【摘要】：傳統(tǒng)目標跟蹤方法中通常將目標看作點目標,忽略其形狀特征,僅估計目標的運動狀態(tài)。隨著高分辨率傳感器的廣泛應用,傳感器每一采樣時刻能夠獲得目標的多個量測,此時點目標模型難以準確描述目標的完整狀態(tài),導致跟蹤性能下降甚至失效。因此,迫切需要新的目標模型既能描述目標的運動狀態(tài),又能描述目標的形狀特性即擴展狀態(tài),擴展目標跟蹤算法應運而生,已成為目標跟蹤領域研究難點和熱點。本論文以隨機有限集(Random Finite Set,RFS)濾波為理論基礎,針對伯努利濾波、勢均衡多目標多伯努利(Cardinality Balanced Multi-Target Multi-Bernoulli,CBMeMBer)濾波以及標簽多伯努利(Labeled Multi-Bernoulli,LMB)濾波中的目標擴展狀態(tài)估計問題開展研究,重點研究基于隨機超曲面模型的RFS濾波算法,主要研究內(nèi)容和取得的成果如下:1.針對單橢圓擴展目標跟蹤中存在的擴展狀態(tài)估計不準確問題,以隨機超曲面和伯努利擴展目標跟蹤算法為基礎,提出了一種相應的序列蒙塔卡羅(Sequential Importance Sampling,SMC)實現(xiàn)方法。該算法將隨機超曲面模型和伯努利濾波算法相結(jié)合,用隨機超曲面模型建模目標量測源,根據(jù)量測源分布描述目標的形狀信息,從而準確估計出目標的擴展狀態(tài)。實驗結(jié)果表明,所提算法的跟蹤性能優(yōu)于伯努利擴展目標跟蹤算法,并且可提高目標擴展狀態(tài)估計的精度,具有良好的應用價值。2.針對擴展目標CBMeMBer濾波算法無法估計目標擴展狀態(tài)問題,以隨機超曲面和CBMeMBer擴展目標跟蹤算法為基礎,提出一種序列蒙特卡洛的實現(xiàn)方法。該算法通過隨機超曲面的隨機尺度因子獲取量測源的分布集合,從中選取量測源,合理描述了目標先驗信息缺失的情況。在描述目標狀態(tài)時,將描述擴展狀態(tài)的參數(shù)融入到運動狀態(tài)向量中,有效避免了矩陣處理。實驗結(jié)果表明,所提算法在提高跟蹤性能的同時可精確估計出目標的擴展狀態(tài),并具有良好的應用前景。3.針對傳統(tǒng)多擴展目標跟蹤過程中無法形成有效目標軌跡問題,結(jié)合隨機超曲面和LMB跟蹤算法,提出一種伽馬高斯混合(Gamma Gaussian Mixture,GGM)的實現(xiàn)方法。該算法的核心是在目標狀態(tài)更新前對量測源建模,通過量測源的分布描述目標的擴展狀態(tài),可實現(xiàn)目標擴展狀態(tài)的準確估計,同時考慮了各個目標的運動軌跡。仿真實驗驗證了所提算法的跟蹤性能和良好的實際應用價值。
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN713
【圖文】：

第 50 幀 第 75 幀圖 4.9 視頻跟蹤結(jié)果圖 4.9 展示了視頻跟蹤過程中第 1 幀、第 30 幀、第 50 幀以及第 75 幀的跟蹤結(jié)果圖，圖中綠色點表示屬于目標的角點，紅色橢圓為用本章所提算法對目標跟蹤的結(jié)果。第 50 幀中黑色車輛剛進入觀測區(qū)域，擴展估計有所偏差，但是偏差隨后很快消

目標的新生時間，i表示用來區(qū)分同一時刻新生目標的編號，目標標簽示意圖如圖 5.1所示。圖5.1 目標標簽示意圖為了后續(xù)標簽隨機有限集描述方便，這里定義多目標指數(shù)函數(shù)為

【參考文獻】

相關期刊論文 前2條

1 李振興;劉進忙;李松;白東穎;倪鵬;;基于箱式粒子濾波的群目標跟蹤算法[J];自動化學報;2015年04期

2 連峰;韓崇昭;劉偉峰;元向輝;;高斯混合擴展目標概率假設密度濾波器的收斂性分析[J];自動化學報;2012年08期

本文編號：2726232