多被动传感器的数据关联和目标跟踪技术研究.pdf

《多被动传感器的数据关联和目标跟踪技术研究.pdf》由会员分享，可在线阅读，更多相关《多被动传感器的数据关联和目标跟踪技术研究.pdf（74页珍藏版）》请在三一文库上搜索。

1、硕士论文 多被动传感器的数据关联和目标跟踪技术研究 a v o i dd a t aa s s o c i a t i o ni nt r a d i t i o n a lm u l t i - - t a r g e tt r a c k i n ga n dr e a l i z em u l t i t a r g e tt r a c k i n g s t a t ee s t i m a t i o n T h es i m u l t a n e o u sr e s u l ti n d i c a t e st h a tt h i sm e t h o di sa se

2、f f e c t i v ea sJ o i n t P r o b a b i l i s t i cD a t aA s s o c i a t i o na n dS e q u e n t i a l I m p o r t a n c eS a m p l i n gR e s a m p l i n gP a r t i c l e F i l t e r i n gf o rp a s s i v em u l t i - s e n s o rm u l t i t a r g e tt r a c k i n gs t a t ee s t i m a t i n g B

3、u tt h i sm e t h o d S a p p l i c a b l er a n g e ，i tC a nb ea p p l i e dt ot h ea c t u a le n g i n e e r i n ge n v i r o n m e n tw i t ht h eu n c e r t a i n t y t a r g e tn u m b e r K e yw o r d s ：P a s s i v eT a r g e tT r a c k i n g ，M u l t i t a r g e tT r a c k i n g ，G a u s s

4、 i a nS u mP a r t i c l e F i l t e r i n g ，G a u s s i a nM i x t u r eM o d e l ，P r o b a b i l i t yH y p o t h e s i sD e n s i t yF i l t e r i n g I I I 目录 硕士论文 目录 摘要I A b s t r a c t I I l 绪论。1 1 1 研究背景及意义1 1 2 多被动传感器跟踪技术研究现状l 1 2 1 非线性滤波2 1 2 2 多目标被动跟踪4 1 3 论文主要研究工作及创新点6 2 多被动传感器目标跟踪的基本理论

5、8 2 1 引言8 2 2 多被动传感器量测建模1 0 2 3 非线性滤波估计算法1 1 2 3 1 扩展K a l m a n 滤波1 2 2 3 2 无迹K a l m a n 滤波1 4 2 3 - 3 粒子滤波17 2 4 仿真分析21 2 4 1 仿真性能指标2 1 2 4 2 仿真实验及结果分析2 1 2 5 本章小结2 6 3 非高斯条件下多被动传感器单目标跟踪方法。2 7 3 1 引言2 7 3 2 非线性系统的高斯混合滤波回顾2 7 3 3 非高斯噪声条件下高斯混合模型2 9 3 4 非高斯噪声条件下高斯混合非线性估计3 2 3 4 1 高斯混合E K F 一3 3 3 4

6、2 高斯混合粒子滤波3 4 3 5 仿真实验3 6 3 6 本章小结4 2 4 基于随机有限集多被动传感器多目标跟踪方法4 3 4 1 引言4 3 4 2 随机有限集理论4 3 I V 硕士论文 多被动传感器的数据关联和目标跟踪技术研究 4 3 概率假设密度滤波4 6 4 3 1P H D 滤波基本原理一4 6 4 3 2 高斯混合P H D 滤波4 7 4 3 3 高斯混合粒子P H D 滤波5 0 4 4 仿真实验5 3 4 5 本章小结6 0 5 总结61 5 1 全文总结6 1 5 2 未来展望6 1 参考文献。6 4 V 1 绪论 硕士论文 1 绪论 1 1 研究背景及意义 目标跟踪

