基于标签随机集的扩展目标跟踪算法研究

发布时间：2020-11-12 12:13

　　 随机集为目标跟踪提供了简单明了的贝叶斯递推形式,避免了传统方法因数据关联而复杂度高的缺点。其中以标签随机集为基础的广义标签多伯努利(GLMB)滤波器真正实现了对目标航迹的区分。由于传感器精度的提升,目标形状不可忽略,传统的点目标理论无法满足实际中的各种需求,因此扩展目标跟踪受到国内外研究学者的关注,并大量应用于军事和民用系统中。本文主要研究了GLMB滤波器在扩展目标跟踪中的应用,具体的研究内容如下:针对GLMB滤波器需要已知运动场景中背景环境参数而实际中这些参数无法提前获得的问题,提出了未知杂波率和检测概率的GLMB扩展目标滤波器。该算法通过将杂波当作没有动态特性的一类目标,建立联合目标-杂波混合空间模型,对混合多目标后验密度进行迭代。同时对混合空间模型中的扩展目标部分增广,引入检测概率空间并采用Beta分布直接对未知检测概率建模。另外,针对观测区域内目标新生和消失时Beta分布估计浮动较大的问题,给出了采用inverse gamma分布表征目标未知幅度特征进而估计检测概率的方法。仿真实验表明,所提两种方法均可以在高杂波率或低检测概率场景中实现对多个目标的跟踪以及未知参数的估计,并且可以达到参数先验已知的标准滤波器的跟踪精度。在目标出现新生和消失的场景中,与Beta分布相比,inverse gamma分布对检测概率的估计结果更加稳定。针对近邻场景中因量测划分不准确导致滤波器对目标数目、质心以及形状的估计出现较大偏差的问题,提出了基于似然函数的一步数据关联GLMB扩展目标滤波器。该算法跳过将量测划分后再匹配的过程,通过计算量测与目标关联后的似然函数直接寻找全局最优关联假设,进而对目标后验概率密度进行更新。并采用乘性噪声模型描述目标形状,给出滤波器的实现方法。实验结果表明,所提的一步数据关联方法在目标交叉、近邻场景中能够实现对目标数目的准确估计,与基于量测划分的滤波器相比,该方法对目标质心和形状参数的估计精度得到提高。针对现有的标签随机集理论下目标形状估计问题,提出了基于控制点的GLMB扩展目标滤波器。该算法采用伸展-变形模型对目标扩展形状建模,通过移动参考形状表面控制点来拟合目标真实形状,并采用参考形状参数自适应的计算方法来提高变形后形状的相似度。最后给出标签随机集下多目标后验概率密度函数的迭代过程。仿真实验表明,与基于随机矩阵和乘性噪声模型的方法相比,所提方法可以实现对椭圆形状参数的准确估计。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP212;TN713
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 随机集理论基础
    1.3 扩展目标跟踪技术研究现状
    1.4 论文主要研究成果及内容安排
第二章 随机集扩展目标跟踪理论基础
    2.1 引言
    2.2 随机集扩展目标跟踪模型
    2.3 标签随机集扩展目标跟踪
        2.3.1 标签随机集跟踪模型
        2.3.2 GLMB滤波器的实现
        2.3.3 基于随机矩阵模型的扩展目标跟踪
        2.3.4 基于GLMB的扩展目标跟踪滤波器
    2.4 本章小结
第三章 未知背景参数的GLMB扩展目标跟踪算法
    3.1 引言
    3.2 multi-class GLMB滤波器
    3.3 联合目标-杂波状态空间模型
    3.4 检测概率估计方法
        3.4.1 Beta分布
        3.4.2 inverse gamma分布
    3.5 联合未知杂波率和检测概率的GLMB扩展目标滤波器
        3.5.1 滤波器的实现方法
        3.5.2 算法流程
    3.6 仿真实验及分析
    3.7 本章小结
第四章 基于一步数据关联的GLMB扩展目标滤波算法
    4.1 引言
    4.2 基于乘性噪声模型的扩展目标跟踪
        4.2.1 基于乘性噪声的量测模型
        4.2.2 基于乘性噪声的二阶扩展卡尔曼扩展目标跟踪
    4.3 基于似然函数的一步数据关联方法
    4.4 基于似然函数一步数据关联的GLMB滤波算法
    4.5 实验仿真与分析
    4.6 本章小结
第五章 基于控制点的扩展形状估计算法
    5.1 引言
    5.2 伸展-变形模型
        5.2.1 基于控制点的形状估计
        5.2.2 自适应参考形状选择
    5.3 基于控制点的扩展目标GLMB滤波算法
        5.3.1 扩展目标状态模型
        5.3.2 基于控制点的GLMB滤波器的实现
    5.4 仿真实验与分析
    5.5 本章小结
第六章 总结和展望
    6.1 总结
    6.2 展望
参考文献
致谢
作者简介

