，是一種適應性強、估計精度高的跟蹤方法，魯棒性和實時性也得到改善。
　　 (3)為解決復雜環(huán)境下的多機動目標跟蹤問題，提出了一種基于交互多模型(IMM)的無跡Kalman高斯混合概率假設密度濾波(UK-GMPHDF)算法。該算法結(jié)合了IMM算法對不同目標機動模型的自適應能力和UK-GMPHDF估

5、計精度高、計算量小的優(yōu)點，對處理機動目標跟蹤問題顯出了強大的優(yōu)勢。實現(xiàn)了在雜波環(huán)境下對多機動目標的精確跟蹤，大大提高了多機動目標跟蹤精度。
　　 (4)為了確保一個多目標跟蹤系統(tǒng)的可靠性和穩(wěn)健性，考慮到PHDF算法的有效性，將PHDF算法從單傳感器擴展到多傳感器情況。針對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)為進一步提高多傳感器融合的適用領域，本文將基于隨機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，然后用FCM算法對這些局部狀態(tài)進行融合處理，產(chǎn)生目標的全局狀態(tài)估計。該算法能夠處理雜波情況下目標數(shù)目不斷