地面多目標跟蹤技術(shù)通過單個或者多個傳感器獲取地面多目標(如坦克、車輛等)的量測信息,估計地面目標的數(shù)量、運動狀態(tài)及運動軌跡。實際中,受復雜地形等因素的影響,目標狀態(tài)信息(位置、速度、加速度等)及數(shù)目隨著時間而隨機變化;此外,受城市高大建筑物及樹木叢林的遮擋、漏檢以及雜波等因素影響,傳感器的量測和數(shù)目同樣也隨時間隨機變化。上述問題造成目標狀態(tài)與傳感器的量測難以有效關聯(lián),極大限制了基于數(shù)據(jù)關聯(lián)跟蹤算法的跟蹤性能。基于隨機有限集的地面多目標跟蹤方法將多目標的狀態(tài)集和傳感器的量測集建模為隨機有限集的形式,避免了目標狀態(tài)集和量測集關聯(lián)關系對算法性能的制約,為地面多目標跟蹤方法的研究提供了良好的解決思路。δ-廣義標簽多伯努利濾波器(δ-GLMB)是基于隨機有限集濾波方法中較為常用的方法之一,具有強魯棒性、可直接估計運動目標軌跡的優(yōu)勢。因此,本文將δ-GLMB算法應用于地面多目標跟蹤場景。針對地面多目標跟蹤場景的強非線性、強雜波的特點,本文從兩個方面開展研究:(1)為提高非線性場景的地面目標跟蹤精度,提出基于均方根容積卡爾曼(SCKF)的δ-GLMB高斯混合實現(xiàn)算法。該算法將SCKF應用于高斯混合(...

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 研究目的及意義
    1.2 多目標跟蹤技術(shù)的國內(nèi)外發(fā)展及研究現(xiàn)狀
        1.2.1 基于數(shù)據(jù)關聯(lián)的多目標跟蹤研究進展
        1.2.2 基于隨機有限集的多目標跟蹤研究進展
    1.3 課題研究的主要內(nèi)容及工作安排
        1.3.1 研究內(nèi)容
        1.3.2 章節(jié)安排
2.基于MeMBer的多目標跟蹤理論基礎
    2.1 隨機有限集理論基礎
        2.1.1 多目標狀態(tài)下隨機有限集的定義
        2.1.2 多目標狀態(tài)及傳感器量測的集合表示
        2.1.3 標簽隨機有限集
    2.2 多伯努利濾波算法基礎
        2.2.1 多目標貝葉斯濾波器
        2.2.2 多目標貝葉斯濾波器(MeMBer)
        2.2.3 δ-廣義標簽多目標多伯努利跟蹤濾波(δ-GLMB)
    2.3 多目標跟蹤技術(shù)的評價指標
        2.3.1 豪斯多夫距離
        2.3.2 威士頓距離
        2.3.3 最優(yōu)子模式分配
    2.4 本章小結(jié)
3.基于SCKF的 GM-δ-GLMB地面多目標跟蹤算法
    3.1 δ-GLMB跟蹤濾波實現(xiàn)方法
        3.1.1 δ-GLMB跟蹤濾波器的序列蒙特卡洛實現(xiàn)過程
        3.1.2 δ-GLMB跟蹤濾波器的高斯混合實現(xiàn)過程
    3.2 基于SCKF的 GM-δ-GLMB跟蹤濾波算法
        3.2.1 均方根容積卡爾曼濾波器(SCKF)
        3.2.2 基于SCKF的δ-GLMB跟蹤濾波器的高斯混合實現(xiàn)
    3.3 仿真實驗結(jié)果與分析
        3.3.1 地面跟蹤場景下仿真實驗的場景設置
        3.3.2 固定雜波密度下多種算法的結(jié)果對比分析
        3.3.3 不同雜波密度下改進算法的結(jié)果與分析
    3.4 本章小結(jié)
4.面向強雜波密度場景的改進CKF-GM-δ-GLMB跟蹤濾波算法
    4.1 基于CKF的 GM-δ-GLMB跟蹤濾波算法
        4.1.1 容積卡爾曼濾波(CKF)
        4.1.2 跟蹤濾波算法的實現(xiàn)過程
    4.2 基于距離加權(quán)的量測合并策略
        4.2.1 基本原理
        4.2.2 算法具體實現(xiàn)及實現(xiàn)流程
    4.3 仿真實驗結(jié)果與分析
        4.3.1 地面跟蹤場景下仿真實驗的場景設置
        4.3.2 仿真實驗結(jié)果分析
        4.3.3 強雜波密度下改進算法的結(jié)果分析
    4.4 本章小結(jié)
5.總結(jié)與展望
    5.1 總結(jié)
    5.2 未來展望
參考文獻
碩士研究生階段取得的成果
致謝



本文編號：3840675