基于隨機(jī)有限集的多擴(kuò)展目標(biāo)跟蹤算法研究.pdf

1、隨著傳感器分辨率的不斷提高，把目標(biāo)當(dāng)作點(diǎn)目標(biāo)這樣一個(gè)假設(shè)不再成立，可將這樣的目標(biāo)看作擴(kuò)展目標(biāo)。由于每個(gè)擴(kuò)展目標(biāo)在每一個(gè)采樣周期會(huì)產(chǎn)生多個(gè)量測(cè)，如若將量測(cè)和目標(biāo)相關(guān)聯(lián)，勢(shì)必會(huì)存在巨大的困難，因此，研究一種更為實(shí)時(shí)有效的方法具有極其重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。近年來(lái)，基于隨機(jī)有限集的多目標(biāo)跟蹤方法由于能夠有效地處理傳統(tǒng)跟蹤方法中出現(xiàn)的一些難題，并且其計(jì)算復(fù)雜度相對(duì)傳統(tǒng)算法要小得多，而受到了廣泛地認(rèn)同。本文針對(duì)基于隨機(jī)有限集的跟蹤算法展開(kāi)重點(diǎn)研

2、究。
　　本文的研究方向包括以下兩方面：1）基于隨機(jī)矩陣模型的多擴(kuò)展目標(biāo)跟蹤，主要選取了兩個(gè)具有代表性的算法：GIW-PHD和GGIW-CPHD濾波。2）基于隨機(jī)超曲面模型的多擴(kuò)展目標(biāo)跟蹤，主要提出了以下算法：RHM-GGM-CPHD濾波。主要研究?jī)?nèi)容如下：
　　1．基于隨機(jī)矩陣的高斯逆威舍特概率假設(shè)密度（GIW-PHD）的擴(kuò)展目標(biāo)跟蹤算法。該算法不僅考慮了目標(biāo)的運(yùn)動(dòng)狀態(tài)，而且考慮了目標(biāo)的擴(kuò)展?fàn)顟B(tài)。它將目標(biāo)的運(yùn)動(dòng)狀態(tài)建模為高

3、斯分布，擴(kuò)展?fàn)顟B(tài)建模為逆威舍特分布，通過(guò)量測(cè)數(shù)據(jù)來(lái)更新高斯分布以及逆威舍特分布中的參數(shù)來(lái)達(dá)到跟蹤目標(biāo)的位置、大小、方向等信息的目的。在此基礎(chǔ)上，伽瑪高斯逆威舍特勢(shì)概率假設(shè)密度（GGIW-CPHD）算法不僅改善了PHD濾波器存在的目標(biāo)數(shù)估計(jì)較差的性能，而且將量測(cè)的數(shù)目視為伽瑪分布，增補(bǔ)到目標(biāo)的狀態(tài)中，一起作預(yù)測(cè)更新，提高了跟蹤性能。
　　2．針對(duì)雜波環(huán)境下多擴(kuò)展目標(biāo)跟蹤中擴(kuò)展目標(biāo)形狀難以估計(jì)、目標(biāo)跟蹤精度低等問(wèn)題，提出一種自適應(yīng)估計(jì)

4、擴(kuò)展目標(biāo)形狀的伽瑪高斯混合勢(shì)概率假設(shè)密度算法（RHM-GGM-CPHD）。該算法同GIW-PHD和GGIW-CPHD算法一樣，考慮了目標(biāo)的擴(kuò)展?fàn)顟B(tài)。首先將目標(biāo)的擴(kuò)展形狀建模為橢圓隨機(jī)超曲面模型（RHM），將其嵌入到伽瑪高斯混合 CPHD濾波器中，通過(guò)跟蹤擴(kuò)展目標(biāo)的質(zhì)心、橢圓形狀和方向等信息完成對(duì)多個(gè)擴(kuò)展目標(biāo)的跟蹤。通過(guò)雜波環(huán)境下未知數(shù)目的多擴(kuò)展目標(biāo)仿真實(shí)驗(yàn)，驗(yàn)證了所提算法在質(zhì)心狀態(tài)和橢圓擴(kuò)展形狀長(zhǎng)短軸的估計(jì)精度方面要優(yōu)于傳統(tǒng)的基于隨機(jī)矩