原文传递
基于随机有限集的多目标跟踪算法研究
| 论文题名： | 基于随机有限集的多目标跟踪算法研究 |
| 关键词： | 多目标跟踪;随机有限集;被动探测;高斯混合概率假设密度滤波器;前后向平滑算法 |
| 摘要： | 多目标跟踪(Multi-TargetTracking，MTT)技术是指利用传感器量测数据，持续对目标数目和运动状态进行估计的方法，如今随着传感器性能的不断提升，多目标跟踪技术在信号处理过程中发挥着日益重要的作用。本文针对被动探测条件下的多目标跟踪问题，在随机有限集(RandomFiniteSet，RFS)理论框架下，对概率假设密度(ProbabilityHypothesisDensity，PHD)多目标跟踪算法展开研究。 本文首先对随机有限集的相关理论及其框架下的多目标贝叶斯滤波器进行详细介绍，随后重点研究了多目标贝叶斯滤波器在线性高斯条件下的一阶矩近似实现方法一一高斯混合概率假设密度滤波器(GaussianMixturePHD，GM-PHD)，并针对其在工程应用中的不足提出相关改进方法。 标准的GM-PHD算法将新生目标的先验概率假设密度建模为一个高斯混合分布，只能对特定位置出现的目标进行跟踪，不适用于目标随机出现的跟踪场景，针对该问题，本文将目标新生先验概率假设密度建模为部分均匀分布模型并针对该模型提出一种量测集划分策略，对每一时刻的杂波进行筛除，有效地降低了杂波对于目标状态估计的干扰并提高了滤波器的运算效率。 在GM-PHD滤波算法的基础上，对滤波结果进行平滑，可以进一步提高跟踪结果的精度。本文分别使用前后向平滑和RTS(Rauch-Tung-Striebel-smoother)平滑对滤波结果进行平滑处理。针对前后向平滑算法在目标漏检和消失时不能正确估计目标个数的问题，提出一种改进算法，通过对比滤波结果和平滑结果，对平滑后死亡和漏检项高斯分量权重进行更新，提高了平滑算法目标个数估计的准确性。 此外，针对交叉目标场景中目标批次混乱和状态估计精度较低等问题，本文根据目标与量测的一对一关系假设，设计了权重修正方案，对每一时刻更新后的PHD分布进行优化，在提高交叉目标估计精度的同时可正确对目标进行批次划分。 |
| 作者： | 卢鹏博 |
| 专业： | 水声工程 |
| 导师： | 齐滨 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
