隨機(jī)有限集多目標(biāo)跟蹤技術(shù)研究.pdf

1、多目標(biāo)跟蹤的主要任務(wù)是依據(jù)傳感器獲取的含噪數(shù)據(jù)來(lái)聯(lián)合估計(jì)多目標(biāo)個(gè)數(shù)及其運(yùn)動(dòng)狀態(tài)或者運(yùn)動(dòng)航跡，性能穩(wěn)定且高效的多目標(biāo)跟蹤算法是多目標(biāo)跟蹤技術(shù)和多目標(biāo)跟蹤系統(tǒng)研究的核心，也是本課題研究的出發(fā)點(diǎn)和追求目標(biāo)。目前，多目標(biāo)跟蹤技術(shù)正朝著能處理目標(biāo)數(shù)目未知可變、檢測(cè)不確定、觀測(cè)源不確定、數(shù)據(jù)關(guān)聯(lián)不確定等復(fù)雜多目標(biāo)跟蹤問(wèn)題的方向蓬勃發(fā)展，其中尤以Ronald Mahler提出的基于隨機(jī)有限集(Random Finite Set, RFS)的一類多目標(biāo)

2、跟蹤方法對(duì)這些復(fù)雜的場(chǎng)景具有天然的適應(yīng)性，不需要進(jìn)行復(fù)雜的數(shù)據(jù)關(guān)聯(lián)處理即可對(duì)目標(biāo)個(gè)數(shù)未知且時(shí)變的多個(gè)目標(biāo)進(jìn)行聯(lián)合檢測(cè)與跟蹤是此類跟蹤算法的最大優(yōu)勢(shì)。基于 RFS的多目標(biāo)跟蹤算法為目標(biāo)監(jiān)視與防御、無(wú)人駕駛與機(jī)器人、遙感、計(jì)算機(jī)視覺(jué)、生物醫(yī)學(xué)、現(xiàn)代通信等領(lǐng)域包含的復(fù)雜多目標(biāo)跟蹤問(wèn)題提供了新的解決途徑，代表著多目標(biāo)跟蹤技術(shù)發(fā)展的新方向。本課題重點(diǎn)挑選隨機(jī)有限集框架下聯(lián)合多傳感器偏差與多目標(biāo)狀態(tài)估計(jì)技術(shù)、隨機(jī)集濾波器的航跡提取技術(shù)、基于隨機(jī)集濾

3、波器的多群目標(biāo)跟蹤技術(shù)、隨機(jī)集框架下圖像多弱目標(biāo)檢測(cè)前跟蹤(Track-Before-Detect, TBD)技術(shù)及隨機(jī)集濾波器的后驗(yàn)克拉美羅下界(Posterior Cramer-Rao Lower Bound, PCRLB)性能評(píng)估技術(shù)這五項(xiàng)研究?jī)?nèi)容進(jìn)行深入研究，取得的主要研究成果如下：
　　第二章提出了一種基于分層點(diǎn)過(guò)程及多群多目標(biāo)概率假設(shè)密度(Multi-group Multi-target Probability Hyp

4、othesis Density, MGMT-PHD)濾波器的聯(lián)合多傳感器偏差與多目標(biāo)狀態(tài)估計(jì)算法。該算法將多傳感器偏差集建模為父過(guò)程，多目標(biāo)狀態(tài)集則是與多傳感器偏差相關(guān)聯(lián)的子過(guò)程，通過(guò)分開(kāi)對(duì)待兩個(gè)相互交互的點(diǎn)過(guò)程，可以避免對(duì)高維增廣狀態(tài)聯(lián)合估計(jì)產(chǎn)生的巨大計(jì)算量。在利用 MGMT-PHD濾波器解決多傳感器偏差和多目標(biāo)狀態(tài)的聯(lián)合估計(jì)問(wèn)題時(shí)，由于多傳感器偏差的個(gè)數(shù)即為傳感器的個(gè)數(shù)，即父過(guò)程的元素個(gè)數(shù)已知，且多個(gè)傳感器獨(dú)立收集觀測(cè)，即觀測(cè)集分割

