運動目標(biāo)機(jī)動檢測交互式多模融合跟蹤算法研究.pdf

1、隨著工業(yè)科技的進(jìn)步，運動目標(biāo)存在高機(jī)動性，低檢測度的特點，對目標(biāo)跟蹤算法的機(jī)動判斷、狀態(tài)估計精度、實時性提出更高的要求。目前，對于運動目標(biāo)跟蹤方面研究大都以基于KF的IMM算法開展。然而，IMM算法在濾波估計，模型集優(yōu)化和算法結(jié)構(gòu)方面依然存在不足，因此，本文針對運動目標(biāo)的機(jī)動特性，研究運動目標(biāo)機(jī)動檢測交互式多模融合跟蹤算法。
　　 首先，在濾波估計方面，針對KF增益矩陣計算運算量大的問題，采用SS-KF并行濾波器，提出基于機(jī)動檢

2、測理論的SS-IMM算法。SS-KF算法復(fù)雜度低，易于工程實現(xiàn)，SS-IMM算法在復(fù)雜度上有很大的降低，但過程噪聲對跟蹤性能影響較大。因此，引進(jìn)機(jī)動檢測策略，結(jié)合不同過程噪聲下的SS-IMM算法，能有效降低運算時間，提高跟蹤精度。
　　 其次，從模型集優(yōu)化和算法結(jié)構(gòu)調(diào)整出發(fā)，針對IMM算法使用固定模型集進(jìn)行跟蹤存在無效模型交互，以及采用標(biāo)量權(quán)值進(jìn)行模型概率更新引起計算溢出的問題，引入擴(kuò)展維特比方法，結(jié)合標(biāo)量權(quán)重矩陣思想，提出SI

3、MM-EV算法。SIMM-EV算法在解決無效模型交互問題的同時，集成了標(biāo)量權(quán)重矩陣可以彌補(bǔ)算法結(jié)構(gòu)缺陷的功能，能夠有效的提高機(jī)動目標(biāo)跟蹤精度，尤其是速度跟蹤。
　　 最后，在MD-SS-IMM和SIMM-EV算法的基礎(chǔ)之上，通過算法融合的方式優(yōu)化跟蹤性能，加入機(jī)動檢測策略判斷目標(biāo)運動狀態(tài)，根據(jù)機(jī)動檢測結(jié)果實施算法切換，提出機(jī)動檢測穩(wěn)態(tài)濾波多模型擴(kuò)展維特比的融合跟蹤算法。
　　 針對本文提出的三種算法，論文首先進(jìn)行相關(guān)算法