隨機有限集多目標跟蹤技術研究.pdf

1、多目標跟蹤的主要任務是依據(jù)傳感器獲取的含噪數(shù)據(jù)來聯(lián)合估計多目標個數(shù)及其運動狀態(tài)或者運動航跡，性能穩(wěn)定且高效的多目標跟蹤算法是多目標跟蹤技術和多目標跟蹤系統(tǒng)研究的核心，也是本課題研究的出發(fā)點和追求目標。目前，多目標跟蹤技術正朝著能處理目標數(shù)目未知可變、檢測不確定、觀測源不確定、數(shù)據(jù)關聯(lián)不確定等復雜多目標跟蹤問題的方向蓬勃發(fā)展，其中尤以Ronald Mahler提出的基于隨機有限集(Random Finite Set, RFS)的一類多目標

2、跟蹤方法對這些復雜的場景具有天然的適應性，不需要進行復雜的數(shù)據(jù)關聯(lián)處理即可對目標個數(shù)未知且時變的多個目標進行聯(lián)合檢測與跟蹤是此類跟蹤算法的最大優(yōu)勢。基于 RFS的多目標跟蹤算法為目標監(jiān)視與防御、無人駕駛與機器人、遙感、計算機視覺、生物醫(yī)學、現(xiàn)代通信等領域包含的復雜多目標跟蹤問題提供了新的解決途徑，代表著多目標跟蹤技術發(fā)展的新方向。本課題重點挑選隨機有限集框架下聯(lián)合多傳感器偏差與多目標狀態(tài)估計技術、隨機集濾波器的航跡提取技術、基于隨機集濾

3、波器的多群目標跟蹤技術、隨機集框架下圖像多弱目標檢測前跟蹤(Track-Before-Detect, TBD)技術及隨機集濾波器的后驗克拉美羅下界(Posterior Cramer-Rao Lower Bound, PCRLB)性能評估技術這五項研究內(nèi)容進行深入研究，取得的主要研究成果如下：
　　第二章提出了一種基于分層點過程及多群多目標概率假設密度(Multi-group Multi-target Probability Hyp

4、othesis Density, MGMT-PHD)濾波器的聯(lián)合多傳感器偏差與多目標狀態(tài)估計算法。該算法將多傳感器偏差集建模為父過程，多目標狀態(tài)集則是與多傳感器偏差相關聯(lián)的子過程，通過分開對待兩個相互交互的點過程，可以避免對高維增廣狀態(tài)聯(lián)合估計產(chǎn)生的巨大計算量。在利用 MGMT-PHD濾波器解決多傳感器偏差和多目標狀態(tài)的聯(lián)合估計問題時，由于多傳感器偏差的個數(shù)即為傳感器的個數(shù)，即父過程的元素個數(shù)已知，且多個傳感器獨立收集觀測，即觀測集分割

5、情況是明確的，提出了 MGMT-PHD濾波器的粒子實現(xiàn)形式，實現(xiàn)了非線性條件下的聯(lián)合多傳感器偏差與多目標狀態(tài)估計。仿真實驗考慮了一個目標出現(xiàn)、目標消失、目標軌跡交叉事件出現(xiàn)的典型復雜多傳感器多目標場景，驗證了所提算法的有效性。
　　第三章在載機與誘餌縱向可分辨的情況下，解決了末制導主動雷達導引頭攔截戰(zhàn)機對抗背景下對波束內(nèi)載機與誘餌的聯(lián)合快速檢測、識別與穩(wěn)定跟蹤問題。主要貢獻為：第一，對現(xiàn)有的加標簽粒子PHD(Labeled Par

6、ticle PHD, L-P-PHD)濾波器存在的一些局限進行改進，提出改進的L-P-PHD(Improved L-P-PHD, IL-P-PHD)濾波器；第二，結合現(xiàn)有的多模型技術，提出能同時對多個機動目標進行跟蹤與航跡維持處理的多模IL-P-PHD(Multiple Model IL-P-PHD, MM-IL-P-PHD)濾波器；最后，基于MM-IL-P-PHD濾波器，結合基于回波幅度特征的干擾存在性檢測方法以及對抗場景的特征信息，