5、情況是明確的，提出了 MGMT-PHD濾波器的粒子實(shí)現(xiàn)形式，實(shí)現(xiàn)了非線性條件下的聯(lián)合多傳感器偏差與多目標(biāo)狀態(tài)估計(jì)。仿真實(shí)驗(yàn)考慮了一個(gè)目標(biāo)出現(xiàn)、目標(biāo)消失、目標(biāo)軌跡交叉事件出現(xiàn)的典型復(fù)雜多傳感器多目標(biāo)場(chǎng)景，驗(yàn)證了所提算法的有效性。
　　第三章在載機(jī)與誘餌縱向可分辨的情況下，解決了末制導(dǎo)主動(dòng)雷達(dá)導(dǎo)引頭攔截戰(zhàn)機(jī)對(duì)抗背景下對(duì)波束內(nèi)載機(jī)與誘餌的聯(lián)合快速檢測(cè)、識(shí)別與穩(wěn)定跟蹤問(wèn)題。主要貢獻(xiàn)為：第一，對(duì)現(xiàn)有的加標(biāo)簽粒子PHD(Labeled Par

6、ticle PHD, L-P-PHD)濾波器存在的一些局限進(jìn)行改進(jìn)，提出改進(jìn)的L-P-PHD(Improved L-P-PHD, IL-P-PHD)濾波器；第二，結(jié)合現(xiàn)有的多模型技術(shù)，提出能同時(shí)對(duì)多個(gè)機(jī)動(dòng)目標(biāo)進(jìn)行跟蹤與航跡維持處理的多模IL-P-PHD(Multiple Model IL-P-PHD, MM-IL-P-PHD)濾波器；最后，基于MM-IL-P-PHD濾波器，結(jié)合基于回波幅度特征的干擾存在性檢測(cè)方法以及對(duì)抗場(chǎng)景的特征信息，

7、建立了縱向距離維可分的載機(jī)與誘餌的聯(lián)合快速檢測(cè)、穩(wěn)定跟蹤與識(shí)別處理框架。仿真實(shí)驗(yàn)表明，所提方法可以有效地實(shí)現(xiàn)對(duì)縱向距離維可分的載機(jī)與誘餌的快速檢測(cè)、穩(wěn)定跟蹤與識(shí)別處理。
　　第四章將多群目標(biāo)建模為分層點(diǎn)過(guò)程，提出了一種基于隨機(jī)有限集的新算法，該算法能聯(lián)合估計(jì)群目標(biāo)個(gè)數(shù)、估計(jì)群中心和群內(nèi)組件的運(yùn)動(dòng)狀態(tài)、提取群中心航跡。其基本思想及涉及到的主要工作與貢獻(xiàn)為：第一，對(duì)不可分目標(biāo)PHD(Unresolved Target PHD, UT-

8、PHD)濾波器的觀測(cè)更新過(guò)程進(jìn)行了具體化，給出了UT-PHD濾波器觀測(cè)更新方程的具體計(jì)算方法，對(duì)UT-PHD濾波器進(jìn)行加標(biāo)簽處理，利用序貫蒙特卡羅技術(shù)實(shí)現(xiàn)了 UT-PHD濾波器，提出加標(biāo)簽的粒子UT-PHD(Labeled Particle UT-PHD, L-P-UT-PHD)濾波器，L-P-UT-PHD濾波器能在估計(jì)多群目標(biāo)個(gè)數(shù)、多群目標(biāo)中心狀態(tài)的同時(shí)獲取多群目標(biāo)中心的運(yùn)動(dòng)軌跡，實(shí)現(xiàn)了多群目標(biāo)中心的聯(lián)合檢測(cè)與跟蹤；第二，基于群中心狀

