论文部分内容阅读
随着传感器分辨率的不断提高,单个目标可占据传感器的多个分辨单元,目标在每个采样时刻可产生多个量测,称该目标为扩展目标。此时,采用数据关联的点目标滤波模型由于复杂度过高和模型不匹配而不再适用,难以充分发挥高分辨率传感器的优势。近年来,基于随机有限集(RFS)的多扩展目标跟踪方法回避了数据关联,直接对多目标进行跟踪,极大地降低了计算复杂度,受到了国内外学者的广泛关注。本论文以RFS为理论基础,针对PHD滤波和CBMeMBer滤波中目标扩展状态估计的问题,开展基于随机矩阵模型和随机超曲面模型的滤波方法研究,具体研究内容如下:1.针对椭圆扩展目标,结合CBMeMBer滤波,提出一种基于随机矩阵模型的扩展目标跟踪算法,即伽玛高斯逆威沙特CBMe MBer(GGIW-CBMeMBer)滤波。该算法将目标的量测率建模为伽玛概率分布,运动状态建模为高斯分布,扩展状态建模为逆威沙特分布,通过对增补状态的预测和更新实时估计目标的运动状态、扩展状态和量测率。仿真实验表明,GGIW-CBMeMBer滤波可有效地跟踪扩展目标,且与GGIW-PHD滤波相比更为准确。2.针对椭圆扩展目标,将随机超曲面模型嵌入到CBMeMBer滤波中,提出一种基于随机超曲面的扩展目标跟踪算法,即随机超曲面伽玛高斯CBMeMBer(RHM-GGM-CBMeMBer)滤波。该算法利用尺度因子获得量测源的可能集合,再从中随机选取量测源,合理地表达了目标先验信息的缺乏情况。尺度因子的选择并非依赖于目标的扩展形状,因此该算法并不是一种层次算法。在目标状态的表达上,将椭圆的形状参数融入到运动状态向量中,避免了对矩阵的处理。仿真实验表明,所提RHM-GGM-CBMeMBer滤波的跟踪性能均优于RHM-GGM-PHD滤波和GGIW-CBMeMBer滤波。