论文部分内容阅读
在信号处理领域之内,多目标跟踪(Multi-Target Tracking,MTT)技术研究是其中的一个重要研究方向。在复杂的跟踪环境中,MTT问题研究的主要内容是如何从目标的测量值中获取目标的个数、位置、速度和加速度等相关信息,其研究内容的重要部分之一是滤波与平滑算法。基于随机有限集(Random Finite Set,RFS)的多目标滤波与平滑算法融合了跟踪过程中存在的所有可能情况,使得其非常适用于处理复杂环境中多个目标的实时跟踪问题。与传统的跟踪多个目标的那些方法不同的是,基于RFS的多目标滤波与平滑算法在处理MTT问题时不需要复杂的数据关联过程确定目标与测量之间的关系,从而避免了数据关联过程产生的计算量,具有简单高效的优点和应用良好的前景。本文系统深入地研究了基于RFS的多目标滤波与平滑算法,对其在具体应用时呈现的一些问题提出了相应的处理办法。本文中的主要工作及取得的成果陈述如下:(1)序贯蒙特卡洛势平衡多目标多伯努利(Sequential Monte Carlo Cardinality Balanced Multi-Target Multi-Bernoulli,SMC-CBMeMBer)滤波器是用于处理非线性MTT问题的一种多目标滤波算法。在滤波计算过程中,SMC-CBMeMBer多目标滤波器需要占用大量的时间完成多目标密度的更新计算过程和粒子的重采样过程。针对SMC-CBMeMBer滤波器存在的计算量大、运行时间长这样的问题,提出了一种改进的SMC-CBMeMBer滤波算法。该改进算法根据预测的目标状态估计和测量似然,只利用大于预设似然阀值的传感器测量值参与多目标密度的更新计算过程,有效地减小了SMC-CBMeMBer滤波器的滤波运算量,进而提高了SMC-CBMeMBer滤波器的运算速度。(2)CBMeMBer滤波器是用于解决多目标多伯努利(Multi-Target Multi-Bernoulli,MeMBer)滤波器中目标个数高估问题的一种改进算法。当测量值中存在传感器的系统误差时,应用标准的CBMeMBer滤波器跟踪多目标时将会产生显著的偏差。为解决CBMeMBer滤波器在含有测量偏差的杂波环境中的应用问题,提出了一种带有偏差补偿的CBMeMBer滤波算法及其高斯混合(Gaussian Mixture,GM)实现方法。该算法通过滤波过程中对测量偏差进行实时地估计与补偿,有效地消除了跟踪过程中测量偏差对滤波结果产生的不利影响,取得了良好的跟踪效果。(3)高斯混合概率假设密度(GM Probability Hypothesis Density,GM-PHD)平滑器是前后向PHD平滑器在线性高斯假设条件下的闭合解,应用GM-PHD平滑器跟踪多目标可以获取精度更高的目标状态估计。然而,跟踪过程中目标的消失会使后向平滑过程产生不正确的平滑PHD函数,进而造成平滑的目标个数及目标状态产生错估问题。针对GM-PHD平滑器在跟踪过程中存在的由目标消失引起的错误估计问题,提出了一种改进的GM-PHD多目标平滑算法。该改进算法根据前向GM-PHD滤波器的滤波结果,定义了后向平滑过程所用到的目标存活概率,并据此修正了GM-PHD平滑器的后向平滑公式,有效地消除了跟踪过程中目标消失而引起的错误平滑估计问题,改善了GM-PHD平滑器的跟踪性能。(4)扩展目标概率假设密度(Extended Target Probability Hypothesis Density,ET-PHD)滤波器是RFS理论框架内处理多扩展目标跟踪问题的一种滤波算法。为处理存在测量偏差的多扩展目标跟踪问题,本文在ET-PHD滤波器的滤波原理的基础之上,通过定义由扩展目标状态和测量偏差构成的增广状态变量,构建了一种带有偏差补偿功能的ET-PHD滤波器。利用高斯函数的加权和形式表示初始的及每一个时间步的PHD函数,推导了该滤波器在线性高斯多目标假设条件下的闭合实现公式。仿真结果显示,与标准的ET-GM-PHD滤波器相比,该算法能有效地处理含有测量偏差的杂波跟踪环境中的多个扩展目标的跟踪问题,可以在跟踪过程中取得令人满意的跟踪结果,具有很好的跟踪精度和跟踪稳定性能。