【相似文献】

相关期刊论文 前10条

1 夏丙铎;汤志;徐晓滨;;基于随机集理论的边坡稳定性评价方法[J];杭州电子科技大学学报;2009年06期

2 袁学海，汪培庄;随机集的范畴[J];辽宁师范大学学报(自然科学版);1994年02期

3 黄南京;随机集值相补问题[J];赣南师范学院学报;1995年06期

4 孔绍文;随机集与集合套理论[J];解放军测绘学院学报;1987年02期

5 毛超林;;某些随机集合的复盖性质[J];深圳大学学报;1987年Z2期

6 王力群;;集值统计方法[J];应用概率统计;1989年03期

7 李西和;;一般随机集的中心统计定理[J];数学季刊;1989年03期

8 赵亮;杨战平;;基于随机集理论的相关变量模型不确定性量化[J];系统仿真学报;2017年06期

9 徐晓滨;文成林;刘荣利;;基于随机集理论的多源信息统一表示与建模方法[J];电子学报;2008年06期

10 吴伟志;随机集可积选择序列的h收敛性[J];浙江水产学院学报;1994年03期

相关博士学位论文 前10条

1 徐晓滨;不确定性信息处理的随机集方法及在系统可靠性评估与故障诊断中的应用[D];上海海事大学;2009年

2 赵亮;基于随机集理论的QMU关键技术研究[D];中国工程物理研究院;2016年

3 姜延吉;多传感器数据融合关键技术研究[D];哈尔滨工程大学;2010年

4 王超;三类不确定支持向量机及其应用[D];河北大学;2013年

5 欧阳成;基于随机集理论的被动多传感器多目标跟踪[D];西安电子科技大学;2012年

6 罗少华;基于随机集的被动多传感器目标跟踪方法研究[D];国防科学技术大学;2013年

7 谢亚娟;洪水风险评估中多源信息融合及不确定性建模研究[D];华中科技大学;2012年

8 傅可昂;度量空间中随机序列的若干极限定理[D];浙江大学;2009年

9 孟凡彬;基于随机集理论的多目标跟踪技术研究[D];哈尔滨工程大学;2010年

10 何日高;现代凸几何在信息论和概率论中的应用[D];上海大学;2011年

相关硕士学位论文 前10条

1 石仁政;基于标签随机集的扩展目标跟踪算法研究[D];西安电子科技大学;2019年

2 李聪蕊;随机集值微分方程解的稳定性分析[D];河北大学;2019年

3 苗雨;基于箱粒子滤波的标签随机集多目标跟踪算法研究[D];西安电子科技大学;2018年

4 侯赞;基于随机集理论的电力系统运行风险评估[D];华北电力大学(北京);2018年

5 汪百川;随机集理论在通信中的应用研究[D];杭州电子科技大学;2010年

6 朱孟凯;基于随机集理论的多目标跟踪算法研究[D];吉林大学;2013年

7 郑学弢;复杂环境下基于随机集的多目标跟踪算法研究[D];西安电子科技大学;2013年

8 赵欣;基于随机集理论的被动多传感器多目标跟踪技术[D];西安电子科技大学;2009年

9 瑚成祥;基于随机集理论的多目标跟踪方法[D];西安电子科技大学;2014年

10 姜萌;基于随机集的多目标跟踪及融合管控算法研究[D];电子科技大学;2017年

本文编号：2880734