基于随机有限集的弱小目标TBD方法研究

摘要

随着无人侦察机、隐身技术的不断提高，红外弱小目标检测与跟踪技术在反导、防御、红外预警、卫星遥感系统等现代军事领域中的作用日益凸显。对于复杂环境下的弱小目标检测和跟踪问题，由于目标数目的随机性，且受噪声、杂波等复杂背景的影响，导致目标的信噪比低，使弱小目标很难检测与跟踪到。本论文以随机有限集为理论基础，重点研究了多个弱小目标的检测前跟踪算法、未知新生目标信息下弱小目标的检测与跟踪、高斯混合约简算法等关键问题，为实现弱小目标检测与跟踪工程应用提供理论和方法支撑。取得的主要研究成果如下：
　　1.针对现有基于PHD检测前跟踪方法在实现低信噪比下未知时变的多个弱小目标检测与跟踪存在算法复杂度高，计算量大以及粒子枯竭和跟踪精度差等问题，提出了一种基于高斯混合粒子实现PHD的TBD算法。仿真结果表明，所提算法在保证多弱小目标跟踪性能的同时能有效减少运行时间，具有良好的工程应用前景。
　　2.在低信噪比、未知新生目标信息条件下，使用一种搜索机制，采用多个贝努利分量在全局范围内搜索新生目标，从而避免了对目标新生过程的精确建模。针对新生目标进行搜索存在延迟、跟踪精度差等问题，使用高斯拟合采样，搜索新生目标快，且计算复杂度低。仿真结果表明，改进算法在没有任何新生目标先验信息的条件下可达到与理想情况相似的跟踪效果，有效提高了跟踪的性能，并降低了算法的复杂度。
　　3.针对现有GM-PHD滤波算法在目标交叉运动和相邻运动时存在目标状态估计不准确问题，提出了一种基于加权KL距离的修剪合并准则，它考虑每个目标高斯分量的全部信息和无量纲量。此外，为了更加有效地提高跟踪效率，采用一种启发式的GM-PHD滤波算法流程，分为两个独立部分对高斯混合分量进行修剪与合并处理。仿真结果表明，所提准则的跟踪性能都要优于现有修剪合并准则，并且采用启发式算法流程的计算量少于经典的算法流程。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 研究的背景和意义

1.2 弱小目标检测与跟踪技术介绍

1.3 论文主要研究成果和内容安排

第二章 基于随机集PHD弱小目标检测前跟踪算法

2.1 引言

2.2 随机有限集的多目标跟踪模型

2.3 概率假设密度滤波器

2.4 TBD问题描述与模型建立

2.5 基于随机有限集PHD弱小目标TBD方法

2.6 实验仿真和分析

2.7 本章小结

第三章 基于随机集MeMBer弱小目标检测前跟踪算法

3.1 引言

3.2 贝努利随机有限集滤波

3.3 多贝努利滤波器的TBD算法

3.4 新生目标搜索算法

3.5 实验仿真与分析

3.6 本章小结

第四章 随机集PHD中高斯混合分量的修剪合并算法

4.1 引言

4.2 高斯混合概率假设密度滤波

4.3 高斯混合分量修剪合并准则

4.4 启发式的算法流程

4.5 仿真实验与分析

4.6 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