7、建立了縱向距離維可分的載機與誘餌的聯(lián)合快速檢測、穩(wěn)定跟蹤與識別處理框架。仿真實驗表明，所提方法可以有效地實現(xiàn)對縱向距離維可分的載機與誘餌的快速檢測、穩(wěn)定跟蹤與識別處理。
　　第四章將多群目標建模為分層點過程，提出了一種基于隨機有限集的新算法，該算法能聯(lián)合估計群目標個數(shù)、估計群中心和群內(nèi)組件的運動狀態(tài)、提取群中心航跡。其基本思想及涉及到的主要工作與貢獻為：第一，對不可分目標PHD(Unresolved Target PHD, UT-

8、PHD)濾波器的觀測更新過程進行了具體化，給出了UT-PHD濾波器觀測更新方程的具體計算方法，對UT-PHD濾波器進行加標簽處理，利用序貫蒙特卡羅技術實現(xiàn)了 UT-PHD濾波器，提出加標簽的粒子UT-PHD(Labeled Particle UT-PHD, L-P-UT-PHD)濾波器，L-P-UT-PHD濾波器能在估計多群目標個數(shù)、多群目標中心狀態(tài)的同時獲取多群目標中心的運動軌跡，實現(xiàn)了多群目標中心的聯(lián)合檢測與跟蹤；第二，基于群中心狀

9、態(tài)估計結果提出了更為精確的觀測集分割算法，完成觀測集分割，將觀測集分割結果分配給每個群目標對應的單群粒子PHD(Single-group Particle PHD, SG-P-PHD)濾波器，完成群內(nèi)組件狀態(tài)跟蹤與個數(shù)估計，將群組件個數(shù)估計結果反饋至 L-P-UT-PHD濾波器。仿真實驗表明，所提方法可以有效地檢測群目標的出現(xiàn)與消失、估計群中心的運動狀態(tài)、獲取群中心的航跡及估計群內(nèi)組件的運動狀態(tài)與組件個數(shù)。
　　第五章分別研究了影

10、響區(qū)域不重疊和影響區(qū)域重疊的圖像多弱目標 TBD技術。針對標準PHD-TBD算法存在對新生目標發(fā)現(xiàn)延遲較久、對目標個數(shù)估計不準且存在起伏的問題，提出了能解決這些問題的廣義PHD-TBD算法及其粒子實現(xiàn)。對于目標影響區(qū)域重疊的圖像多弱目標 TBD，包含的主要貢獻與創(chuàng)新體現(xiàn)在：第一，建立了影響區(qū)域重疊的圖像目標的疊加傳感器觀測模型，導出了對應的多目標觀測似然函數(shù)；第二，基于建立的模型，將 Mahler提出的近似疊加PHD(Approxima

11、tion Superpositional PHD, AS-PHD)濾波器引入圖像目標跟蹤框架，對AS-PHD濾波器的狀態(tài)空間進行加標簽處理，提出了加標簽AS-PHD濾波器，利用SMC技術，提出了加標簽AS-PHD濾波器的粒子實現(xiàn)，解決低信噪比下影響區(qū)域重疊的圖像多弱目標跟蹤問題。仿真實驗驗證了所提算法的有效性。
　　第六章對基于隨機有限集的濾波器處理復雜多目標跟蹤問題時所能達到的性能下界及其計算實現(xiàn)問題開展研究。主要貢獻為：第一，

12、推導出了隨機集框架下能適應目標數(shù)目未知可變、檢測不確定、觀測源不確定、數(shù)據(jù)關聯(lián)不確定出現(xiàn)的復雜多目標跟蹤問題的多目標PCRLB(Multi-target PCRLB, MT-PCRLB)，及其遞推計算表達式，用以獲取多目標跟蹤算法處理此類問題的性能下界；第二，基于IL-P-PHD濾波器獲取的多目標航跡，提出了一種高精度的獲取多目標航跡和觀測集間關聯(lián)關系的數(shù)據(jù)關聯(lián)新方法；第三，基于獲取的多目標航跡和數(shù)據(jù)關聯(lián)新方法，導出了評估典型雷達多目標