【摘要】：針對現有擴展目標跟蹤算法中,形狀估計復雜,在考慮漏檢及雜波情況下目標跟蹤精度不高等問題,提出了一種基于高斯過程回歸的伽瑪高斯混合勢概率假設密度擴展目標跟蹤算法.該算法采用星凸模型對目標進行建模,在伽瑪高斯混合勢概率假設密度濾波器對擴展目標運動狀態(tài)估計良好的基礎上,利用高斯過程回歸對目標形狀進行估計,實現了對擴展目標的有效跟蹤.實驗仿真表明,所提算法能夠對目標的運動狀態(tài)進行高效跟蹤,且在擴展形狀的估計精度、計算速度等方面要優(yōu)于基于星凸隨機超曲面的伽瑪高斯混合勢概率假設密度濾波器.
【圖文】：

ｈｔｔｐ：／／ｗｗｗ．ｘｄｘｂ．ｎｅｔ圖１單次目標跟蹤結果圖２目標數目估計結果圖３ＩＯＵ結果圖４質心ＯＳＰＡ距離在仿真時間上，１００次蒙特卡洛仿真結果，ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法與ＧＰＲ－ＧＧＭ－ＣＰＨＤ算法時間消耗比約為５∶１，運算效率提升明顯．這是由于ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法在形狀更新中使用了無軌跡變換（ＵｎｓｃｅｎｔｅｄＴｒａｎｓｆｏｒｍａｔｉｏｎ，ＵＴ）以及對形狀進行了約束，導致算法計算時間較長，而文中所提算法在形狀估計中僅使用卡爾曼濾波模型對數據進行線性處理就能實現，因而計算效率較高．４結束語筆者針對擴展目標聯合估計運動狀態(tài)和目標形狀的問題，提出了一種基于高斯過程回歸的伽瑪高斯混合ＣＰＨＤ擴展目標跟蹤算法．該算法將目標運動狀態(tài)估計和擴展狀態(tài)估計分開進行，充分利用了伽瑪高斯混合ＣＰＨＤ濾波器和高斯過程回歸算法的特性，實現了星凸模型下的擴展目標跟蹤及形狀估計．實驗仿真證明了該算法能夠較好地實現對多形狀目標的有效跟蹤，且形狀估計性能較基于星凸隨機超曲面的伽瑪高斯混合ＣＰＨＤ濾波器有明顯提高，，對多形狀目標跟蹤的良好跟蹤效果使其更加具有實際意義．同時，對于形狀估計的單獨處理，使得擴展狀態(tài)估計模塊能夠靈活地與多種目標跟蹤算法進行結合，為后續(xù)算法的改進奠定了基礎．下一步將對形狀估計完成后的目標質心優(yōu)化問題以及目標漏檢后再次被檢測到時的識別匹配問題做進一步深入研究．參考文獻：［１］ＢＥＡＲＤＭ，ＲＥＵＴＥＲＳ，ＧＲＡＮＳＴＲＯＭＫ，ｅｔａｌ．ＭｕｌｔｉｐｌｅＥｘｔｅｎｄｅｄＴａｒｇｅｔＴｒａｃｋｉｎｇｗｉｔｈＬａｂｅｌｅｄＲａ

ｈｔｔｐ：／／ｗｗｗ．ｘｄｘｂ．ｎｅｔ圖１單次目標跟蹤結果圖２目標數目估計結果圖３ＩＯＵ結果圖４質心ＯＳＰＡ距離在仿真時間上，１００次蒙特卡洛仿真結果，ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法與ＧＰＲ－ＧＧＭ－ＣＰＨＤ算法時間消耗比約為５∶１，運算效率提升明顯．這是由于ＳＲＨＭ－ＧＧＭ－ＣＰＨＤ算法在形狀更新中使用了無軌跡變換（ＵｎｓｃｅｎｔｅｄＴｒａｎｓｆｏｒｍａｔｉｏｎ，ＵＴ）以及對形狀進行了約束，導致算法計算時間較長，而文中所提算法在形狀估計中僅使用卡爾曼濾波模型對數據進行線性處理就能實現，因而計算效率較高．４結束語筆者針對擴展目標聯合估計運動狀態(tài)和目標形狀的問題，提出了一種基于高斯過程回歸的伽瑪高斯混合ＣＰＨＤ擴展目標跟蹤算法．該算法將目標運動狀態(tài)估計和擴展狀態(tài)估計分開進行，充分利用了伽瑪高斯混合ＣＰＨＤ濾波器和高斯過程回歸算法的特性，實現了星凸模型下的擴展目標跟蹤及形狀估計．實驗仿真證明了該算法能夠較好地實現對多形狀目標的有效跟蹤，且形狀估計性能較基于星凸隨機超曲面的伽瑪高斯混合ＣＰＨＤ濾波器有明顯提高，對多形狀目標跟蹤的良好跟蹤效果使其更加具有實際意義．同時，對于形狀估計的單獨處理，使得擴展狀態(tài)估計模塊能夠靈活地與多種目標跟蹤算法進行結合，為后續(xù)算法的改進奠定了基礎．下一步將對形狀估計完成后的目標質心優(yōu)化問題以及目標漏檢后再次被檢測到時的識別匹配問題做進一步深入研究．參考文獻：［１］ＢＥＡＲＤＭ，ＲＥＵＴＥＲＳ，ＧＲＡＮＳＴＲＯＭＫ，ｅｔａｌ．ＭｕｌｔｉｐｌｅＥｘｔｅｎｄｅｄＴａｒｇｅｔＴｒａｃｋｉｎｇｗｉｔｈＬａｂｅｌｅｄＲａ
【作者單位】： 西安電子科技大學電子工程學院;中國人民解放軍95980部隊;
【基金】：國家自然科學基金資助項目(61372003);國家自然科學基金青年基金資助項目(61301289)
【分類號】：TN713

