高斯过程回归的CPHD扩展目标跟踪
【图文】：
ｈｔｔｐ：／／ｗｗｗ．ｘｄｘｂ．ｎｅｔ图１单次目标跟踪结果图２目标数目估计结果图３ＩＯＵ结果图４质心ＯＳＰＡ距离在仿真时间上，１００次蒙特卡洛仿真结果，ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法与ＧＰＲ－ＧＧＭ－ＣＰＨＤ算法时间消耗比约为５∶１，运算效率提升明显．这是由于ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法在形状更新中使用了无轨迹变换（ＵｎｓｃｅｎｔｅｄＴｒａｎｓｆｏｒｍａｔｉｏｎ，ＵＴ）以及对形状进行了约束，导致算法计算时间较长，而文中所提算法在形状估计中仅使用卡尔曼滤波模型对数据进行线性处理就能实现，因而计算效率较高．４结束语笔者针对扩展目标联合估计运动状态和目标形状的问题，提出了一种基于高斯过程回归的伽玛高斯混合ＣＰＨＤ扩展目标跟踪算法．该算法将目标运动状态估计和扩展状态估计分开进行，充分利用了伽玛高斯混合ＣＰＨＤ滤波器和高斯过程回归算法的特性，实现了星凸模型下的扩展目标跟踪及形状估计．实验仿真证明了该算法能够较好地实现对多形状目标的有效跟踪，且形状估计性能较基于星凸随机超曲面的伽玛高斯混合ＣＰＨＤ滤波器有明显提高，，对多形状目标跟踪的良好跟踪效果使其更加具有实际意义．同时，对于形状估计的单独处理，使得扩展状态估计模块能够灵活地与多种目标跟踪算法进行结合，为后续算法的改进奠定了基础．下一步将对形状估计完成后的目标质心优化问题以及目标漏检后再次被检测到时的识别匹配问题做进一步深入研究．参考文献：［１］ＢＥＡＲＤＭ，ＲＥＵＴＥＲＳ，ＧＲＡＮＳＴＲＯＭＫ，ｅｔａｌ．ＭｕｌｔｉｐｌｅＥｘｔｅｎｄｅｄＴａｒｇｅｔＴｒａｃｋｉｎｇｗｉｔｈＬａｂｅｌｅｄＲａ
ｈｔｔｐ：／／ｗｗｗ．ｘｄｘｂ．ｎｅｔ图１单次目标跟踪结果图２目标数目估计结果图３ＩＯＵ结果图４质心ＯＳＰＡ距离在仿真时间上，１００次蒙特卡洛仿真结果，ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法与ＧＰＲ－ＧＧＭ－ＣＰＨＤ算法时间消耗比约为５∶１，运算效率提升明显．这是由于ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法在形状更新中使用了无轨迹变换（ＵｎｓｃｅｎｔｅｄＴｒａｎｓｆｏｒｍａｔｉｏｎ，ＵＴ）以及对形状进行了约束，导致算法计算时间较长，而文中所提算法在形状估计中仅使用卡尔曼滤波模型对数据进行线性处理就能实现，因而计算效率较高．４结束语笔者针对扩展目标联合估计运动状态和目标形状的问题，提出了一种基于高斯过程回归的伽玛高斯混合ＣＰＨＤ扩展目标跟踪算法．该算法将目标运动状态估计和扩展状态估计分开进行，充分利用了伽玛高斯混合ＣＰＨＤ滤波器和高斯过程回归算法的特性，实现了星凸模型下的扩展目标跟踪及形状估计．实验仿真证明了该算法能够较好地实现对多形状目标的有效跟踪，且形状估计性能较基于星凸随机超曲面的伽玛高斯混合ＣＰＨＤ滤波器有明显提高，对多形状目标跟踪的良好跟踪效果使其更加具有实际意义．同时，对于形状估计的单独处理，使得扩展状态估计模块能够灵活地与多种目标跟踪算法进行结合，为后续算法的改进奠定了基础．下一步将对形状估计完成后的目标质心优化问题以及目标漏检后再次被检测到时的识别匹配问题做进一步深入研究．参考文献：［１］ＢＥＡＲＤＭ，ＲＥＵＴＥＲＳ，ＧＲＡＮＳＴＲＯＭＫ，ｅｔａｌ．ＭｕｌｔｉｐｌｅＥｘｔｅｎｄｅｄＴａｒｇｅｔＴｒａｃｋｉｎｇｗｉｔｈＬａｂｅｌｅｄＲａ
【作者单位】： 西安电子科技大学电子工程学院;中国人民解放军95980部队;
【基金】：国家自然科学基金资助项目(61372003);国家自然科学基金青年基金资助项目(61301289)
【分类号】：TN713
【相似文献】
相关期刊论文 前10条
1 吕胜尚;;关于高斯过程的几个问题[J];西北电讯工程学院学报;1986年02期
