复杂场景下基于随机有限集理论的多目标跟踪方法研究

发布时间：2020-06-19 22:28

【摘要】：基于随机有限集的多目标跟踪方法是近年来目标跟踪领域的研究热点,该方法采用随机有限集描述目标状态和传感器量测,将多目标跟踪转换为单目标跟踪,避免了数据关联难点。本文以随机有限集理论为基础,对复杂场景下的多目标跟踪方法进行了研究,主要研究内容如下:针对未知杂波强度下的多目标跟踪,提出了一种加速期望最大化概率假设密度(AEM-PHD)平滑滤波算法。首先,对杂波的强度进行建模;其次,根据杂波的量测估计出杂波的个数;然后,利用高斯有限混合模型对杂波密度函数进行建模,高斯有限混合模型的参数由AEM算法估计得到;最后,由PHD滤波器对多目标状态进行估计,并对估计值进行了平滑。仿真结果表明,在未知杂波下,所提算法能准确估计出杂波的参数,跟踪的精度更高、估计的目标数目更准确。针对多扩展目标跟踪的量测划分,提出了一种基于时空关联-网格聚类量测划分的多扩展目标跟踪算法。首先,根据时空相关性将当前量测分为存活扩展目标量测和新生扩展目标量测;其次,对存活扩展目标采用FCM算法进行量测划分,对新生扩展目标采用网格聚类完成量测集划分;最后,由GM-PHD滤波器得到存活扩展目标的轨迹,由ET-GM-PHD滤波器得到新生扩展目标的轨迹。仿真结果表明,所提算法能够对多扩展目标进行准确跟踪,算法的跟踪精度更高、运行时间更少。针对GM-PHD滤波算法在非线性条件下跟踪机动目标精度较低的问题,提出了一种基于修正IMM的UT-GMPHD多机动目标跟踪算法。首先,对IMM算法的模型转移概率进行了修正;其次,采用UT技术对非线性状态方程和非线性量测方程进行处理;最后,由修正IMM的UT-GMPHD滤波器跟踪多机动目标。仿真结果表明,所提算法能够对多机动目标进行持续稳定的跟踪,跟踪性能优于传统的GM-PHD跟踪算法。开发了多目标跟踪软件实验平台,该平台包含了未知杂波下多目标跟踪、扩展目标跟踪、多机动目标跟踪等模块,拥有良好的人机交互界面,能够快速地调用算法并对仿真结果进行展示。
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN713
【图文】：

框图,论文研究,内容,框图

南京航空航天大学硕士学位论文验证了该算法的有效性。第五章为多目标跟踪软件实验平台的介绍。该实验平台采用人机交互模式，能够方便用跟踪算法，并对算法的仿真效果进行了展示。第六章为论文的总结与展望。首先，对本文的研究工作进行了总结；然后，分析了本在的不足之处；最后，对多目标跟踪技术的未来研究方向进行了下一步展望。

算法流程图,运动模型,动目标,机动目标

图 4. 1 标准 IMM 算法流程图法的各个模块之前，给出以下变量的定义。动目标在k时刻运动模型为p的目标状态。动目标在k时刻运动模型为p的模型概率。动目标在 k 时刻运动模型为p的协方差矩阵。动目标在 k 时刻运动模型为p的似然函数。互后机动目标在k 时刻运动模型为 p的目标状态，该交互后机动目标在k 时刻运动模型为p的协方差矩阵。动目标运动模型由p变为q的转移概率。机动目标的状态为k 1,px 、协方差矩阵为k 1,pP 、运动移概率为pq 。IMM 算法的具体实现步骤如下： k 1时刻的运动模型从模型p转移到模型q的条件概1, 1,1, 1,2, k pq pq k pqp q c

【参考文献】