论文部分内容阅读
多目标跟踪技术因其在军事和民用领域发挥的巨大作用，一直是一个备受关注的研究领域，性能稳定且高效的跟踪滤波算法是多目标跟踪技术研究的核心，也是本课题研究的重点和难点。随着近些年来传感器技术的蓬勃发展，出现了一些传统的多目标跟踪算法难以解决的新问题，迫切需要探索新的多目标跟踪算法来解决这些问题。基于随机有限集(Random Finite Set, RFS)理论的概率假设密度(Probability Hypothesis Density, PHD)滤波算法是近年来发展起来的一种非数据关联多目标跟踪算法，可以克服传统数据关联算法带来的一系列问题，能解决复杂环境中目标个数变化的多目标跟踪问题，正受到各国学者的广泛关注。因此，本文从单传感器、多传感器以及多扩展目标跟踪应用三个方面，对基于PHD滤波的多目标跟踪算法及其应用展开深入地分析和研究。论文主要工作如下：第二章详细介绍基于PHD滤波的多目标跟踪理论基础，首先对多种跟踪条件下的多目标观测似然进行了深入地研究，然后对粒子滤波基本算法及其性能影响因素进行了详细地讨论，最后给出多传感器信息融合理论的基本内容，为本文后续章节的研究提供理论支撑。第三章针对先验采样分布和基于聚类的状态提取算法的使用导致单传感器条件下标准粒子PHD(Particle PHD, P-PHD)滤波多目标跟踪性能下降的问题，通过观测方程线性化以及粒子和观测集的匹配处理，提出了一种免聚类最优粒子PHD(Free Clustering Optimal Particle PHD, FCO-P-PHD)滤波算法，该方法可以得到粒子PHD滤波的最优采样分布解析形式，实现了最优粒子PHD滤波，并且不需要利用聚类算法即可提取多目标状态，避免了聚类算法的使用对粒子PHD滤波性能带来的不利影响。此外，由于FCO-P-PHD滤波中的免聚类多目标状态提取方法与最优采样分布解析形式的获取过程是耦合在一起的，通过解耦合处理，提出一种新的单传感器条件下的免聚类状态提取方法，该方法可作为状态提取算法独立使用，与标准的粒子PHD结合，即可得到免聚类粒子PHD(FC-P-PHD)滤波算法。最后通过仿真实验验证了所提算法的有效性和相比已有算法的性能优势。第四章首先对乘积多传感器PHD(Product Multi-sensor PHD, PM-PHD)滤波和序贯PHD(Sequential PHD, S-PHD)滤波的优缺点及其之间的关系进行讨论，得到S-PHD滤波是PM-PHD滤波的一个特例的结论。然后，针对目标距离较近时，聚类算法提取多目标状态性能较差的问题，提出多传感器条件下的免聚类状态提取方法，将其与乘积多传感器粒子PHD(PM-P-PHD)滤波结合，提出免聚类乘积多传感器粒子PHD(FC-PM-P-PHD)滤波算法。实验表明：提出的多传感器条件下免聚类状态提取方法优于聚类的状态提取方法，尤其是目标距离较近时，FC-PM-P-PHD滤波的跟踪滤波性能大幅优于PM-P-PHD滤波。第五章针对当前扩展目标PHD(Extended Target PHD, ET-PHD)滤波在处理非线性条件下多扩展目标跟踪问题时存在的性能下降以及计算效率不高的问题，提出一种新的基于PHD滤波的多扩展目标跟踪算法。首先，推导出能处理非线性问题的ET-PHD滤波的粒子滤波实现形式，即扩展目标粒子PHD(ET-P-PHD)滤波。然后，对ET-P-PHD滤波的计算复杂度进行分析，发现观测集的分割种数和观测子集系数的计算是影响ET-P-PHD滤波计算效率的主要因素，提出基于K-means聚类的观测集分割方法，减少了观测集的分割种数，同时提出基于观测与目标状态似然关系的状态空间加窗方法，简化了观测子集系数的计算。仿真实验表明，本文提出的算法能很好的处理非线性多扩展目标跟踪问题，且大幅提升了算法的计算效率。