论文部分内容阅读
随着现代传感器技术的发展,扩展目标跟踪研究已成为信息融合理论中最为活跃的研究领域之一,被广泛应用于航空航天、机器人导航、车辆跟踪等一系列军事、民用领域。传统的点目标跟踪模型仅利用目标的运动信息来跟踪目标,将单个目标视为一个点来进行跟踪。近年来,传感器探测精度不断提高,目标产生的回波可能占据传感器的多个分辨单元,因此同一目标可能在传感器上产生多个点,称之为扩展目标。传统针对单点目标的跟踪技术难以充分发挥高精度传感系统的优势,因此需要对扩展目标的跟踪进行深入研究,考虑如形状、尺寸等扩展状态,以发挥现代高精度传感系统的精度优势,提高总体跟踪性能。本文基于随机有限集理论,对扩展目标跟踪方法展开系统、深入地研究,重点解决复杂情况下多扩展目标的形状估计、量测集划分、航迹关联、不规则形状目标的跟踪等关键问题,具体取得的成果如下:1.针对不规则形状扩展目标的形状估计问题,提出一种基于B样条曲线的形状估计算法。在扩展目标高斯混合PHD(Extended target Gaussian mixture PHD,ET-GM-PHD)滤波算法中,目标扩展信息被假设为给定值,因此该算法不能对扩展目标进行形状估计。为解决该问题,提出算法基于ET-GM-PHD算法来估计目标运动状态,同时利用B样条拟合法,根据每个时刻的量测信息来估计目标形状,因此提出算法称之为Shape-ET-GM-PHD滤波算法。仿真结果表明,与ET-GM-PHD算法相比,提出算法在不改变ET-GM-PHD算法精度的基础上,可以实现对不规则扩展目标形状的精确估计,提供更丰富的目标信息,从而有利于后续航迹维持、态势评估等工作的展开。2.针对复杂情况下紧邻扩展目标的量测集划分问题,提出一种形状选择划分(Shape selection partitioning,SSP)算法。与ET-GM-PHD滤波算法相比,高斯逆威沙特PHD(Gaussian inverse Wishart PHD,GIW-PHD)滤波算法利用随机矩阵的方法来估计目标扩展状态。然而当目标紧邻时,应用于GIW-PHD滤波的量测集划分算法精度下降,导致GIW-PHD滤波算法的总体跟踪精度下降。为解决该问题,提出的SSP算法利用目标形状信息来分割量测集,并通过GIW-PHD滤波算法中的似然函数来选择最佳分割方案,提高了紧邻目标的量测集划分精度。仿真结果表明,在两个目标紧邻运动时,使用SSP算法后的GIW-PHD滤波算法的跟踪精度提高,但花费的时间代价也有所提高。3.针对复杂情况下的多扩展目标航迹维持问题,提出一种基于目标形状信息的航迹关联算法。现实中的跟踪系统大多需要向用户提供目标的航迹信息,而扩展目标PHD滤波框架并不能提供目标航迹信息,因此需要对扩展目标航迹维持问题展开研究。传统针对点目标PHD滤波的航迹维持算法仅能使用目标运动信息,因此在目标长时间做紧邻运动时会产生航迹关联错误。为解决该问题,提出算法通过建立目标的形状信息表(Shape table,ST)来保存目标形状,然后通过保存的形状信息来匹配目标航迹。仿真结果表明,与传统的航迹维持算法相比,在目标形状差异明显时,提出算法的航迹关联精度明显高于传统算法。4.为了实现对不规则形状多扩展目标的精确跟踪,提出一种非椭圆模型GIW-PHD(Non-ellipsoidal model GIW-PHD,NEM-GIW-PHD)滤波算法。标准的GIW-PHD算法基于目标形状为椭圆的假设,因此在目标形状非椭圆时,跟踪精度下降。为了解决该问题,提出的NEM-GIW-PHD滤波算法基于非椭圆形状目标的量测模型,改进了原GIW-PHD滤波算法中的似然函数计算公式,并使用B样条形状拟合的方法估计目标形状,然后改进了SSP算法,使其可以划分不规则形状目标的量测集。仿真结果表明,在跟踪非椭圆形状多扩展目标时,提出的NEM-GIW-PHD算法精度高于标准的GIW-PHD算法。