未知量測噪聲下隨機集多擴展目標(biāo)跟蹤方法研究.pdf

1、對于擴展目標(biāo)來說，由于每個目標(biāo)在每一個采樣周期會產(chǎn)生多個量測，如若將量測和目標(biāo)相關(guān)聯(lián)，勢必會存在巨大的困難，因此，研究一種更為實時有效的跟蹤方法具有極其重要的現(xiàn)實意義和應(yīng)用價值。近年來，由于計算復(fù)雜度比傳統(tǒng)方法要小而且可以有效地處理傳統(tǒng)跟蹤算法中出現(xiàn)的某些問題，基于隨機有限集的多目標(biāo)跟蹤方法受到了廣泛的認同。本文針對基于隨機有限集的跟蹤方法展開重點研究，具體內(nèi)容如下：
　　1．基于高斯逆威舍特概率假設(shè)密度（GIW-PHD）的擴展目

2、標(biāo)跟蹤算法。該算法在已知量測噪聲協(xié)方差情況下，不僅考慮了目標(biāo)的運動狀態(tài)，而且考慮了目標(biāo)的擴展?fàn)顟B(tài)。它將目標(biāo)的運動狀態(tài)建模為高斯分布，擴展?fàn)顟B(tài)建模為逆威舍特分布，通過量測數(shù)據(jù)來更新高斯分布以及逆威舍特分布中的參數(shù),如自由度、逆尺度矩陣等，以此來達到跟蹤目標(biāo)的位置、大小、方向等信息的目的。
　　2．基于隨機超曲面概率假設(shè)密度（RHM-PHD）的擴展目標(biāo)跟蹤算法。該算法同GIW-PHD算法相似，在已知量測噪聲協(xié)方差情況下并且考慮了目標(biāo)的

3、擴展?fàn)顟B(tài)。不過，RHM-PHD算法的量測建模方式與GIW-PHD算法有很大不同。RHM-PHD算法認為量測是由在目標(biāo)表面隨機分布的量測源再加上噪聲所產(chǎn)生，GIW-PHD中的量測是由目標(biāo)的運動狀態(tài)再加上噪聲所產(chǎn)生。此外，RHM-PHD算法是將表示目標(biāo)擴展?fàn)顟B(tài)的參數(shù)嵌入到了運動狀態(tài)矢量中，通過對運動狀態(tài)矢量的更新來估計目標(biāo)的形狀、大小及方向。
　　3．基于變分貝葉斯勢均衡多目標(biāo)多伯努利的擴展目標(biāo)跟蹤算法。該算法的優(yōu)勢在于它適用于量測噪

4、聲協(xié)方差未知的場景并且還提出了一種新的擴展目標(biāo)的量測建模方式。核心思想在于對量測產(chǎn)生點狀態(tài)和量測噪聲協(xié)方差的聯(lián)合概率密度用變分貝葉斯近似，之后再嵌入到勢均衡多目標(biāo)多伯努利框架中，在濾波更新得到量測產(chǎn)生點狀態(tài)后，對其進行聚類從而得到擴展目標(biāo)的估計狀態(tài)。
　　4．基于變分貝葉斯概率假設(shè)密度（VB-PHD）的擴展目標(biāo)跟蹤算法，同VB-CBMeMBer相同的是，該算法依然適用于量測噪聲協(xié)方差未知的場景并且應(yīng)用了VB-CBMeMBer中所提