【摘要】：基于隨機(jī)有限集的多目標(biāo)跟蹤方法是近年來(lái)目標(biāo)跟蹤領(lǐng)域的研究熱點(diǎn),該方法采用隨機(jī)有限集描述目標(biāo)狀態(tài)和傳感器量測(cè),將多目標(biāo)跟蹤轉(zhuǎn)換為單目標(biāo)跟蹤,避免了數(shù)據(jù)關(guān)聯(lián)難點(diǎn)。本文以隨機(jī)有限集理論為基礎(chǔ),對(duì)復(fù)雜場(chǎng)景下的多目標(biāo)跟蹤方法進(jìn)行了研究,主要研究?jī)?nèi)容如下:針對(duì)未知雜波強(qiáng)度下的多目標(biāo)跟蹤,提出了一種加速期望最大化概率假設(shè)密度(AEM-PHD)平滑濾波算法。首先,對(duì)雜波的強(qiáng)度進(jìn)行建模;其次,根據(jù)雜波的量測(cè)估計(jì)出雜波的個(gè)數(shù);然后,利用高斯有限混合模型對(duì)雜波密度函數(shù)進(jìn)行建模,高斯有限混合模型的參數(shù)由AEM算法估計(jì)得到;最后,由PHD濾波器對(duì)多目標(biāo)狀態(tài)進(jìn)行估計(jì),并對(duì)估計(jì)值進(jìn)行了平滑。仿真結(jié)果表明,在未知雜波下,所提算法能準(zhǔn)確估計(jì)出雜波的參數(shù),跟蹤的精度更高、估計(jì)的目標(biāo)數(shù)目更準(zhǔn)確。針對(duì)多擴(kuò)展目標(biāo)跟蹤的量測(cè)劃分,提出了一種基于時(shí)空關(guān)聯(lián)-網(wǎng)格聚類量測(cè)劃分的多擴(kuò)展目標(biāo)跟蹤算法。首先,根據(jù)時(shí)空相關(guān)性將當(dāng)前量測(cè)分為存活擴(kuò)展目標(biāo)量測(cè)和新生擴(kuò)展目標(biāo)量測(cè);其次,對(duì)存活擴(kuò)展目標(biāo)采用FCM算法進(jìn)行量測(cè)劃分,對(duì)新生擴(kuò)展目標(biāo)采用網(wǎng)格聚類完成量測(cè)集劃分;最后,由GM-PHD濾波器得到存活擴(kuò)展目標(biāo)的軌跡,由ET-GM-PHD濾波器得到新生擴(kuò)展目標(biāo)的軌跡。仿真結(jié)果表明,所提算法能夠?qū)Χ鄶U(kuò)展目標(biāo)進(jìn)行準(zhǔn)確跟蹤,算法的跟蹤精度更高、運(yùn)行時(shí)間更少。針對(duì)GM-PHD濾波算法在非線性條件下跟蹤機(jī)動(dòng)目標(biāo)精度較低的問(wèn)題,提出了一種基于修正IMM的UT-GMPHD多機(jī)動(dòng)目標(biāo)跟蹤算法。首先,對(duì)IMM算法的模型轉(zhuǎn)移概率進(jìn)行了修正;其次,采用UT技術(shù)對(duì)非線性狀態(tài)方程和非線性量測(cè)方程進(jìn)行處理;最后,由修正IMM的UT-GMPHD濾波器跟蹤多機(jī)動(dòng)目標(biāo)。仿真結(jié)果表明,所提算法能夠?qū)Χ鄼C(jī)動(dòng)目標(biāo)進(jìn)行持續(xù)穩(wěn)定的跟蹤,跟蹤性能優(yōu)于傳統(tǒng)的GM-PHD跟蹤算法。開(kāi)發(fā)了多目標(biāo)跟蹤軟件實(shí)驗(yàn)平臺(tái),該平臺(tái)包含了未知雜波下多目標(biāo)跟蹤、擴(kuò)展目標(biāo)跟蹤、多機(jī)動(dòng)目標(biāo)跟蹤等模塊,擁有良好的人機(jī)交互界面,能夠快速地調(diào)用算法并對(duì)仿真結(jié)果進(jìn)行展示。
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN713
【圖文】：

