论文部分内容阅读
近年来，因为能够处理目标数目未知且随时间变化、观测与目标关联不确定等情况下的多目标跟踪问题，概率假设密度(Probability HypothesisDensity, PHD)滤波算法逐渐成为了多目标跟踪领域的一个研究热点。而当动态系统模型为强非线性非高斯时，粒子滤波实现的PHD(Particle-PHD, P-PHD)算法是解决这类问题的有效方法，因此本文以P-PHD滤波为研究核心，对P-PHD滤波在多个点目标和多个群体目标跟踪应用中的理论和技术展开研究。P-PHD是一种无需进行数据关联的多目标跟踪算法，可以很好的适应高杂波背景下的多个点目标和多个群目标跟踪情况。在P-PHD滤波过程中，有关目标的数目和状态信息被包含在一组带有权值粒子所表征的强度函数中。当需要提取目标状态时，P-PHD算法利用EM或者k-means等算法从重采样后的粒子集合中提取出多个目标的状态和数目，但是这些聚类算法为了获得目标状态估计，需要花费很长的计算时间。除此之外，P-PHD算法的实现方式——粒子滤波在迭代过程中存在着粒子多样性缺失问题，这会影响到P-PHD算法对目标数目以及目标状态的估计精度，而且目标状态维数越高，粒子多样性缺失问题对P-PHD算法性能的影响就越大。因此，对于同时需要进行质心状态和目标形状估计的群目标跟踪P-PHD算法而言，粒子多样性缺失对算法性能影响更大。为了降低现有P-PHD算法在提取目标状态过程中计算量大以及滤波过程中的粒子多样性缺失问题，本文根据多个点目标和多个群目标的特点，分别提出两种相应的改进方法：1）针对多个点目标，本文先利用基本重采样算法对更新后的粒子进行基于观测信息的分类操作，从而删除了P-PHD算法中的EM或者k-means等计算量大的步骤。然后再利用UKF算法对每个保留下来的粒子进行基于其对应有效观测的移动过程，以此来增加粒子多样性，提高算法对多个点目标的状态和数目估计精度。2)针对多个群目标跟踪，本文把群内每个产生有效观测的反射点当作一个点目标。然后利用前面提到的针对多个点目标P-PHD算法的粒子多样性增强方法，来提高对反射点状态的估计精度。最后基于这些反射点信息，估计出各个群目标的形状。