面向目标跟踪的非线性滤波算法性能分析研究

发布时间：2020-07-19 19:58

【摘要】：目标跟踪是一个重要的理论和实践问题。目标跟踪问题实际上就是目标状态的跟踪滤波问题,即根据传感器已获得的目标量测数据对目标状态进行精确的估计。非线性滤波是目标跟踪中一个很重要的方面。在现实世界中,几乎所有的控制系统都是非线性的,线性是对非线性在一定程度和范围内的近似描述。所以研究非线性滤波算法,可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。随着现代科技的发展,对目标跟踪的精度及速度等性能有着越来越高的要求。本论文针对此问题就目标跟踪中的非线性滤波算法性能分析进行了深入的研究。首先给出论文研究的背景及意义,简单介绍了目标跟踪和滤波算法的研究现状,然后详细对经典的非线性滤波算法原理及算法流程进行了系统性回顾与总结。在此基础上,给出本论文的研究成果。本论文主要研究成果如下:一、基于卡尔曼滤波算法的估计研究主要研究了卡尔曼滤波算法,对基于S函数的卡尔曼滤波器进行了设计与仿真分析;对基于卡尔曼滤波器的噪声自适应估计进行了研究。并详细阐述了联合Kalman滤波算法,并进行仿真实验,证明联合Kalman滤波算法可以运用到目标状态及控制输入都是未知的系统中,并可以实现较短时间内到达收敛状态。二、改进粒子滤波算法在目标跟踪中的应用分别介绍CPF滤波算法,EPF滤波算法,以及UPF算法的流程,分析对比总结各自优缺点,发现UPF算法在这三种滤波算法中滤波效果最好。然后研究和仿真分析MUPF滤波算法,提出算法ST-MUPF。新算法ST-MUPF算法在MUPF算法中加入渐消因子,改善MUPF算法的更正精度的同时也提高了MUPF算法的有效粒子数。经过仿真分析认为新算法ST-MUPF算法在精度和有效粒子数目的性能方面优于MUPF算法。三、改进的平方根容积卡尔曼滤波算法性能分析对容积卡尔曼滤波算法(CKF)及其改进算法平方根容积卡尔曼滤波算法SCKF算法进行了详细阐述,提出新算法非线性-线性平方根容积卡尔曼滤波算法(NL-SCKF),仿真实验证明,改进算法SCKF和NL-SCKF都比CKF算法具有更高的滤波精度,NLSCKF算法比SCKF算法具有更短的运行时间。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TN713
【图文】：

原理图,目标跟踪,原理图

图 1.1 目标跟踪原理图目标跟踪是指为了实现对目标当前状态的估计，各类传感器检测后发送至处理器处理的过程。目标跟踪使用的是处理器传递的信号，而不是传感器直接检测到的信号，这种方式可以在很大程度上减少不必要的扰动影响，现实意义较高。1.2 目标跟踪研究现状目标跟踪技术在多个领域的研究也不断地研究发展和突破。目标跟踪的目标具有很多的不确定性（比如量测源、目标运动方式），单目标跟踪算法的研究种类繁复。参考文献[11]利用 Kalman 算法对雷达单目标跟踪进行研究。参考文献[12]中基于最小二乘高斯核支持的向量机，利用单目摄像头采集机器人运动的连续图像，提出一种对搜索机器人的单目视觉定位算法。由单目标跟踪算法发展到多目标跟踪算法的研究更加多样。参考文献[13]针对高维纯方位多目标跟踪，提出了新型的 PHD 算法。参考文献[15]，采用卡尔曼一致滤波和基于多人学习的协作式摄像机网络控制策略，实现摄相机网络中的多

原理图,多目标跟踪,原理,目标位置

跟踪本质上就是将多个传感器获得的信号发送给中央处理器（单片机），由中央处理将传感器传递来的信号统一综合处理后，将处理后的结果作为目标跟踪的结果。这一过程包括对目标位置的检测，目标位置的预测，目标位置的修正更新。这里将目标跟分为检测目标，目标定位，目标状态估计，目标跟踪维持和更新等阶段。图 1.2 单目标跟踪原理

原理图,单目标,原理,目标跟踪

第一章绪论踪的精度，减小非线性噪声对目标跟踪观测值的影响是目标跟踪的难点，这跟踪在实际中应用的一个研究方向。不断的减少目标跟踪的误差，提高稳定标跟踪理论在更多的应用领域获得更大的发展前景。在这些目标跟踪的应用定位导航和跟踪算法是国内外学者研究热点。目标定位和导航跟踪[15]研究从单目标跟踪不断发展成三维单目标，三维多目标的跟踪等，其中多个移动的质上就是将多个传感器获得的信号发送给中央处理器（单片机），由中央处器传递来的信号统一综合处理后，将处理后的结果作为目标跟踪的结果。这括对目标位置的检测，目标位置的预测，目标位置的修正更新。这里将目标测目标，目标定位，目标状态估计，目标跟踪维持和更新等阶段。

【相似文献】