基于粒子滤波的机动目标跟踪算法研究

论文摘要

机动目标跟踪一直以来都是国内外众多学者的研究热点,本文首先对其基本原理和关键技术进行了介绍,比如在非线性滤波领域具有独特优势的粒子滤波技术,以及在机动目标跟踪中获得广泛应用的多模型技术。在此基础上,针对机动目标跟踪的特点与难点,本文设计了两种改进的机动目标跟踪算法。第一种算法结合了标准粒子滤波和多模粒子滤波各自的优势:当目标处于非机动状态时采用标准粒子滤波,而当目标处于机动状态时采用多模粒子滤波。新算法引入模糊控制技术以进行有效的目标机动检测,同时引入了后向校正子算法来补偿由于可能存在的检测时延而引起的性能恶化。第二种算法针对传统粒子滤波在机动目标跟踪中由于模型不确定而导致的性能恶化,引入灰色预测这一模型无关的技术,在粒子滤波的采样过程中结合标准采样方法和基于灰色预测的采样方法,即使在模型不匹配的情况下仍能保证采样得到充分多的有效粒子。本文提出的两种算法的性能通过仿真进行了验证,并与标准粒子滤波算法与多模粒子滤波算法进行了比较。结果显示,所提出的新算法在跟踪精度、计算复杂度、实时性、稳定性等方面具有更好的性能,为机动目标跟踪提供了更有效的方法。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 引言
• 1.2 机动目标跟踪基本原理
• 1.3 机动目标跟踪研究现状
• 1.3.1 运动模型设计
• 1.3.2 线性与非线性滤波
• 1.3.3 多模型方法
• 1.4 本文的主要工作
• 2 机动目标跟踪关键理论基础
• 2.1 引言
• 2.2 粒子滤波算法
• 2.2.1 状态空间模型与递推贝叶斯滤波
• 2.2.2 序贯重要性采样
• 2.2.3 退化现象及其处理
• 2.2.4 基本粒子滤波算法
• 2.2.5 小结
• 2.3 多模粒子滤波算法
• 2.4 本章小结
• 3 基于模糊控制的机动目标跟踪方法
• 3.1 引言
• 3.2 模糊控制理论基础
• 3.2.1 模糊控制器基本原理与结构
• 3.2.2 模糊控制优点
• 3.3 改进的机动目标跟踪算法
• 3.3.1 机动检测
• 3.3.2 后向校正
• 3.3.3 完整算法
• 3.4 算法仿真与分析
• 3.4.1 情景1:弱机动目标跟踪
• 3.4.2 情景2:强机动目标跟踪
• 3.5 结论
• 4 引入灰色预测的机动目标跟踪方法
• 4.1 引言
• 4.2 灰色预测理论基础
• 4.2.1 灰色建模与灰色预测
• 4.2.2 灰色预测控制的优点
• 4.3 改进的粒子滤波算法
• 4.3.1 目标机动特性对粒子滤波算法的影响分析
• 4.3.2 结合灰色预测的粒子滤波算法
• 4.4 算法仿真与分析
• 4.4.1 情景1:弱机动目标跟踪
• 4.4.2 情景2:强机动目标跟踪
• 4.5 结论
• 5 总结与展望
• 参考文献
• 硕士在读期间发表的论文