基于形状估计的随机集多扩展目标跟踪方法研究

摘要

由于雷达和传感器的分辨率随科技进步而不断提高，得到的同一个目标的量测不止一个，此时，目标需看作是扩展目标，如果仍然使用传统的方法将量测和目标相关联进行跟踪已无法满足现状。近些年，基于随机有限集的多目标跟踪方法由于能够有效地解决传统跟踪方法中出现的一些难题，并且在计算复杂度方面明显优于传统算法，所以受到了广泛学者的认同。本文主要针对扩展目标中基于形状估计的随机集多目标跟踪方法展开研究。
　　主要研究内容如下：
　　1.针对 K-means聚类划分方法过分依赖初始中心点以及效率低的问题，提出了一种基于均值漂移聚类的改进划分方法。该方法将高斯函数作为内核函数，采用均值漂移方法求出吸引盆，并将吸引盆进行合并，最后将噪声孤点去除，得到最终的量测划分集合。该方法不需要给出具体的聚类数目和中心点，可得到良好的划分效果。
　　2.针对距离划分方法在目标相邻时无法进行准确划分的问题，提出了一种基于距离划分的改进方法。该方法在距离划分的基础上进行二次划分，使用极大似然估计来估计每个划分集合中的目标数，对目标数大于1的划分集合进行再划分，从而将每个扩展目标的量测划分开。该方法可以有效地处理目标相邻或交叉时距离划分无法区分的情况。
　　3.针对现有扩展目标的建模使用椭圆建模而无法分辨星形形状的问题，提出了一种基于星凸型随机超曲面的伽玛高斯混合势概率假设密度扩展目标跟踪算法（SRHM-GGM-CPHD）。该算法将扩展目标的形状建模为星凸形，并将其嵌入到伽玛高斯混合 CPHD滤波器框架中，完成对多个扩展目标的跟踪。该算法在质心位置和扩展形状的估计精度方面要优于传统的基于随机矩阵的伽玛高斯逆威舍特 CPHD滤波器。

目录

封面

声明

中文摘要

英文摘要

插图索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1研究背景及意义

1.2随机集应用概述

1.3扩展目标跟踪技术研究现状

1.4论文主要工作与内容安排

第二章 基于随机集的多扩展目标跟踪基础

2.1引言

2.2概率假设密度滤波算法

2.3势概率假设密度滤波算法

2.4高斯逆威舍特PHD滤波算法

2.5实验仿真与结果分析

2.6本章小结

第三章 扩展目标量测集的划分方法

3.1引言

3.2基于均值漂移聚类的量测集划分改进算法

3.3基于距离划分的模糊C均值量测集划分算法

3.4仿真实验与结果分析

3.5本章小结

第四章 基于星凸形随机超曲面模型的多扩展目标跟踪

4.1引言

4.2星凸形随机超曲面

4.3基于星凸RHM的高斯混合CPHD滤波器

4.4仿真实验与结果分析

4.5本章小结

第五章 总结与展望

5.1总结

5.2展望

参考文献

致谢

作者简介