9、態(tài)估計(jì)結(jié)果提出了更為精確的觀測(cè)集分割算法，完成觀測(cè)集分割，將觀測(cè)集分割結(jié)果分配給每個(gè)群目標(biāo)對(duì)應(yīng)的單群粒子PHD(Single-group Particle PHD, SG-P-PHD)濾波器，完成群內(nèi)組件狀態(tài)跟蹤與個(gè)數(shù)估計(jì)，將群組件個(gè)數(shù)估計(jì)結(jié)果反饋至 L-P-UT-PHD濾波器。仿真實(shí)驗(yàn)表明，所提方法可以有效地檢測(cè)群目標(biāo)的出現(xiàn)與消失、估計(jì)群中心的運(yùn)動(dòng)狀態(tài)、獲取群中心的航跡及估計(jì)群內(nèi)組件的運(yùn)動(dòng)狀態(tài)與組件個(gè)數(shù)。
　　第五章分別研究了影

10、響區(qū)域不重疊和影響區(qū)域重疊的圖像多弱目標(biāo) TBD技術(shù)。針對(duì)標(biāo)準(zhǔn)PHD-TBD算法存在對(duì)新生目標(biāo)發(fā)現(xiàn)延遲較久、對(duì)目標(biāo)個(gè)數(shù)估計(jì)不準(zhǔn)且存在起伏的問(wèn)題，提出了能解決這些問(wèn)題的廣義PHD-TBD算法及其粒子實(shí)現(xiàn)。對(duì)于目標(biāo)影響區(qū)域重疊的圖像多弱目標(biāo) TBD，包含的主要貢獻(xiàn)與創(chuàng)新體現(xiàn)在：第一，建立了影響區(qū)域重疊的圖像目標(biāo)的疊加傳感器觀測(cè)模型，導(dǎo)出了對(duì)應(yīng)的多目標(biāo)觀測(cè)似然函數(shù)；第二，基于建立的模型，將 Mahler提出的近似疊加PHD(Approxima

11、tion Superpositional PHD, AS-PHD)濾波器引入圖像目標(biāo)跟蹤框架，對(duì)AS-PHD濾波器的狀態(tài)空間進(jìn)行加標(biāo)簽處理，提出了加標(biāo)簽AS-PHD濾波器，利用SMC技術(shù)，提出了加標(biāo)簽AS-PHD濾波器的粒子實(shí)現(xiàn)，解決低信噪比下影響區(qū)域重疊的圖像多弱目標(biāo)跟蹤問(wèn)題。仿真實(shí)驗(yàn)驗(yàn)證了所提算法的有效性。
　　第六章對(duì)基于隨機(jī)有限集的濾波器處理復(fù)雜多目標(biāo)跟蹤問(wèn)題時(shí)所能達(dá)到的性能下界及其計(jì)算實(shí)現(xiàn)問(wèn)題開(kāi)展研究。主要貢獻(xiàn)為：第一，

12、推導(dǎo)出了隨機(jī)集框架下能適應(yīng)目標(biāo)數(shù)目未知可變、檢測(cè)不確定、觀測(cè)源不確定、數(shù)據(jù)關(guān)聯(lián)不確定出現(xiàn)的復(fù)雜多目標(biāo)跟蹤問(wèn)題的多目標(biāo)PCRLB(Multi-target PCRLB, MT-PCRLB)，及其遞推計(jì)算表達(dá)式，用以獲取多目標(biāo)跟蹤算法處理此類問(wèn)題的性能下界；第二，基于IL-P-PHD濾波器獲取的多目標(biāo)航跡，提出了一種高精度的獲取多目標(biāo)航跡和觀測(cè)集間關(guān)聯(lián)關(guān)系的數(shù)據(jù)關(guān)聯(lián)新方法；第三，基于獲取的多目標(biāo)航跡和數(shù)據(jù)關(guān)聯(lián)新方法，導(dǎo)出了評(píng)估典型雷達(dá)多目標(biāo)