數(shù)據(jù)融合目標(biāo)跟蹤技術(shù)研究.pdf

1、本文研究了數(shù)據(jù)融合中的多目標(biāo)跟蹤問(wèn)題。數(shù)據(jù)融合作為一門(mén)新興交叉學(xué)科，是將來(lái)自多數(shù)據(jù)源的數(shù)據(jù)進(jìn)行綜合處理，從而得到更為準(zhǔn)確、可靠的估計(jì)，與從任何單個(gè)數(shù)據(jù)源所獲得的數(shù)據(jù)相比，提供了更加精確和更加確定的推理。數(shù)據(jù)融合的產(chǎn)生和發(fā)展，是現(xiàn)代科學(xué)技術(shù)飛速發(fā)展的產(chǎn)物。目標(biāo)跟蹤是數(shù)據(jù)融合中的關(guān)鍵技術(shù)，是實(shí)現(xiàn)高層次融合的前提，并在國(guó)防、民用多個(gè)領(lǐng)域有廣泛的應(yīng)用，是本文的研究主題。本文的研究?jī)?nèi)容包括機(jī)動(dòng)目標(biāo)跟蹤、數(shù)據(jù)關(guān)聯(lián)等，是目標(biāo)跟蹤領(lǐng)域最具普遍性和重要的

2、問(wèn)題。全文共分五章，主要內(nèi)容如下： 1. 介紹了數(shù)據(jù)融合及目標(biāo)跟蹤領(lǐng)域的發(fā)展概況及研究現(xiàn)狀；介紹了本文的研究?jī)?nèi)容；介紹了本文的內(nèi)容安排和主要研究成果。 2.介紹了數(shù)據(jù)融合這一門(mén)新興的數(shù)據(jù)處理學(xué)科的意義、理論基礎(chǔ)、實(shí)現(xiàn)技術(shù)和研究現(xiàn)狀，提供了有關(guān)數(shù)據(jù)融合研究領(lǐng)域的一個(gè)大致的概況；研究了目標(biāo)跟蹤的多種模型，Kalman濾波模型，該模型是現(xiàn)代目標(biāo)跟蹤的基礎(chǔ)算法。如何解決雜波環(huán)境中的跟蹤和適應(yīng)目標(biāo)的高度機(jī)動(dòng)是目標(biāo)跟蹤領(lǐng)域的一個(gè)研究

3、重點(diǎn)。概率數(shù)據(jù)互聯(lián)算法以及交互式多模型算法能夠解決上述問(wèn)題,對(duì)目標(biāo)機(jī)動(dòng)和雜波環(huán)境有很好的適應(yīng)能力。PDA模型適合雜波環(huán)境下的單目標(biāo)跟蹤問(wèn)題。JPDA模型是PDA模型的推廣，適合密集雜波環(huán)境中的多目標(biāo)跟蹤問(wèn)題，對(duì)兩個(gè)軌跡相交的目標(biāo)進(jìn)行跟蹤，取得了滿意的仿真效果。機(jī)動(dòng)目標(biāo)模型，由于跟蹤環(huán)境和目標(biāo)機(jī)動(dòng)性能發(fā)生變化，各種應(yīng)用系統(tǒng)對(duì)機(jī)動(dòng)目標(biāo)跟蹤提出了日益復(fù)雜的要求。國(guó)內(nèi)外許多專家學(xué)者對(duì)之進(jìn)行了深入的研究，取得了豐碩的成果。討論了機(jī)動(dòng)目標(biāo)建模以及基

4、于機(jī)動(dòng)檢測(cè)和機(jī)動(dòng)辨識(shí)的機(jī)動(dòng)目標(biāo)跟蹤技術(shù)。探討了不同方法的優(yōu)缺點(diǎn)并給出了詳細(xì)的實(shí)驗(yàn)結(jié)果與性能分析。 3.研究了多目標(biāo)跟蹤的多假設(shè)算法，多假設(shè)跟蹤算法首先把目標(biāo)和量測(cè)進(jìn)行關(guān)聯(lián)，形成假設(shè)，然后計(jì)算每一個(gè)假設(shè)的后驗(yàn)概率，選擇最大后驗(yàn)概率的假設(shè)用于當(dāng)期時(shí)刻的數(shù)據(jù)關(guān)聯(lián)，該方法需要列舉當(dāng)前時(shí)刻的所有假設(shè)。本章研究了基于模糊交互式多模型算法解決多假設(shè)多目標(biāo)跟蹤中的新目標(biāo)數(shù)據(jù)相關(guān)問(wèn)題。交互式多模型算法首先需要對(duì)多個(gè)跟蹤模型進(jìn)行交互計(jì)算，然后使用各

5、個(gè)濾波器對(duì)目標(biāo)進(jìn)行預(yù)測(cè)跟蹤，最后給出計(jì)算結(jié)果，同時(shí)該結(jié)果也是下一時(shí)刻多模型的輸入值。利用交互式多模型算法在處理機(jī)動(dòng)目標(biāo)數(shù)據(jù)相關(guān)的優(yōu)越性能，提出了一種模糊交互式多模型多假設(shè)多目標(biāo)跟蹤算法,該算法利用隸屬度選擇優(yōu)秀的模型處理新目標(biāo)的數(shù)據(jù)相關(guān)問(wèn)題，用隸屬度表示每個(gè)模型與所跟蹤新目標(biāo)的隸屬關(guān)系，根據(jù)隸屬度選擇最佳的模型對(duì)新目標(biāo)進(jìn)行跟蹤。仿真結(jié)果表明，該方法不僅能夠處理新目標(biāo)的數(shù)據(jù)相關(guān)，同時(shí)又能夠提高算法的時(shí)間效率。 4. 研究Viter

6、bi MHT算法，該方法是在所有的軌跡中挑選一最優(yōu)的軌跡集，用戶可以根據(jù)自己的需要選擇合適的軌跡。本章使用一個(gè)改進(jìn)的Viterbi MHT算法用于多目標(biāo)跟蹤，該算法引入測(cè)量“門(mén)限”，使所跟蹤的目標(biāo)僅僅與“門(mén)限”內(nèi)的測(cè)量值關(guān)聯(lián)。改進(jìn)后的算法能夠消除標(biāo)準(zhǔn)算法中跟蹤航跡發(fā)生分叉的缺點(diǎn)。通過(guò)動(dòng)態(tài)“門(mén)限”的使用，完善了該算法對(duì)機(jī)動(dòng)目標(biāo)的跟蹤。用Kalman 濾波和先驗(yàn)概率計(jì)算各目標(biāo)的MAP的值。該算法是連續(xù)的，能夠處理丟失的探測(cè)、虛警以及跟蹤目標(biāo)