【相似文獻】

相關期刊論文 前10條

1 呂勝尚;;關于高斯過程的幾個問題[J];西北電訊工程學院學報;1986年02期

2 喻鑫;柳健;田金文;;基于高斯過程的點匹配方法[J];華中科技大學學報(自然科學版);2007年12期

3 董曉慧;柴桂榮;孟憲春;;一種應用稀疏高斯過程回歸模型的半監(jiān)督分類算法[J];電腦知識與技術;2010年28期

4 傅啟明;劉全;伏玉琛;周誼成;于俊;;一種高斯過程的帶參近似策略迭代算法[J];軟件學報;2013年11期

5 李宏偉;劉揚;盧漢清;方亦凱;;結合半監(jiān)督核的高斯過程分類[J];自動化學報;2009年07期

6 黃麗平;孫永雄;申晨;;用基于中值濾波的高斯過程預測3G網絡性能[J];計算機工程與應用;2013年02期

7 夏戰(zhàn)國;夏士雄;蔡世玉;萬玲;;類不均衡的半監(jiān)督高斯過程分類算法[J];通信學報;2013年05期

8 何志昆;劉光斌;趙曦晶;王明昊;;高斯過程回歸方法綜述[J];控制與決策;2013年08期

9 劉輝;白峰杉;;基于混合高斯過程模型的高光譜圖像分類算法[J];高校應用數學學報A輯;2010年04期

10 張樂;劉忠;張建強;任雄偉;;基于人工蜂群算法優(yōu)化的改進高斯過程模型[J];國防科技大學學報;2014年01期

相關會議論文 前5條

1 劉信恩;肖世富;莫軍;;用于不確定性分析的高斯過程響應面模型設計點選擇方法研究[A];中國計算力學大會'2010（CCCM2010）暨第八屆南方計算力學學術會議（SCCM8）論文集[C];2010年

2 劉冬;張清華;;基于高斯過程的精密衛(wèi)星鐘差加密[A];第二屆中國衛(wèi)星導航學術年會電子文集[C];2011年

3 李雅芹;楊慧中;;一種基于仿射傳播聚類和高斯過程的多模型建模方法[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

4 趙級漢;張國敬;姜龍;魏巍;;基于疊加高斯過程的數字噪聲產生方法FPGA實現[A];第二十四屆全國空間探測學術交流會論文摘要集[C];2011年

5 何志昆;劉光斌;姚志成;趙曦晶;;基于高斯過程回歸的FOG標度因數溫度漂移建模新方法[A];第25屆中國控制與決策會議論文集[C];2013年

相關博士學位論文 前6條

1 王建民;礦山邊坡變形監(jiān)測數據的高斯過程智能分析與預測[D];太原理工大學;2016年

2 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學;2016年

3 潘偉;基于高斯過程的高爐煉鐵過程辨識與預測[D];浙江大學;2012年

4 賀建軍;基于高斯過程模型的機器學習算法研究及應用[D];大連理工大學;2012年

5 夏戰(zhàn)國;基于高斯過程的提升機軸承性能評測方法研究[D];中國礦業(yè)大學;2013年

6 趙偉;復雜工程結構可靠度分析的高斯過程動態(tài)響應面方法研究[D];廣西大學;2014年

相關碩士學位論文 前10條

1 李紅麗;回歸分析中的貝葉斯推斷技術的研究[D];江南大學;2015年

2 李勵耘;基于高斯過程的抓取規(guī)劃方法研究[D];哈爾濱工業(yè)大學;2015年

3 王雪茹;基于高斯過程的風電機組部件建模與監(jiān)測研究[D];華北電力大學;2015年

4 于立鑫;基于高斯過程—差異進化算法的隧道施工多元信息反分析研究[D];大連海事大學;2015年

5 戈財若;基于高斯過程的高光譜圖像分類算法研究[D];東華理工大學;2015年

6 葉婧;基于高斯過程回歸的鋰電池數據處理[D];北京交通大學;2016年

7 張棟;基于在線學習高斯過程有桿泵油井動態(tài)液面建模方法研究[D];東北大學;2014年

8 王奉偉;改進的局部均值分解和高斯過程在變形監(jiān)測數據處理中的應用研究[D];東華理工大學;2016年

9 曹瑜;基于高斯過程的非線性不確定延遲系統(tǒng)的模型預測控制[D];華中科技大學;2014年

10 張莉萍;基于廣義高斯過程回歸的函數型數據分析[D];東南大學;2016年

本文編號：2524490