基于雷达/红外数据融合多目标跟踪滤波算法的研究

论文摘要

近年来,随着数据融合技术的发展,为了弥补主、被动传感器在目标跟踪问题中的一些先天性缺陷,雷达和红外传感器被同时使用,构成雷达/红外多目标融合跟踪系统。本文围绕着雷达/红外数据融合多目标跟踪滤波算法实现这一问题进行研究。论文第一章对雷达/红外数据融合跟踪系统算法体系的发展方向和现状进行了总结。第二章首先从贝叶斯滤波原理出发,分析了多目标贝叶斯滤波难以通过算法实现的原因,然后建立了RFS多目标状态模型和RFS多目标观测模型。为解决多目标贝叶斯在算法实现上的困难,引入了贝叶斯框架下的PHD近似滤波方法,通过在时间域上传递后验强度而非整个后验概率的密度的方式对多目标贝叶斯运算进行简化。由于目前PHD滤波递推方程在普适条件下的解析解还没有得到,第三章首先讨论了PHD滤波递推方程在线性高斯条件下的解析表达形式,接着引入了GMPHD滤波算法,实现了线性高斯条件下多目标PHD滤波递推运算。本章最后将GMPHD应用到了三维空间中的多目标跟踪滤波实际问题中,通过仿真得到了理想的结果。为将GMPHD滤波算法应用到非线性滤波问题中,第四章分别用EKF和UKF两种非线性滤波算法对其进行了扩展,通过仿真验证了两种扩展GMPHD滤波算法的有效性,并从目标数估计精度和目标位置估计精度两方面比较了两种扩展算法的性能。第五章将UKF扩展后的GMPHD算法与雷达/红外序贯滤波策略相结合,提出了一种基于雷达/红外传感器序贯融合多目标跟踪PHD滤波算法,通过仿真验证了该算法的有效性,并且与单雷达跟踪系统相比,融合系统在目标数估计和目标位置估计两方面的精度都得到明显提高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景与研究意义
• 1.2 雷达/红外传感器融合跟踪算法体系的研究方向和现状
• 1.2.1 时空配准算法
• 1.2.2 数据关联算法
• 1.2.3 数据融合算法
• 1.2.4 跟踪滤波算法
• 1.3 本文主要研究内容和结构
• 第二章 多目标概率假设密度滤波
• 2.1 贝叶斯滤波
• 2.1.1 单目标贝叶斯滤波递推方程
• 2.1.2 多目标贝叶斯滤波递推方程
• 2.1.3 多目标贝叶斯滤波在算法实现上的问题
• 2.2 多目标跟踪系统中的RFS 模型
• 2.3 多目标PHD 滤波
• 2.3.1 多目标状态的统计矩密度
• 2.3.2 多目标状态PHD
• 2.3.3 PHD 滤波递推方程
• 2.4 本章小结
• 第三章 线性高斯多目标跟踪滤波算法
• 3.1 线性高斯多目标单传感器跟踪系统模型
• 3.2 线性高斯多目标单传感器PHD 滤波方程解析表达
• 3.2.1 数学引理
• 3.2.2 PHD 滤波方程解析表达式
• 3.3 KF 算法
• 3.3.1 KF 算法原理
• 3.3.2 KF 滤波算法流程
• 3.4 线性高斯多目标跟踪PHD 滤波算法实现
• 3.5 仿真及分析
• 3.5.1 仿真条件
• 3.5.2 仿真结果及分析
• 3.6 本章小结
• 第四章 非线性高斯多目标跟踪滤波算法
• 4.1 非线性高斯多目标单传感器跟踪系统模型
• 4.2 EKF 算法
• 4.2.1 EKF 算法原理
• 4.2.2 EKF 滤波算法流程
• 4.3 基于EKF 扩展的GMPHD 滤波算法
• 4.4 UKF 算法
• 4.4.1 UT 变换
• 4.4.2 UKF 算法
• 4.4.3 UKF 算法流程
• 4.5 基于UKF 扩展的GMPHD 滤波算法
• 4.6 算法仿真
• 4.6.1 仿真条件
• 4.6.2 仿真结果及分析
• 4.7 本章小结
• 第五章 雷达/红外序贯融合多目标跟踪滤波算法
• 5.1 雷达/红外集中式序贯融合滤波方法
• 5.2 基于雷达/红外序贯融合的多目标跟踪滤波算法
• 5.2.1 雷达/红外序贯融合的PHD 滤波递推方程
• 5.2.2 雷达/红外序贯融合多目标PHD 滤波算法实现
• 5.3 算法仿真
• 5.3.1 仿真条件
• 5.3.2 仿真结果及分析
• 5.4 本章小结
• 第六章 结束语
• 致谢
• 参考文献
• 攻硕期间取得的研究成果