基于随机集的多目标联合检测、跟踪和分类

摘要

随着现代监视环境日异复杂化,人们对侦察系统态势感知能力的要求不断提高。侦察系统的主要功能包括目标检测、跟踪和分类,由于三者是相互关联的过程,利用其耦合关系对提高侦察系统效能具有重要意义。随机集理论作为一种处理多目标跟踪问题的新方法,为实现多目标联合检测、跟踪和分类(JDTC)提供了有效的理论工具。然而,现有基于随机集的JDTC算法只处理单传感器应用问题,无法适用于多传感器系统。此外,该算法没有考虑平滑滤波,因此估计和分类性能有待提高。
　　本论文主要针对多目标JDTC中的多传感器融合问题和平滑滤波问题进行探讨,主要研究成果如下:
　　1.针对多机动目标联合检测与跟踪问题,提出一种基于模型交互的粒子PHD滤波器。该方法多滤波器并行结构清晰,且具有良好的多目标检测与跟踪性能。
　　2.针对线性高斯条件下的多传感器JDTC问题,提出了一种基于高斯混合概率假设密度滤波器(GM-PHD)的多传感器JDTC算法。该算法在单传感器GM-PHD JDTC算法基础上,采用序贯融合方法对目标状态和类别信息进行处理,实现多传感器的多目标联合检测、跟踪和分类。
　　3.提出了基于粒子概率假设密度滤波器(PF-PHD)的多传感器JDTC算法,处理非线性、非高斯条件下的多传感器JDTC问题。针对目标属性量测提取问题,提出了一种基于雷达回波信噪比的属性量测建模方法。
　　4.为提高多目标JDTC效果,在PHD-JDTC算法基础上,采用平滑滤波方法,推导了基于前向.后向平滑PHD的多目标JDTC算法,并给出了粒子实现方法。仿真结果验证了该算法在目标检测、跟踪和类别判断方面的优势。

目录

封面

声明

中文摘要

英文摘要

目录

第一章绪论

1.1研究背景及意义

1.2研究现状及发展趋势

1.3论文的主要内容

第二章基于随机集的贝叶斯滤波理论

2.1引言

2.2最优多目标贝叶斯滤波器

2.3PHD 滤波器

2.4PHD滤波器仿真实验

2.5多目标跟踪滤波器评价指标

第三章基于模型交互的粒子PHD多目标联合检测与跟踪

3.1引言

3.2多 模 型 滤 波 器

3.3模型交互的粒子PHD实现方法

3.4算法仿真

3.5本章小结

第 四 章 基 于DMPHD 的 多 传 感 器 联 合 检 测 、跟踪和分类算法

4.1引言

4.2多传感器联合检测、跟踪和分类问题描述

4.3基于GMPHD的单传感器联合检测、跟踪和分类算法

4.4基于序贯GMPHD的多传感器联合检测、跟踪和分类算法

4.5数值仿真

4.6本章小结

第五章基于PFPHD的多传感器联合检测、跟踪和分类算法

5.1引言

5.2基于PFPHD的单传感器联合检测、跟踪和分类算法

5.3基于序贯PFPHD的多传感器联合检测、跟踪和分类算法

5.4属性量测提取

5.5数值仿真

5.6本章小结

第六章基于前向-后向平滑PHD的联合检测、跟踪和分类

6.1引言

6.2PHD前向-后向平滑器

6.3基于前向-后向平滑PHD的联合检测、跟踪和分类

6.4 类别相关模型 集 的 前 向 - 后 向 平 滑 器

6.5数值仿真

6.6本章小结

第七章总结与展望

7.1工作总结与创新点

7.2研究展望

参 考 文 献

致谢

攻读硕士学位期间已发表或录用的论文