基于概率假設密度的多目標跟蹤算法研究.pdf

1、近年來，因為能夠處理目標數(shù)目未知且隨時間變化、觀測與目標關(guān)聯(lián)不確定等情況下的多目標跟蹤問題，概率假設密度(Probability Hypothesis Density, PHD)濾波算法逐漸成為了多目標跟蹤領(lǐng)域的一個研究熱點。而當動態(tài)系統(tǒng)模型為強非線性非高斯時，粒子濾波實現(xiàn)的PHD(Particle-PHD, P-PHD)算法是解決這類問題的有效方法，因此本文以 P-PHD濾波為研究核心，對P-PHD濾波在多個點目標和多個群體目標跟蹤應

2、用中的理論和技術(shù)展開研究。
　　P-PHD是一種無需進行數(shù)據(jù)關(guān)聯(lián)的多目標跟蹤算法，可以很好的適應高雜波背景下的多個點目標和多個群目標跟蹤情況。在P-PHD濾波過程中，有關(guān)目標的數(shù)目和狀態(tài)信息被包含在一組帶有權(quán)值粒子所表征的強度函數(shù)中。當需要提取目標狀態(tài)時，P-PHD算法利用EM或者k-means等算法從重采樣后的粒子集合中提取出多個目標的狀態(tài)和數(shù)目，但是這些聚類算法為了獲得目標狀態(tài)估計，需要花費很長的計算時間。除此之外，P-PHD

3、算法的實現(xiàn)方式——粒子濾波在迭代過程中存在著粒子多樣性缺失問題，這會影響到P-PHD算法對目標數(shù)目以及目標狀態(tài)的估計精度，而且目標狀態(tài)維數(shù)越高，粒子多樣性缺失問題對P-PHD算法性能的影響就越大。因此，對于同時需要進行質(zhì)心狀態(tài)和目標形狀估計的群目標跟蹤P-PHD算法而言，粒子多樣性缺失對算法性能影響更大。
　　為了降低現(xiàn)有 P-PHD算法在提取目標狀態(tài)過程中計算量大以及濾波過程中的粒子多樣性缺失問題，本文根據(jù)多個點目標和多個群目標

4、的特點，分別提出兩種相應的改進方法：1）針對多個點目標，本文先利用基本重采樣算法對更新后的粒子進行基于觀測信息的分類操作，從而刪除了P-PHD算法中的EM或者k-means等計算量大的步驟。然后再利用UKF算法對每個保留下來的粒子進行基于其對應有效觀測的移動過程，以此來增加粒子多樣性，提高算法對多個點目標的狀態(tài)和數(shù)目估計精度。2)針對多個群目標跟蹤，本文把群內(nèi)每個產(chǎn)生有效觀測的反射點當作一個點目標。然后利用前面提到的針對多個點目標P-P