论文部分内容阅读
箱粒子滤波是蒙特卡洛方法与区间分析相结合的一种广义粒子滤波,运用区间分析,粒子在状态空间中呈现为可控且具有非零体积的多维矩形箱,因此被称为箱粒子滤波。与传统的点粒子相比,箱粒子具有处理非传统量测的优势,且能够用较少的粒子达到近似的滤波精度,提高了运算效率;另一方面,将随机集理论应用于多目标跟踪是目前目标跟踪领域的新潮流,随机集滤波可以通过集合对应避免数据关联,降低计算复杂度。因此,结合前者的高效滤波能力与后者避免航迹关联的优势,基于随机集的箱粒子滤波算法在近年来被广泛应用于多目标跟踪,扩展目标跟踪与群目标跟踪。然而,随机集滤波在避免数据关联的同时,也丢失了量测与目标状态的对应关系,因此基于随机集的箱粒子滤波在多目标跟踪中无法区分不同的目标。本文在传统箱粒子滤波和随机集滤波的框架下,提出了标签箱粒子随机集滤波,研究并实现了复杂环境下基于标签箱粒子随机集滤波的多扩展/群目标跟踪方法,主要工作如下:(1)标签箱粒子滤波算法研究。针对传统箱粒子滤波无法区分航迹的问题,提出标签箱粒子滤波,能够在继承箱粒子处理非传统量测及高效滤波能力的同时实现航迹区分。将标签箱粒子滤波与随机集滤波结合,给出了LBP-PHD滤波算法,在避免航迹关联的同时,实现航迹管理与目标区分。(2)扩展目标条件下的标签箱粒子实现。分析了箱粒子滤波实现扩展目标跟踪的信息退化问题,提出信息补充方法,对随机子划分后的箱粒子进行扩张,使其所携带的信息量恢复至初始滤波时刻,有效地提升了标签箱粒子滤波的稳定性,显著提高了复杂场景下的标签箱粒子随机集滤波目标跟踪算法性能;针对基于随机集滤波的多扩展跟踪无法区分不同目标航迹的问题以及多扩展目标PHD滤波目标估计不准确的问题,给出了扩展目标CPHD滤波的标签箱粒子实现。将归属于同一扩展目标的量测划分为同一量测单元后,依据采样量测标识为箱粒子添加标签的方式,将在状态随机集中混乱无序的箱粒子划分为带有不同标签的标签箱粒子子集,在状态估计中,不但可以获得目标的运动状态,还可以获得对应的目标标识,区分目标航迹。仿真实验表明,ET-LBP-CPHD滤波在未改变CPHD滤波框架的情况下能够获得精确的目标数目估计,并且能够有效地区分与识别不同的扩展目标,获得不同扩展目标的航迹。(3)基于标签箱粒子随机集滤波的多群目标跟踪算法研究。依据雷达分辨单元,群目标跟踪可分为可分辨群目标跟踪与不可分辨群目标跟踪,本文给出了两种群目标跟踪PHD滤波的标签箱粒子实现;仿真实验表明,相比于GT-BP-PHD滤波,GT-LBP-PHD滤波不但能够识别不同的目标,区分航迹,还能够有效地避免状态估计时聚类不稳定产生的影响,并且能够适应更加复杂的群目标跟踪场景。