基于概率假設(shè)密度的多目標(biāo)跟蹤算法研究.pdf

1、近年來(lái)，因?yàn)槟軌蛱幚砟繕?biāo)數(shù)目未知且隨時(shí)間變化、觀測(cè)與目標(biāo)關(guān)聯(lián)不確定等情況下的多目標(biāo)跟蹤問(wèn)題，概率假設(shè)密度(Probability Hypothesis Density, PHD)濾波算法逐漸成為了多目標(biāo)跟蹤領(lǐng)域的一個(gè)研究熱點(diǎn)。而當(dāng)動(dòng)態(tài)系統(tǒng)模型為強(qiáng)非線性非高斯時(shí)，粒子濾波實(shí)現(xiàn)的PHD(Particle-PHD, P-PHD)算法是解決這類問(wèn)題的有效方法，因此本文以 P-PHD濾波為研究核心，對(duì)P-PHD濾波在多個(gè)點(diǎn)目標(biāo)和多個(gè)群體目標(biāo)跟蹤應(yīng)

2、用中的理論和技術(shù)展開(kāi)研究。
　　P-PHD是一種無(wú)需進(jìn)行數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤算法，可以很好的適應(yīng)高雜波背景下的多個(gè)點(diǎn)目標(biāo)和多個(gè)群目標(biāo)跟蹤情況。在P-PHD濾波過(guò)程中，有關(guān)目標(biāo)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(qiáng)度函數(shù)中。當(dāng)需要提取目標(biāo)狀態(tài)時(shí)，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(gè)目標(biāo)的狀態(tài)和數(shù)目，但是這些聚類算法為了獲得目標(biāo)狀態(tài)估計(jì)，需要花費(fèi)很長(zhǎng)的計(jì)算時(shí)間。除此之外，P-PHD

3、算法的實(shí)現(xiàn)方式——粒子濾波在迭代過(guò)程中存在著粒子多樣性缺失問(wèn)題，這會(huì)影響到P-PHD算法對(duì)目標(biāo)數(shù)目以及目標(biāo)狀態(tài)的估計(jì)精度，而且目標(biāo)狀態(tài)維數(shù)越高，粒子多樣性缺失問(wèn)題對(duì)P-PHD算法性能的影響就越大。因此，對(duì)于同時(shí)需要進(jìn)行質(zhì)心狀態(tài)和目標(biāo)形狀估計(jì)的群目標(biāo)跟蹤P-PHD算法而言，粒子多樣性缺失對(duì)算法性能影響更大。
　　為了降低現(xiàn)有 P-PHD算法在提取目標(biāo)狀態(tài)過(guò)程中計(jì)算量大以及濾波過(guò)程中的粒子多樣性缺失問(wèn)題，本文根據(jù)多個(gè)點(diǎn)目標(biāo)和多個(gè)群目標(biāo)

4、的特點(diǎn)，分別提出兩種相應(yīng)的改進(jìn)方法：1）針對(duì)多個(gè)點(diǎn)目標(biāo)，本文先利用基本重采樣算法對(duì)更新后的粒子進(jìn)行基于觀測(cè)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(jì)算量大的步驟。然后再利用UKF算法對(duì)每個(gè)保留下來(lái)的粒子進(jìn)行基于其對(duì)應(yīng)有效觀測(cè)的移動(dòng)過(guò)程，以此來(lái)增加粒子多樣性，提高算法對(duì)多個(gè)點(diǎn)目標(biāo)的狀態(tài)和數(shù)目估計(jì)精度。2)針對(duì)多個(gè)群目標(biāo)跟蹤，本文把群內(nèi)每個(gè)產(chǎn)生有效觀測(cè)的反射點(diǎn)當(dāng)作一個(gè)點(diǎn)目標(biāo)。然后利用前面提到的針對(duì)多個(gè)點(diǎn)目標(biāo)P-P