【摘要】：在多目標(biāo)跟蹤中,隨機(jī)濾波方程可以用來建立模型,解決多目標(biāo)狀態(tài)和觀測信息受到噪音和雜波干擾的問題。隨機(jī)濾波方程不僅在多目標(biāo)跟蹤領(lǐng)域中占有非常重要的地位,而且與物理學(xué)、經(jīng)濟(jì)學(xué)、生物動力學(xué)、隨機(jī)控制等領(lǐng)域的實(shí)際問題都密切相關(guān)。因此,隨機(jī)濾波方程具有很重要的理論研究和實(shí)際應(yīng)用意義。本文主要研究了隨機(jī)濾波方程的兩大方面問題:連續(xù)時間隨機(jī)濾波方程的狀態(tài)過程數(shù)值求解,以及離散的隨機(jī)濾波方程在顯微目標(biāo)跟蹤中的應(yīng)用。針對半線性隨機(jī)濾波狀態(tài)方程,應(yīng)用指數(shù)Euler方法對其進(jìn)行求解,證明該方法求解半線性方程時的收斂階為0.5,同時利用隨機(jī)分析理論,研究該數(shù)值格式的均方漸進(jìn)穩(wěn)定性以及均方穩(wěn)定區(qū)域,并與已有的Euler-Maruyama方法進(jìn)行比較,指數(shù)Euler方法具有更好的均方穩(wěn)定性。針對連續(xù)時間的隨機(jī)偏微分濾波方程,考慮乘性Q-Wiener過程驅(qū)動的噪音情況,通過Galerkin方法對空間離散,隨機(jī)指數(shù)積分方法對時間離散,并且噪音的截?cái)鄶?shù)目與Galerkin的截?cái)鄶?shù)目不一樣,得到了解的Lp收斂性。本文數(shù)值解法可以采用較少的隨機(jī)變量來近似噪音,比隱式Euler計(jì)算效率高。對于顯微視頻序列目標(biāo)跟蹤問題,通過離散時間的隨機(jī)濾波理論建立顯微目標(biāo)的狀態(tài)進(jìn)化方程和測量方程,采用粒子概率假設(shè)密度濾波方法對顯微目標(biāo)的狀態(tài)過程進(jìn)行估計(jì),得到濾波方程解狀態(tài)的概率密度分布,建立自動的跟蹤框架。針對點(diǎn)目標(biāo)導(dǎo)致形狀特征信息丟失的情況,將顯微目標(biāo)用橢圓形狀建模,并且構(gòu)造基于形變矩陣的似然函數(shù)模型,提高隨機(jī)濾波方程的狀態(tài)估計(jì)精確度。在顯微目標(biāo)的狀態(tài)關(guān)聯(lián)軌跡形成部分,按照測量信息將估計(jì)目標(biāo)的概率假設(shè)密度在粒子權(quán)值空間進(jìn)行分解,并且構(gòu)建概率假設(shè)密度率濾波的雙層分解狀態(tài)關(guān)聯(lián)算法,根據(jù)相鄰時刻估計(jì)目標(biāo)的概率密度關(guān)聯(lián)強(qiáng)度,對顯微目標(biāo)的狀態(tài)估計(jì)進(jìn)行關(guān)聯(lián),得到顯微目標(biāo)的動態(tài)運(yùn)動軌跡。針對顯微目標(biāo)軌跡交叉時候的復(fù)雜場景,提出了位置和方位角約束模型,對交叉軌跡的狀態(tài)關(guān)聯(lián)算法進(jìn)行優(yōu)化。
[Abstract]:In multi-target tracking, the random filtering equation can be used to build a model to solve the problem that multi-target state and observation information are disturbed by noise and clutter. The stochastic filtering equation not only plays a very important role in the field of multi-target tracking, but also is closely related to the practical problems in the fields of physics, economics, biodynamics, stochastic control and so on. Therefore, the stochastic filtering equation has important theoretical and practical significance. In this paper, we mainly study two aspects of stochastic filtering equation: the numerical solution of the state process of the continuous-time stochastic filtering equation, and the application of discrete stochastic filtering equation in the tracking of microscopic targets. For the semilinear stochastic filtering equation of state, the exponential Euler method is used to solve it. It is proved that the convergence order of this method is 0.5 when solving the semilinear equation. At the same time, the stochastic analysis theory is used. The asymptotic mean square stability and the mean square stability region of the numerical scheme are studied. Compared with the existing Euler-Maruyama method, the exponential Euler method has better mean square stability. For the stochastic partial differential filtering equation with continuous time, the noise driven by multiplicative Q-Wiener process is considered. The space is discretized by the Galerkin method, and the time is discrete by the random exponential integral method. Moreover, the number of truncation of noise is different from that of Galerkin, and the Lp convergence of the solution is obtained. The numerical method in this paper can use fewer random variables to approximate the noise, which is more efficient than the implicit Euler method. For the target tracking problem of microscopic video sequence, the state evolution equation and measurement equation of microscopic target are established by discrete time stochastic filtering theory, and the state process of microscopic target is estimated by particle probability hypothesis density filtering method. The probability density distribution of the solution state of the filter equation is obtained and an automatic tracking framework is established. In order to improve the accuracy of state estimation of stochastic filtering equation, the microscopic target is modeled by ellipse shape, and the likelihood function model based on deformation matrix is constructed to improve the accuracy of the state estimation of stochastic filtering equation in order to solve the problem of loss of information of shape feature caused by point target. The probability hypothetical density of the estimated target is decomposed in the particle weight space according to the measurement information in the formation part of the state association trajectory of the microscopic target, and a two-level decomposed state association algorithm based on probability hypothesis density rate filtering is constructed. Based on the estimation of the probability density correlation intensity of the target at the adjacent time, the state estimation of the microscopic target is correlated, and the dynamic trajectory of the microscopic target is obtained. A position and azimuth constraint model is proposed to optimize the state association algorithm for the complex scene when the trajectory of micro-objects is crossed.
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：O241.8

