目標(biāo)跟蹤中的粒子濾波與概率假設(shè)密度濾波研究.pdf

1、點(diǎn)目標(biāo)跟蹤問題是指在雜波環(huán)境中，根據(jù)受噪聲干擾的傳感器測(cè)量序列，對(duì)可以忽略形狀、顏色等外觀信息的目標(biāo)狀態(tài)進(jìn)行估計(jì)，并估計(jì)出目標(biāo)航跡的過程。點(diǎn)目標(biāo)跟蹤在定位、導(dǎo)航、工業(yè)控制等軍事和民用領(lǐng)域有著廣泛的應(yīng)用。
　　根據(jù)監(jiān)測(cè)區(qū)域內(nèi)目標(biāo)的個(gè)數(shù)，點(diǎn)目標(biāo)跟蹤可以劃分為單目標(biāo)跟蹤和多目標(biāo)跟蹤，單目標(biāo)跟蹤中如何利用測(cè)量進(jìn)行有效的濾波，實(shí)時(shí)給出準(zhǔn)確的狀態(tài)估計(jì)是其研究的核心內(nèi)容；根據(jù)目標(biāo)數(shù)目的情況，多目標(biāo)跟蹤又分為數(shù)目已知且固定的多目標(biāo)跟蹤，數(shù)目未知且

2、隨時(shí)間變化的多目標(biāo)跟蹤，后者在實(shí)際中有著更為廣泛的應(yīng)用范圍和更高的技術(shù)難度。在存在雜波對(duì)測(cè)量的干擾和影響的情況下，利用帶有噪聲的傳感器測(cè)量，對(duì)運(yùn)動(dòng)方式復(fù)雜多變的目標(biāo)進(jìn)行連續(xù)跟蹤具有很大的不確定性，是十分具有挑戰(zhàn)性和具有重要研究價(jià)值的課題。
　　本文分別針對(duì)單目標(biāo)和未知時(shí)變的多目標(biāo)跟蹤問題進(jìn)行了研究。對(duì)于單目標(biāo)跟蹤問題，由于不必考慮測(cè)量與目標(biāo)的關(guān)聯(lián)關(guān)系，因此以跟蹤算法即濾波算法研究為核心，針對(duì)具有典型非線性特征的雷達(dá)測(cè)角等測(cè)量模型，

3、采用以粒子濾波為核心的濾波跟蹤方法，重點(diǎn)解決粒子濾波算法中的計(jì)算效率問題，同時(shí)通過解決樣本枯竭問題，降低重采樣算法中的多樣性損失，提高粒子濾波的估計(jì)精度，從而提高對(duì)單目標(biāo)的跟蹤性能；對(duì)于未知時(shí)變的多目標(biāo)跟蹤問題，則以基于概率假設(shè)密度（Probability Hypothesis Density, PHD）濾波的目標(biāo)狀態(tài)估計(jì)和連續(xù)跟蹤方法為主要研究內(nèi)容，通過推導(dǎo)權(quán)值域的單目標(biāo) PHD分解形式來估計(jì)多個(gè)目標(biāo)的狀態(tài)，同時(shí)結(jié)合粒子標(biāo)簽和航跡管理

4、來形成目標(biāo)的連續(xù)航跡。
　　首先，在基于粒子濾波的單目標(biāo)跟蹤算法研究方面：
　?。?）針對(duì)粒子濾波為解決退化問題引入重采樣而導(dǎo)致的樣本枯竭和多樣性損失問題，提出了基于準(zhǔn)蒙特卡羅(Quasi-Monte Carlo, QMC)的采樣重采樣算法，用在大權(quán)重樣本鄰域內(nèi)生成具有低差異性的QMC序列來代替一般重采樣算法中對(duì)大權(quán)重樣本的復(fù)制過程，一方面解決了重采樣后樣本的枯竭和多樣性損失問題，降低樣本的目標(biāo)失跟概率；另一方面利用QMC序

5、列的低差異性，獲取高于一般蒙特卡羅采樣方法的估計(jì)精度，從上述兩個(gè)方面提高粒子濾波的跟蹤精度。
　?。?）針對(duì)粒子濾波的樣本容量大，跟蹤效率受樣本容量影響明顯的問題，在多分辨粒子濾波的基礎(chǔ)上，提出基于濾波系統(tǒng)狀態(tài)檢驗(yàn)的樣本容量控制算法。利用粒子濾波的樣本集在空間域中的多分辨分解形式，在相似樣本中提取關(guān)鍵樣本，以降低總樣本容量。為了監(jiān)測(cè)系統(tǒng)是否出現(xiàn)濾波失效，定義了粒子濾波的系統(tǒng)擬測(cè)量誤差等相關(guān)統(tǒng)計(jì)量，通過檢測(cè)系統(tǒng)狀態(tài)，對(duì)樣本容量進(jìn)行自

6、適應(yīng)調(diào)節(jié)，保證濾波精度的穩(wěn)定，同時(shí)提高粒子濾波的跟蹤效率。
　　其次，在基于粒子概率假設(shè)密度濾波的多目標(biāo)狀態(tài)估計(jì)與連續(xù)跟蹤方法研究方面：
　　（1）針對(duì)概率假設(shè)密度濾波過程僅輸出多目標(biāo)分布的概率密度，無法直接輸出目標(biāo)的狀態(tài)估計(jì)的問題，提出粒子單目標(biāo) PHD濾波方法，通過構(gòu)造PHD樣本權(quán)值向量，從 PHD的狀態(tài)預(yù)測(cè)和測(cè)量更新公式中推導(dǎo)出單目標(biāo)的粒子 PHD分解公式，從混合的多目標(biāo)后驗(yàn) PHD中同時(shí)分離出單個(gè)目標(biāo)的后驗(yàn)PHD形式

7、，從而利用粒子權(quán)值分量描述的單目標(biāo) PHD實(shí)現(xiàn)所有目標(biāo)的狀態(tài)提取，從原理層面上解決基于粒子概率假設(shè)密度濾波的多目標(biāo)狀態(tài)估計(jì)問題。
　?。?）針對(duì)PHD濾波的輸出狀態(tài)的集合無序性，無法給出目標(biāo)時(shí)間域上的狀態(tài)關(guān)聯(lián)問題，在提出的單目標(biāo) PHD濾波的基礎(chǔ)上，提出一種結(jié)合標(biāo)簽的粒子層狀態(tài)關(guān)聯(lián)方法，定義了基于權(quán)值向量的狀態(tài)間關(guān)聯(lián)矩陣，同時(shí)建立了結(jié)合一步預(yù)測(cè)的關(guān)聯(lián)規(guī)則，通過追蹤樣本權(quán)值向量在測(cè)量域上的移動(dòng)來判定目標(biāo)狀態(tài)的前后幀關(guān)系，進(jìn)而給出目標(biāo)