基于概率假设密度估计的多传感器多目标跟踪方法研究

发布时间：2020-07-18 02:03

【摘要】：多目标跟踪技术作为多传感器信息融合领域的研究热点之一,不管是在军事还是民用领域上都有着广泛的应用。传统的多目标跟踪方法主要在经典概率论的基础上去解决多目标数据关联问题,但在对多目标的跟踪过程中易受目标个数未知、杂波密集、检测率低等复杂环境因素的影响,导致数据关联效果不佳和对目标跟踪精度下降。近年来,概率假设密度(Probability Hypothesis Density,PHD)估计方法为多目标跟踪问题提供了新的解决思路:该方法利用随机有限集理论,将目标的状态集和传感器量测集均统一描述于同一个概率假设密度空间中,有效的避免了传统目标跟踪算法中的数据关联问题。尽管如此,目前多传感器PHD多目标跟踪技术还欠成熟。一方面,基于随机有限集的多目标跟踪方法大多是单传感器概率假设密度滤波方法,在较复杂环境下很难做到仅依靠单部传感器维持对多目标稳定且准确的估计,此时通常需融合来自多部传感器的量测信息以达到相应的跟踪要求;另一方面,目前大多数基于PHD估计的多传感器融合跟踪方法大多建立在多部传感器数据同步的假设基础之上,较缺乏处理异步多传感器融合跟踪问题的方法。针对以上问题,本文开展了基于概率假设密度估计的多传感器多目标跟踪方法研究,具体的内容如下:首先,综述了基于概率假设密度估计的多传感器多目标跟踪相关重要理论,包括多传感器多目标跟踪的基本理论,主要包括目标跟踪的系统模型、概率假设密度估计原理、数据融合和异步采样的多传感器时间配准方法。其次,针对密集杂波环境和低检测率下的单传感器PHD滤波器出现的跟踪效果受限问题,通过构建多传感器多级式融合结构框架,提出了一种多目标关联算法和改进的凸组合融合算法,并结合GM-PHD滤波方法,提出了多传感器多级式融合多目标跟踪算法,仿真实验验证了所提算法的有效性。最后,针对杂波环境下的异步采样传感器较难对多目标维持高质量跟踪的问题,通过构建两种适用于多目标跟踪的多传感器异步检测跟踪框架,提出基于传感器原始量测的时间同步模型和基于GM-PHD估计的时间配准方法,进一步提出了TSBF算法和FBTS算法,仿真实验验证所提算法的有效性。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP212;TN713
【图文】：

目标跟踪,基本原理

第 2 章多传感器多目标跟踪理论基础言随机有限集的概率假设密度估计器通过对多目标跟踪中新杂波和传感器的探测与漏检等现象进行数学描述，滤波后，为多传感器的数据融合提供了方便，也为传感器间的配节就论文的研究方向介绍了目标跟踪基本理论、概率密度器数据融合原理和异步时间配准方法的基本知识，为本文了理论基础。标跟踪基本理论跟踪技术主要是指利用传感器接收到的原始量测信息来估计过程，其基本原理如下图 2.1 所示。

流程图,流程,后验估计,传感器

1S2S3SmS图 3.1 多传感器多级式融合结构其中， S .1, S .2, , S .m为传感器设备，FC(Fusion Center)和 LFC(Local FusionCenter)分别为融合中心与局部融合中心。首先两个传感器单独进行高斯混合PHD 滤波，滤波后得到的后验估计先在局部融合中心进行一级融合，经一级融合后得到的一级局部后验估计，再与第三个传感器滤波得到的后验估计在局部融合中心进行二级融合，得到二级局部后验估计，然后再与第四个传感器的后验估计在局部融合中心进行三级融合，直至所有的传感器都融合完毕，得到全局后验估计。上图为多传感器多级融合结构，其中两传感器或传感器与局部融合结果之间的融合的详细流程如图 3.2 所示。

示意图,传感器,电子科技大学,示意图

杭州电子科技大学硕士学位论器 j +1的采样起点为+1jkt ，则有 111 , 1,j jk kj jk kt t tk T t t kT j 传输延迟，则在一个完整的融合周期。1k1z 2k1z 3k1z 1kz2kz3kzk1T kT

【参考文献】