GM-PHD改进研究及在星空背景点目标追踪的应用

发布时间：2021-03-28 10:21

　　基于天基平台观测的点目标受到大量恒星、杂波、虚警和噪声等干扰因素的影响,使得我们在利用高斯混合概率假设滤波（Gaussian Mixture Probability Hypothesis Density Filter,GM-PHD）对星空背景中的多个点目标进行跟踪时,出现了十分明显的错误。其主要原因可总结为两点:1)运动的传感器平台造成了运动的目标背景,这使得待跟踪目标周围的恒星拥有了和运动目标类似的运行轨迹。2)GM-PHD算法的使用场景没有考虑到杂波会和目标一样,时刻存在于观测域中的情况。上述两点原因,导致了GM-PHD算法无法区分恒星和目标的观测值。这使得算法在执行更新操作时,无区别的把恒星的观测值当做真实目标的观测值,并在目标逐渐靠近恒星的过程中,恒星的预测权重会逐渐大于0.5的修剪阈值,最终在目标的状态提取过程中把恒星当做真实目标的衍生新目标进行输出。为了提高GM-PHD算法在基于天基平台观测场景中保持对点目标正确跟踪的能力,本文针对目标线性运动和非线性运动的两种不同情况,分别提出了阈值分离聚类算法和运动模板权重惩罚算法。这两种改进算法使得GM-PHD算法拥有了区分恒星和真实... 

【文章来源】：西华大学四川省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

观测数据以目标为中心聚集示意图

西华大学硕士学位论文173.4实验结果与分析3.4.1Tycho-2模拟数据集我们采用包含恒星赤经、赤维、赤经自行、赤纬自行及星等等信息的Tycho-2星表来模拟真实的星空运动场景。研究星空表的成像方法有利于还原实际的跟踪环境。在场景中，每一个目标都是以不同的速度，结合不同的观测方位角，高度角，星等来进行数据的模拟，并在成像时加入一定的泊松噪声。为体现算法的普适性，模拟了以下四种复杂度依次增加的数据集场景。图3.2场景一中50个时间步数据集Figure3.2DataSetsof50TtimeStepsinScenario1（1）场景一数据集。如图3.2所示，在该数据集中，恒星运动比较缓慢，跟踪环境比较简单。最上方的目标会连续经过被三颗恒星包裹的区域，而其他目标在运动过程中偶尔被恒星干扰。

场景二中50个时间步数据集Figure3.3DataSetsof50TimeStepsinScenario2

【参考文献】：
期刊论文
[1]采用目标背景建模的毫米波弱小目标检测[J]. 高志升,耿龙,张铖方,胡占强.  光学精密工程. 2016(10)



本文编号：3105387