基于天基平臺(tái)觀測(cè)的點(diǎn)目標(biāo)受到大量恒星、雜波、虛警和噪聲等干擾因素的影響,使得我們?cè)诶酶咚够旌细怕始僭O(shè)濾波（Gaussian Mixture Probability Hypothesis Density Filter,GM-PHD）對(duì)星空背景中的多個(gè)點(diǎn)目標(biāo)進(jìn)行跟蹤時(shí),出現(xiàn)了十分明顯的錯(cuò)誤。其主要原因可總結(jié)為兩點(diǎn):1)運(yùn)動(dòng)的傳感器平臺(tái)造成了運(yùn)動(dòng)的目標(biāo)背景,這使得待跟蹤目標(biāo)周圍的恒星擁有了和運(yùn)動(dòng)目標(biāo)類似的運(yùn)行軌跡。2)GM-PHD算法的使用場(chǎng)景沒有考慮到雜波會(huì)和目標(biāo)一樣,時(shí)刻存在于觀測(cè)域中的情況。上述兩點(diǎn)原因,導(dǎo)致了GM-PHD算法無法區(qū)分恒星和目標(biāo)的觀測(cè)值。這使得算法在執(zhí)行更新操作時(shí),無區(qū)別的把恒星的觀測(cè)值當(dāng)做真實(shí)目標(biāo)的觀測(cè)值,并在目標(biāo)逐漸靠近恒星的過程中,恒星的預(yù)測(cè)權(quán)重會(huì)逐漸大于0.5的修剪閾值,最終在目標(biāo)的狀態(tài)提取過程中把恒星當(dāng)做真實(shí)目標(biāo)的衍生新目標(biāo)進(jìn)行輸出。為了提高GM-PHD算法在基于天基平臺(tái)觀測(cè)場(chǎng)景中保持對(duì)點(diǎn)目標(biāo)正確跟蹤的能力,本文針對(duì)目標(biāo)線性運(yùn)動(dòng)和非線性運(yùn)動(dòng)的兩種不同情況,分別提出了閾值分離聚類算法和運(yùn)動(dòng)模板權(quán)重懲罰算法。這兩種改進(jìn)算法使得GM-PHD算法擁有了區(qū)分恒星和真實(shí)... 

【文章來源】：西華大學(xué)四川省

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

觀測(cè)數(shù)據(jù)以目標(biāo)為中心聚集示意圖

西華大學(xué)碩士學(xué)位論文173.4實(shí)驗(yàn)結(jié)果與分析3.4.1Tycho-2模擬數(shù)據(jù)集我們采用包含恒星赤經(jīng)、赤維、赤經(jīng)自行、赤緯自行及星等等信息的Tycho-2星表來模擬真實(shí)的星空運(yùn)動(dòng)場(chǎng)景。研究星空表的成像方法有利于還原實(shí)際的跟蹤環(huán)境。在場(chǎng)景中，每一個(gè)目標(biāo)都是以不同的速度，結(jié)合不同的觀測(cè)方位角，高度角，星等來進(jìn)行數(shù)據(jù)的模擬，并在成像時(shí)加入一定的泊松噪聲。為體現(xiàn)算法的普適性，模擬了以下四種復(fù)雜度依次增加的數(shù)據(jù)集場(chǎng)景。圖3.2場(chǎng)景一中50個(gè)時(shí)間步數(shù)據(jù)集Figure3.2DataSetsof50TtimeStepsinScenario1（1）場(chǎng)景一數(shù)據(jù)集。如圖3.2所示，在該數(shù)據(jù)集中，恒星運(yùn)動(dòng)比較緩慢，跟蹤環(huán)境比較簡(jiǎn)單。最上方的目標(biāo)會(huì)連續(xù)經(jīng)過被三顆恒星包裹的區(qū)域，而其他目標(biāo)在運(yùn)動(dòng)過程中偶爾被恒星干擾。

場(chǎng)景二中50個(gè)時(shí)間步數(shù)據(jù)集Figure3.3DataSetsof50TimeStepsinScenario2

【參考文獻(xiàn)】：
期刊論文
[1]采用目標(biāo)背景建模的毫米波弱小目標(biāo)檢測(cè)[J]. 高志升,耿龍,張鋮方,胡占強(qiáng).  光學(xué)精密工程. 2016(10)



本文編號(hào)：3105387