多傳感器多目標跟蹤算法研究.pdf

1、多傳感器多目標跟蹤技術(shù)主要包含多傳感器數(shù)據(jù)融合和多目標跟蹤兩方面。多傳感器目標跟蹤是將多個傳感器的信息進行融合,從而估計目標的運動狀態(tài),相對于單一傳感器它的跟蹤性能更加優(yōu)越,它是信息融合技術(shù)在目標跟蹤領(lǐng)域的應(yīng)用范例;多目標跟蹤問題則是指在密集環(huán)境下,將傳感器接收到的眾多量測值按照它們的來源分類,使用自適應(yīng)濾波和數(shù)據(jù)關(guān)聯(lián)算法估計出各跟蹤目標的運動軌跡,并分析運動軌跡的準確性和可靠性。
　　論文首先闡述了研究信息融合這門新興學科的意義

2、、理論基礎(chǔ)和國內(nèi)外研究現(xiàn)狀、對多傳感器信息融合的模型與結(jié)構(gòu)、信息融合的主要技術(shù)和方法、理論體系、信息融合的優(yōu)點、信息融合的級別和層次、融合的跟蹤系統(tǒng)分類以及信息融合技術(shù)的應(yīng)用等內(nèi)容進行綜述。
　　其次研究了多機動目標跟蹤基本原理、機動目標模型,包括CA模型、CV模型、Singer模型、Jerk模型、“當前”統(tǒng)計模型和曲線模型,對比了各種模型的優(yōu)缺點和適用情形;論述了基本的跟蹤濾波與預(yù)測方法:標準線性Kalman濾波器(KF)、針對

3、非線性系統(tǒng)的擴展Kalman濾波(EKF)和無跡Kalman濾波(UKF),并簡單介紹了幾種目標跟蹤新技術(shù)。
　　最后針對多傳感器多目標跟蹤問題,提出了基于隨機有限集的多傳感器多目標跟蹤算法。介紹了隨機集基本理論、隨機有限集統(tǒng)計(FISST)以及隨機集的概率假設(shè)密度(PHD),探討了隨機集分布函數(shù)以及集導(dǎo)數(shù)和集積分推導(dǎo)過程,給出了基于隨機集的信息融合理論框架,將單傳感器單目標規(guī)范Bayes建模方法推廣到多傳感器多目標情形;說明概率