7、是通过对目标量测数据进行处理来保持对目标当前状态估计的技术，目 前已广泛应用于军事和民用领域。根据传感器探测手段的不同，目标跟踪分为主动跟 踪和被动跟踪；根据探测目标数目的不同，又可分为单目标跟踪和多目标跟踪。 被动跟踪技术相较于主动跟踪，凭借其隐蔽性佳、可提高系统的生存能力等特 点，逐渐在电子战环境中得到推广。在传统的雷达数据处理中，利用雷达传感器主动 发出信号，接收回波得到目标量测数据进而估计目标状态实施跟踪就是典型的主动跟 踪。随着科学技术的不断革新，现代电磁隐身技术，反辐射导弹竞相走上战场，克制 了传统雷达传感器发挥作用。基于无源雷达、红外敌我识别系统和声纳等无源传感器 的被动跟踪技术

8、便被应用到探测、定位、跟踪、识别、制导等系统中。由于无源传感 器所获量测数据不包括距离，被动跟踪系统仅能通过对角度信息的处理得到目标状态 估计( 包括位置、速度和加速度等) ，所以这个处理过程实际上是一个非线性滤波过 程。考虑到真实复杂的战争环境可能存在检测概率低、数据率低、观测精度低而且杂 波密集等特点，如何设计非线性滤波算法，使最终获得的目标状态估计要尽可能贴近 实际情况，以保证系统的跟踪精度，成为被动跟踪领域的攻关问题。由于在真实环境 中，侦测目标通常具有不确定性，因此在目标跟踪领域中多目标跟踪比单目标跟踪技 术更具有普适性。在多目标被动跟踪过程中，由于系统误差和环境中的虚警、杂波等 不

9、确定性因素，有效量测数据量较大，且无法直接确定量测数据分别来自哪个目标， 而目标数目的不确定性要求跟踪系统在估计目标运动状态的同时还要估计目标个数， 这都增加了目标跟踪的难度。 综上所述，在对军事电子系统隐蔽攻击要求不断提高的趋势下，被动跟踪技术， 尤其针对多目标被动跟踪因其更贴近实际战场环境设定而受到越来越广泛的关注。对 多被动传感器目标跟踪技术作进一步的研究，对于研发适合我国国情的预警防御系 统，增强武备系统的工作能力和生存能力将具有重要的现实意义。 1 2 多被动传感器跟踪技术研究现状 二战之后，军事电子技术迅猛发展，现代电磁隐身技术、反辐射导弹亮相战场，进 行主动跟踪的有源传感器应用被

10、限制，基于被动传感器的无源探测技术的研究迎来春 天。纯方位目标运动分析( B e a r i n g s o n l yt a r g e tm o t i o na n a l y s i s ：B O T M A ) 仅使用目标 角度信息得到目标运动状态估计进行定位跟踪，是被动探测跟踪技术的一个重要研究方 硕士论文 多被动传感器的数据关联和目标跟踪技术研究 向。由于被动跟踪系统是一个弱可观测系统，因此解决其可观测性问题是其研究的重点， 解决方法通常为移动平台上的单传感器跟踪和多传感器跟踪。 移动单传感器跟踪要求传感器平台具有高机动性，当移动单传感器对目标进行连续 角度测量时，才可能得到目标

11、位置稳定解【l 】；当传感器平台运动轨迹导数比目标运动轨 迹导数至少高一阶时，才能得到唯一解【2 】。此外，考虑到方位角是对位置的不完全描述， 移动单传感器被动跟踪可能为不可观测系统。综合以上两个因素，传感器采取的机动策 略将对跟踪精度影响巨大，文献 2 5 对几种常见机动策略进行了比对和优化。然而，移 动单传感器跟踪求解过程依然相对繁杂，计算量巨大，对设备要求很高，传感器平台运 动轨迹优化仍是难点。 多传感器跟踪采用在不同跟踪平台上的多个相互独立的传感器组成传感器网络，通 过将各个传感器所得目标方位角量测信息进行集中式或分布式融合以进行协同跟踪，搜 索范围大，跟踪精度高。随着传感器性能和计算

