地面多目標(biāo)跟蹤技術(shù)通過單個(gè)或者多個(gè)傳感器獲取地面多目標(biāo)(如坦克、車輛等)的量測(cè)信息,估計(jì)地面目標(biāo)的數(shù)量、運(yùn)動(dòng)狀態(tài)及運(yùn)動(dòng)軌跡。實(shí)際中,受復(fù)雜地形等因素的影響,目標(biāo)狀態(tài)信息(位置、速度、加速度等)及數(shù)目隨著時(shí)間而隨機(jī)變化;此外,受城市高大建筑物及樹木叢林的遮擋、漏檢以及雜波等因素影響,傳感器的量測(cè)和數(shù)目同樣也隨時(shí)間隨機(jī)變化。上述問題造成目標(biāo)狀態(tài)與傳感器的量測(cè)難以有效關(guān)聯(lián),極大限制了基于數(shù)據(jù)關(guān)聯(lián)跟蹤算法的跟蹤性能�；陔S機(jī)有限集的地面多目標(biāo)跟蹤方法將多目標(biāo)的狀態(tài)集和傳感器的量測(cè)集建模為隨機(jī)有限集的形式,避免了目標(biāo)狀態(tài)集和量測(cè)集關(guān)聯(lián)關(guān)系對(duì)算法性能的制約,為地面多目標(biāo)跟蹤方法的研究提供了良好的解決思路。δ-廣義標(biāo)簽多伯努利濾波器(δ-GLMB)是基于隨機(jī)有限集濾波方法中較為常用的方法之一,具有強(qiáng)魯棒性、可直接估計(jì)運(yùn)動(dòng)目標(biāo)軌跡的優(yōu)勢(shì)。因此,本文將δ-GLMB算法應(yīng)用于地面多目標(biāo)跟蹤場(chǎng)景。針對(duì)地面多目標(biāo)跟蹤場(chǎng)景的強(qiáng)非線性、強(qiáng)雜波的特點(diǎn),本文從兩個(gè)方面開展研究:(1)為提高非線性場(chǎng)景的地面目標(biāo)跟蹤精度,提出基于均方根容積卡爾曼(SCKF)的δ-GLMB高斯混合實(shí)現(xiàn)算法。該算法將SCKF應(yīng)用于高斯混合(...

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 研究目的及意義
    1.2 多目標(biāo)跟蹤技術(shù)的國(guó)內(nèi)外發(fā)展及研究現(xiàn)狀
        1.2.1 基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤研究進(jìn)展
        1.2.2 基于隨機(jī)有限集的多目標(biāo)跟蹤研究進(jìn)展
    1.3 課題研究的主要內(nèi)容及工作安排
        1.3.1 研究?jī)?nèi)容
        1.3.2 章節(jié)安排
2.基于MeMBer的多目標(biāo)跟蹤理論基礎(chǔ)
    2.1 隨機(jī)有限集理論基礎(chǔ)
        2.1.1 多目標(biāo)狀態(tài)下隨機(jī)有限集的定義
        2.1.2 多目標(biāo)狀態(tài)及傳感器量測(cè)的集合表示
        2.1.3 標(biāo)簽隨機(jī)有限集
    2.2 多伯努利濾波算法基礎(chǔ)
        2.2.1 多目標(biāo)貝葉斯濾波器
        2.2.2 多目標(biāo)貝葉斯濾波器(MeMBer)
        2.2.3 δ-廣義標(biāo)簽多目標(biāo)多伯努利跟蹤濾波(δ-GLMB)
    2.3 多目標(biāo)跟蹤技術(shù)的評(píng)價(jià)指標(biāo)
        2.3.1 豪斯多夫距離
        2.3.2 威士頓距離
        2.3.3 最優(yōu)子模式分配
    2.4 本章小結(jié)
3.基于SCKF的 GM-δ-GLMB地面多目標(biāo)跟蹤算法
    3.1 δ-GLMB跟蹤濾波實(shí)現(xiàn)方法
        3.1.1 δ-GLMB跟蹤濾波器的序列蒙特卡洛實(shí)現(xiàn)過程
        3.1.2 δ-GLMB跟蹤濾波器的高斯混合實(shí)現(xiàn)過程
    3.2 基于SCKF的 GM-δ-GLMB跟蹤濾波算法
        3.2.1 均方根容積卡爾曼濾波器(SCKF)
        3.2.2 基于SCKF的δ-GLMB跟蹤濾波器的高斯混合實(shí)現(xiàn)
    3.3 仿真實(shí)驗(yàn)結(jié)果與分析
        3.3.1 地面跟蹤場(chǎng)景下仿真實(shí)驗(yàn)的場(chǎng)景設(shè)置
        3.3.2 固定雜波密度下多種算法的結(jié)果對(duì)比分析
        3.3.3 不同雜波密度下改進(jìn)算法的結(jié)果與分析
    3.4 本章小結(jié)
4.面向強(qiáng)雜波密度場(chǎng)景的改進(jìn)CKF-GM-δ-GLMB跟蹤濾波算法
    4.1 基于CKF的 GM-δ-GLMB跟蹤濾波算法
        4.1.1 容積卡爾曼濾波(CKF)
        4.1.2 跟蹤濾波算法的實(shí)現(xiàn)過程
    4.2 基于距離加權(quán)的量測(cè)合并策略
        4.2.1 基本原理
        4.2.2 算法具體實(shí)現(xiàn)及實(shí)現(xiàn)流程
    4.3 仿真實(shí)驗(yàn)結(jié)果與分析
        4.3.1 地面跟蹤場(chǎng)景下仿真實(shí)驗(yàn)的場(chǎng)景設(shè)置
        4.3.2 仿真實(shí)驗(yàn)結(jié)果分析
        4.3.3 強(qiáng)雜波密度下改進(jìn)算法的結(jié)果分析
    4.4 本章小結(jié)
5.總結(jié)與展望
    5.1 總結(jié)
    5.2 未來展望
參考文獻(xiàn)
碩士研究生階段取得的成果
致謝



本文編號(hào)：3840675