復(fù)雜條件下多目標(biāo)跟蹤關(guān)鍵技術(shù)研究.pdf

1、鑒于多目標(biāo)跟蹤技術(shù)在信息感知領(lǐng)域的重要地位，大量研究者多年來一直持續(xù)對(duì)多目標(biāo)跟蹤技術(shù)進(jìn)行研究。目前針對(duì)協(xié)作式目標(biāo)的跟蹤技術(shù)已經(jīng)比較成熟，針對(duì)一般非協(xié)作目標(biāo)的跟蹤技術(shù)也正在完善之中，但是針對(duì)典型對(duì)抗性非協(xié)作軍事目標(biāo)的跟蹤技術(shù)仍面臨諸多困難。這些困難或源自目標(biāo)和環(huán)境特性，或源自傳感器本身。本文以典型多目標(biāo)跟蹤系統(tǒng)面臨的復(fù)雜目標(biāo)、環(huán)境和傳感器觀測(cè)條件下多目標(biāo)跟蹤需求為牽引，對(duì)多目標(biāo)跟蹤方法進(jìn)行了系統(tǒng)深入的學(xué)習(xí)、研究和探索，論文主要工作如下：<

2、br>　　第二章簡(jiǎn)要介紹了傳統(tǒng)多目標(biāo)跟蹤方法、基于隨機(jī)有限集（Random Finite Set,RFS）的多目標(biāo)跟蹤方法和多目標(biāo)跟蹤性能評(píng)估方法的理論基礎(chǔ)，為后續(xù)章節(jié)論述做好鋪墊。首先介紹傳統(tǒng)多目標(biāo)跟蹤方法，給出了單目標(biāo)貝葉斯濾波的具體推導(dǎo)過程，闡述了Kalman濾波算法與單目標(biāo)貝葉斯濾波的關(guān)系，并解釋了傳統(tǒng)多目標(biāo)跟蹤方法如何通過數(shù)據(jù)關(guān)聯(lián)技術(shù)，將多目標(biāo)跟蹤問題分解為若干并行單目標(biāo)貝葉斯濾波問題。其次介紹有限集統(tǒng)計(jì)學(xué)（Finite Se

3、t Statistics,FISST）和多目標(biāo)貝葉斯濾波，并給出多目標(biāo)貝葉斯濾波矩近似的推導(dǎo)方法及迭代邏輯。最后對(duì)多目標(biāo)跟蹤性能評(píng)估的目的和原理進(jìn)行闡述，介紹了傳統(tǒng)類評(píng)估方法和基于綜合度量的評(píng)估方法，并分析了各種評(píng)估方法的優(yōu)缺點(diǎn)。
　　第三章針對(duì)經(jīng)典聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（Joint Probabilistic Data Association,JPDA）算法在目標(biāo)密集時(shí)存在的航跡合并問題，提出了基于狀態(tài)偏差估計(jì)和去除的方法，并研究了使

4、用目標(biāo)屬性信息輔助的方法?；谄罟烙?jì)和去除方法僅使用目標(biāo)狀態(tài)信息，在構(gòu)建目標(biāo)-目標(biāo)關(guān)聯(lián)假設(shè)的基礎(chǔ)上給出JPDA算法目標(biāo)狀態(tài)估計(jì)偏差的計(jì)算邏輯，進(jìn)而去除偏差得到無偏JPDA算法；其與現(xiàn)有嘗試解決航跡合并問題算法的仿真結(jié)果對(duì)比，表明了該算法的有效性?；趯傩孕畔⑤o助的JPDA算法要求傳感器能夠提供目標(biāo)屬性信息，且僅在密集目標(biāo)間屬性不一致時(shí)才能實(shí)現(xiàn)航跡合并的有效抑制。本章在屬性輔助JPDA算法方面的研究主要側(cè)重于屬性關(guān)聯(lián)度量及門限的設(shè)計(jì)方面

5、，提出了一種基于奈曼-皮爾遜（Neyman Pearson,NP）準(zhǔn)則的屬性關(guān)聯(lián)度量及門限確定方法，用以克服傳統(tǒng)固定門限所存在的關(guān)聯(lián)性能不穩(wěn)定問題。該方法確定的門限是航跡屬性后驗(yàn)概率矢量和傳感器目標(biāo)屬性區(qū)分性能的函數(shù)，可使漏檢概率達(dá)到或盡可能接近預(yù)設(shè)值，對(duì)屬性輔助數(shù)據(jù)關(guān)聯(lián)中屬性門技術(shù)研究具有相當(dāng)?shù)膮⒖純r(jià)值。
　　第四章針對(duì)經(jīng)典勢(shì)概率假設(shè)密度（Cardinalized Probability Hypothesis Density,C

6、PHD）濾波器不能處理標(biāo)準(zhǔn)多目標(biāo)馬爾科夫模型中的衍生目標(biāo)模型問題，基于FISST推導(dǎo)出了考慮衍生目標(biāo)模型的一般CPHD濾波器迭代公式，并與現(xiàn)有嘗試解決該問題的若干方法進(jìn)行了對(duì)比和分析，證明了現(xiàn)有方法僅是所提出方法的特例。推導(dǎo)過程使用了Faàdi bruno’s行列式規(guī)則，并提出了高階Faàdi bruno’s行列式的可行迭代求解方法，使得所提出的一般CPHD濾波器迭代公式能夠方便工程實(shí)現(xiàn)。仿真結(jié)果表明了所提出方法的有效性。
　　第

7、五章提出了一種適用于非線性觀測(cè)條件的二項(xiàng)分裂高斯混合無跡Kalman概率假設(shè)密度（Binomial Splitting Gaussian Mixture Unscented Kalman Probability Hypothesis Density,BSGM-UKPHD）濾波器，使得高斯混合概率假設(shè)密度（Gaussian Mixture Probability Hypothesis Density,GM-PHD）濾波器的優(yōu)異性能在非線性

8、觀測(cè)條件下依然能夠得到保持。該算法對(duì)預(yù)測(cè)概率假設(shè)密度（Probabilistic Hypothesis Density,PHD）的每一高斯分量的非線性度進(jìn)行計(jì)算和評(píng)估，當(dāng)非線性度大于某一預(yù)設(shè)門限時(shí)，對(duì)高斯分量進(jìn)行二項(xiàng)分解，于是得到一族非線性度較小的高斯分量，從而使得非線性觀測(cè)引起的狀態(tài)更新誤差得到有效抑制，也就使得PHD算法優(yōu)異性能在非線性觀測(cè)條件下得到保持。仿真結(jié)果表明，提出方法性能顯著優(yōu)于兩種傳統(tǒng)方法。
　　第六章提出了一種適

9、用于集中式異步異類觀測(cè)條件的真實(shí)更新時(shí)間高斯混合概率假設(shè)密度（Real Update Time GM-PHD,RUT-GM-PHD）算法。首先分析了集中式異步異類觀測(cè)條件下多目標(biāo)跟蹤算法難以實(shí)施的本質(zhì)原因，發(fā)現(xiàn)問題關(guān)鍵在于一般的目標(biāo)運(yùn)動(dòng)模型和觀測(cè)模型難以準(zhǔn)確描述異步異類這種復(fù)雜的觀測(cè)條件，進(jìn)而對(duì)PHD高斯分量引入更新時(shí)間標(biāo)記，從而提出RUT-GM-PHD算法。兩個(gè)較為簡(jiǎn)單的異步異類觀測(cè)條件下的仿真結(jié)果表明了所提出方法的優(yōu)良性能。最后，闡