基于箱粒子滤波的标签随机集多目标跟踪算法研究

发布时间：2020-04-08 18:46

【摘要】：多目标跟踪作为信息融合领域的关键技术,在军事国防与民用工程领域具有广阔的应用前景,受到了国内外相关学者的广泛关注。随着随机集滤波理论与标签随机集滤波理论的深入研究,多目标跟踪技术得到了快速发展。箱粒子滤波算法是一种非线性滤波算法,结合了区间分析理论与序贯蒙特卡罗方法,具有所需粒子数目少,运算效率高,便于处理非传统量测等优点。本文在箱粒子滤波与标签随机集滤波的基础上,对多目标跟踪方法进行了深入研究,主要工作如下:在箱粒子和标签随机集滤波基础上,提出一种新的多目标跟踪算法,即箱粒子Delta广义标签多伯努利(BP-δ-GLMB)滤波算法。该算法不仅能够跟踪多目标状态和数目,还能够有效跟踪多目标航迹,并且算法的计算复杂度低,运算效率高。仿真实验表明,BP-δ-GLMB的跟踪精度与SMC-δ-GLMB滤波相似,但所需粒子数目少,运算时间大大缩短,提升了多目标跟踪效率。与BP-CBMeMBer滤波相比,BP-δ-GLMB滤波算法能够实现多目标航迹跟踪,在杂波率较高的场景下,其跟踪精度更高,对目标数目估计更准确。针对δ-GLMB滤波算法计算复杂度高的问题,结合箱粒子滤波与LMB滤波算法,提出箱粒子标签多伯努利(BP-LMB)滤波算法。BP-LMB滤波作为BP-δ-GLMB滤波算法的高效近似,提升了多目标跟踪的计算效率。仿真实验表明,在线性与非线性系统下,所提算法均能够高效跟踪多目标状态与航迹,与BP-δ-GLMB和SMC-LMB滤波相比,尽管BP-LMB滤波精度略有损失,但运行时间短,运算效率高。结合箱粒子滤波在扩展目标跟踪中的应用,本文还提出了多扩展目标δ-GLMB滤波与多扩展目标LMB滤波的箱粒子实现形式,即ET-BP-δ-GLMB滤波与ET-BP-LMB滤波。这两种算法继承了箱粒子滤波算法与标签随机集滤波算法的优势,在保证了良好滤波性能与航迹跟踪性能的同时,降低了扩展目标跟踪算法的计算复杂度。仿真实验表明,所提算法能够有效实现多扩展目标状态与航迹跟踪。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN713

【参考文献】