南京航空航天大學(xué)碩士學(xué)位論文驗(yàn)證了該算法的有效性。第五章為多目標(biāo)跟蹤軟件實(shí)驗(yàn)平臺(tái)的介紹。該實(shí)驗(yàn)平臺(tái)采用人機(jī)交互模式，能夠方便用跟蹤算法，并對(duì)算法的仿真效果進(jìn)行了展示。第六章為論文的總結(jié)與展望。首先，對(duì)本文的研究工作進(jìn)行了總結(jié)；然后，分析了本在的不足之處；最后，對(duì)多目標(biāo)跟蹤技術(shù)的未來(lái)研究方向進(jìn)行了下一步展望。

圖 4. 1 標(biāo)準(zhǔn) IMM 算法流程圖法的各個(gè)模塊之前，給出以下變量的定義。動(dòng)目標(biāo)在k時(shí)刻運(yùn)動(dòng)模型為p的目標(biāo)狀態(tài)。動(dòng)目標(biāo)在k時(shí)刻運(yùn)動(dòng)模型為p的模型概率。動(dòng)目標(biāo)在 k 時(shí)刻運(yùn)動(dòng)模型為p的協(xié)方差矩陣。動(dòng)目標(biāo)在 k 時(shí)刻運(yùn)動(dòng)模型為p的似然函數(shù)�；ズ髾C(jī)動(dòng)目標(biāo)在k 時(shí)刻運(yùn)動(dòng)模型為 p的目標(biāo)狀態(tài)，該交互后機(jī)動(dòng)目標(biāo)在k 時(shí)刻運(yùn)動(dòng)模型為p的協(xié)方差矩陣。動(dòng)目標(biāo)運(yùn)動(dòng)模型由p變?yōu)閝的轉(zhuǎn)移概率。機(jī)動(dòng)目標(biāo)的狀態(tài)為k 1,px 、協(xié)方差矩陣為k 1,pP 、運(yùn)動(dòng)移概率為pq 。IMM 算法的具體實(shí)現(xiàn)步驟如下： k 1時(shí)刻的運(yùn)動(dòng)模型從模型p轉(zhuǎn)移到模型q的條件概1, 1,1, 1,2, k pq pq k pqp q c

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 韓玉蘭;任重義;韓崇昭;;多擴(kuò)展目標(biāo)濾波器的量測(cè)集劃分算法[J];壓電與聲光;2015年04期

2 宋驪平;嚴(yán)超;姬紅兵;梁萌;;基于箱粒子的多擴(kuò)展目標(biāo)PHD濾波[J];控制與決策;2015年10期

3 孔云波;馮新喜;危璋;;利用高斯混合概率假設(shè)密度濾波器對(duì)擴(kuò)展目標(biāo)量測(cè)集進(jìn)行劃分[J];西安交通大學(xué)學(xué)報(bào);2015年07期

4 李翠蕓;江舟;李斌;周旋;;未知雜波環(huán)境的GM-PHD平滑濾波器[J];西安電子科技大學(xué)學(xué)報(bào);2015年05期

5 張慧;徐暉;安瑋;盛衛(wèi)東;龍?jiān)评?;一種基于多模型高斯逆Wishart PHD濾波器的空間鄰近目標(biāo)跟蹤方法[J];紅外與毫米波學(xué)報(bào);2014年02期

6 瑚成祥;劉貴喜;董亮;王明;張菁超;;區(qū)域雜波估計(jì)的多目標(biāo)跟蹤方法[J];航空學(xué)報(bào);2014年04期

7 李誠(chéng)剛;趙佳寶;陳兆榮;;Visual C#與Matlab混合編程在可視化軟件中的應(yīng)用[J];軟件;2012年02期

8 郝燕玲;孟凡彬;孫楓;沈鋒;;基于IMM的UK-GMPHDF算法在多機(jī)動(dòng)目標(biāo)跟蹤中的應(yīng)用[J];系統(tǒng)工程理論與實(shí)踐;2011年11期

9 許江湖 ,陳康 ,嵇成新;目標(biāo)跟蹤中的多模型估計(jì)算法綜述[J];情報(bào)指揮控制系統(tǒng)與仿真技術(shù);2002年05期

相關(guān)博士學(xué)位論文 前2條

1 胡子軍;基于隨機(jī)有限集的雷達(dá)多目標(biāo)跟蹤算法研究[D];西安電子科技大學(xué);2015年

2 連峰;基于隨機(jī)有限集的多目標(biāo)跟蹤方法研究[D];西安交通大學(xué);2009年

本文編號(hào)：2721424