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 蘇艷蘋;王戰(zhàn)偉;;極坐標(biāo)系下的目標(biāo)運(yùn)動模型研究[J];河南科學(xué);2012年02期

相關(guān)會議論文 前2條

1 楚威;閻星娥;蘇春梅;;仿真系統(tǒng)中飛機(jī)目標(biāo)典型運(yùn)動模型的研究與實(shí)現(xiàn)[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

2 張曉勇;羅來源;;被動測向聲納目標(biāo)最近時刻估計(jì)[A];第六屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2012年

相關(guān)博士學(xué)位論文 前10條

1 馮肖雪;復(fù)雜環(huán)境下多傳感器目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];西北工業(yè)大學(xué);2015年

2 江同洋;基于隨機(jī)有限集的多目標(biāo)貝葉斯濾波方法研究[D];浙江大學(xué);2015年

3 史春妹;隨機(jī)濾波方程數(shù)值解法及顯微目標(biāo)跟蹤研究[D];哈爾濱工業(yè)大學(xué);2015年

4 趙海楠;視覺目標(biāo)跟蹤中表觀建模方法研究[D];哈爾濱工業(yè)大學(xué);2016年

5 張國亮;紅外多光譜多個弱小運(yùn)動目標(biāo)的檢測與跟蹤技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

6 顧菘;視頻目標(biāo)的跟蹤與分割的理論和方法研究[D];電子科技大學(xué);2016年

7 鐘金琴;基于視覺的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];合肥工業(yè)大學(xué);2014年

8 趙玲玲;目標(biāo)跟蹤中的粒子濾波與概率假設(shè)密度濾波研究[D];哈爾濱工業(yè)大學(xué);2011年

9 羅飛騰;目標(biāo)跟蹤的粒子濾波技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2010年

10 王勇;基于統(tǒng)計(jì)方法的運(yùn)動目標(biāo)檢測與跟蹤技術(shù)研究[D];華中科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 章聰;空中虛擬靶標(biāo)技術(shù)的研究[D];南京理工大學(xué);2015年

2 侯勝彬;基于OpenCV的運(yùn)動目標(biāo)檢測跟蹤的研究[D];電子科技大學(xué);2014年

3 伍俊橙;多目標(biāo)粒子濾波算法研究[D];電子科技大學(xué);2014年

4 廖良雄;基于隨機(jī)有限集的弱小目標(biāo)TBD方法研究[D];西安電子科技大學(xué);2014年

5 段羽浩;基于SE-WORKBENCH的飛機(jī)目標(biāo)雷達(dá)信號仿真[D];華中科技大學(xué);2014年

6 陳大龍;基于DSP的目標(biāo)檢測與跟蹤系統(tǒng)的研究與設(shè)計(jì)[D];燕山大學(xué);2016年

7 張儒元;基于PTZ鏡頭的主動目標(biāo)跟蹤[D];西安電子科技大學(xué);2009年

8 范晶晶;分布式多視角目標(biāo)跟蹤的統(tǒng)計(jì)推理方法及實(shí)現(xiàn)[D];復(fù)旦大學(xué);2011年

9 胡鵬;Kalman濾波在視頻目標(biāo)跟蹤中的應(yīng)用研究[D];重慶大學(xué);2010年

10 張虎;MeanShift粒子濾波算法在視頻目標(biāo)跟蹤中的應(yīng)用研究[D];廣西科技大學(xué);2013年

，

本文編號：2451211