基于随机有限集的地面多目标跟踪方法研究

发布时间：2023-08-09 17:43

　　地面多目标跟踪技术通过单个或者多个传感器获取地面多目标(如坦克、车辆等)的量测信息,估计地面目标的数量、运动状态及运动轨迹。实际中,受复杂地形等因素的影响,目标状态信息(位置、速度、加速度等)及数目随着时间而随机变化;此外,受城市高大建筑物及树木丛林的遮挡、漏检以及杂波等因素影响,传感器的量测和数目同样也随时间随机变化。上述问题造成目标状态与传感器的量测难以有效关联,极大限制了基于数据关联跟踪算法的跟踪性能。基于随机有限集的地面多目标跟踪方法将多目标的状态集和传感器的量测集建模为随机有限集的形式,避免了目标状态集和量测集关联关系对算法性能的制约,为地面多目标跟踪方法的研究提供了良好的解决思路。δ-广义标签多伯努利滤波器(δ-GLMB)是基于随机有限集滤波方法中较为常用的方法之一,具有强鲁棒性、可直接估计运动目标轨迹的优势。因此,本文将δ-GLMB算法应用于地面多目标跟踪场景。针对地面多目标跟踪场景的强非线性、强杂波的特点,本文从两个方面开展研究:(1)为提高非线性场景的地面目标跟踪精度,提出基于均方根容积卡尔曼(SCKF)的δ-GLMB高斯混合实现算法。该算法将SCKF应用于高斯混合(...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1.绪论
    1.1 研究目的及意义
    1.2 多目标跟踪技术的国内外发展及研究现状
        1.2.1 基于数据关联的多目标跟踪研究进展
        1.2.2 基于随机有限集的多目标跟踪研究进展
    1.3 课题研究的主要内容及工作安排
        1.3.1 研究内容
        1.3.2 章节安排
2.基于MeMBer的多目标跟踪理论基础
    2.1 随机有限集理论基础
        2.1.1 多目标状态下随机有限集的定义
        2.1.2 多目标状态及传感器量测的集合表示
        2.1.3 标签随机有限集
    2.2 多伯努利滤波算法基础
        2.2.1 多目标贝叶斯滤波器
        2.2.2 多目标贝叶斯滤波器(MeMBer)
        2.2.3 δ-广义标签多目标多伯努利跟踪滤波(δ-GLMB)
    2.3 多目标跟踪技术的评价指标
        2.3.1 豪斯多夫距离
        2.3.2 威士顿距离
        2.3.3 最优子模式分配
    2.4 本章小结
3.基于SCKF的 GM-δ-GLMB地面多目标跟踪算法
    3.1 δ-GLMB跟踪滤波实现方法
        3.1.1 δ-GLMB跟踪滤波器的序列蒙特卡洛实现过程
        3.1.2 δ-GLMB跟踪滤波器的高斯混合实现过程
    3.2 基于SCKF的 GM-δ-GLMB跟踪滤波算法
        3.2.1 均方根容积卡尔曼滤波器(SCKF)
        3.2.2 基于SCKF的δ-GLMB跟踪滤波器的高斯混合实现
    3.3 仿真实验结果与分析
        3.3.1 地面跟踪场景下仿真实验的场景设置
        3.3.2 固定杂波密度下多种算法的结果对比分析
        3.3.3 不同杂波密度下改进算法的结果与分析
    3.4 本章小结
4.面向强杂波密度场景的改进CKF-GM-δ-GLMB跟踪滤波算法
    4.1 基于CKF的 GM-δ-GLMB跟踪滤波算法
        4.1.1 容积卡尔曼滤波(CKF)
        4.1.2 跟踪滤波算法的实现过程
    4.2 基于距离加权的量测合并策略
        4.2.1 基本原理
        4.2.2 算法具体实现及实现流程
    4.3 仿真实验结果与分析
        4.3.1 地面跟踪场景下仿真实验的场景设置
        4.3.2 仿真实验结果分析
        4.3.3 强杂波密度下改进算法的结果分析
    4.4 本章小结
5.总结与展望
    5.1 总结
    5.2 未来展望
参考文献
硕士研究生阶段取得的成果
致谢



本文编号：3840675