2 喻鑫;柳健;田金文;;基于高斯过程的点匹配方法[J];华中科技大学学报(自然科学版);2007年12期
3 董晓慧;柴桂荣;孟宪春;;一种应用稀疏高斯过程回归模型的半监督分类算法[J];电脑知识与技术;2010年28期
4 傅启明;刘全;伏玉琛;周谊成;于俊;;一种高斯过程的带参近似策略迭代算法[J];软件学报;2013年11期
5 李宏伟;刘扬;卢汉清;方亦凯;;结合半监督核的高斯过程分类[J];自动化学报;2009年07期
6 黄丽平;孙永雄;申晨;;用基于中值滤波的高斯过程预测3G网络性能[J];计算机工程与应用;2013年02期
7 夏战国;夏士雄;蔡世玉;万玲;;类不均衡的半监督高斯过程分类算法[J];通信学报;2013年05期
8 何志昆;刘光斌;赵曦晶;王明昊;;高斯过程回归方法综述[J];控制与决策;2013年08期
9 刘辉;白峰杉;;基于混合高斯过程模型的高光谱图像分类算法[J];高校应用数学学报A辑;2010年04期
10 张乐;刘忠;张建强;任雄伟;;基于人工蜂群算法优化的改进高斯过程模型[J];国防科技大学学报;2014年01期
相关会议论文 前5条
1 刘信恩;肖世富;莫军;;用于不确定性分析的高斯过程响应面模型设计点选择方法研究[A];中国计算力学大会'2010（CCCM2010）暨第八届南方计算力学学术会议（SCCM8）论文集[C];2010年
2 刘冬;张清华;;基于高斯过程的精密卫星钟差加密[A];第二届中国卫星导航学术年会电子文集[C];2011年
3 李雅芹;杨慧中;;一种基于仿射传播聚类和高斯过程的多模型建模方法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年
4 赵级汉;张国敬;姜龙;魏巍;;基于叠加高斯过程的数字噪声产生方法FPGA实现[A];第二十四届全国空间探测学术交流会论文摘要集[C];2011年
5 何志昆;刘光斌;姚志成;赵曦晶;;基于高斯过程回归的FOG标度因数温度漂移建模新方法[A];第25届中国控制与决策会议论文集[C];2013年
相关博士学位论文 前6条
1 王建民;矿山边坡变形监测数据的高斯过程智能分析与预测[D];太原理工大学;2016年
2 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年
3 潘伟;基于高斯过程的高炉炼铁过程辨识与预测[D];浙江大学;2012年
4 贺建军;基于高斯过程模型的机器学习算法研究及应用[D];大连理工大学;2012年
5 夏战国;基于高斯过程的提升机轴承性能评测方法研究[D];中国矿业大学;2013年
6 赵伟;复杂工程结构可靠度分析的高斯过程动态响应面方法研究[D];广西大学;2014年
相关硕士学位论文 前10条
1 李红丽;回归分析中的贝叶斯推断技术的研究[D];江南大学;2015年
2 李励耘;基于高斯过程的抓取规划方法研究[D];哈尔滨工业大学;2015年
3 王雪茹;基于高斯过程的风电机组部件建模与监测研究[D];华北电力大学;2015年
4 于立鑫;基于高斯过程—差异进化算法的隧道施工多元信息反分析研究[D];大连海事大学;2015年
5 戈财若;基于高斯过程的高光谱图像分类算法研究[D];东华理工大学;2015年
6 叶婧;基于高斯过程回归的锂电池数据处理[D];北京交通大学;2016年
7 张栋;基于在线学习高斯过程有杆泵油井动态液面建模方法研究[D];东北大学;2014年
8 王奉伟;改进的局部均值分解和高斯过程在变形监测数据处理中的应用研究[D];东华理工大学;2016年
9 曹瑜;基于高斯过程的非线性不确定延迟系统的模型预测控制[D];华中科技大学;2014年
10 张莉萍;基于广义高斯过程回归的函数型数据分析[D];东南大学;2016年
本文编号：2524490
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2524490.html