12、机处理能力的不断发展，多传感器跟踪 系统制造成本不断降低，功能日益强大，多传感器跟踪技术受到广泛关注，越来越多的 被应用到无源观测系统中。多传感器系统并不是单纯对每个传感器量测做集合处理，而 是将其作为一个网络整体进行协同操作，实现方法是在多个传感器之间进行信息融合， 这也是其难点所在。对此，常见的解决方法有多站测向定位法【6 】、多站测向测时差定位 法【7 】、多普勒频率差测量定位【8 1 和相位差的时间变化率测量定位【9 】等。 通过上述数据融合方法得到有效量测数据后，系统将对目标状态进行估计和预测， 这也是目标跟踪最重要最基础的环节。接下来本节将从非线性滤波估计、多目标跟踪技 术两个方向

13、介绍多被动传感器目标跟踪技术的研究发展现状。 1 2 1 非线性滤波 由于客观世界中绝大部分物理系统都是非线性的，尤其是被动跟踪系统，目标状态 向量与观测向量通常是一种非线性函数关系，因此被动跟踪过程中的目标状态估计实际 上是非线性滤波问题。本质上，是利用含有噪声的观测量实现对非线性随机系统状态的 估计。目前常用的非线性踪滤波方法为扩展K a l m a n 滤波( E x t e n d e dK a l m a nF i l t e r i n g ： E K F ) 、无迹K a l m a n 滤波( U n s c e n t e dK a l m a nF i l t e r i

14、n g ：U K F ) 和粒子滤波( P a r t i c l eF i l t e r i n g ： P F ) 等。 K a l m a n 滤波( K a l m a nF i l t e r i n g ：K F ) t 1 0 J 是一种应用广泛的最优线性无偏估计方法，在 非线性系统中无法得到最优解。许多学者致力于寻求有效途径获得次优解，使K F 的相 关衍生算法适用于被动跟踪系统。其中最直接最自然的想法就是对非线性系统函数进行 近似化处理，例如利用泰勒级数展开( T a y l o rS e r i e sE x p a n s i o n ：T S E ) 技术得到多项式近

15、 似表示。19 6 9 年S u n a h a r a 1 1 】等人基于此提出了扩展K a l m a n 滤波：这种方法的特点是展 开点只有一个，其使用前提是非线性函数有显式表达式且偏导数存在。之后，为了提高 1 绪论硕士论文 算法性能，诸多文献对E K F 进行了研究给出改进，提出了二阶E K F l l 引，迭代E K F 【l 引， 修正增益E K F1 1 4 ，修正协方差【15 1 、衰减记忆E K F 1 6 】和强跟踪E K F 1 7 1 等衍生算法。E K F 及其衍生算法的主要区别在于线性化过程中选择展开点不同，共同点是均需要计算 J a c o b i a n 矩阵

16、。而用T S E 近似非线性函数可能对状态的后验分布估计引入较大误差，在 模型具有强非线性时尤为明显。由此可能导致近似精度低、协方差易出现病态，甚至滤 波器产生发散。为避免此问题，J u l i e r 和U h l m a n n 1 9 2 0 l 又提出了一种基于U n s c e n t e d 变 换( U n s c e n t e dT r a n s f o r m ：U T ) 的非线性滤波方法U n s c e n t e dK a l m a n 滤波，U K F 不 需要像E K F 那样进行线性化近似处理，而是利用真实的状态空间模型对状态变量的概 率密度函数进行近似。

17、与E K F 类似，U K F 同样将状态近似为高斯随机变量，只是采用 一组确定的采样点( S i g m a 点) 来描述状态变量概率密度函数，进而获得高斯随机变量 的均值和协方差。此外，U K F 不需要计算J a c o b i a n 矩阵，U K F 在近几年的发展中有很 多衍生算法，如求根U K F 2 1 1 、迭代U K F 2 2 】、简化U K F 【2 3 】及联合估计U K F1 2 4 1 等，但U K F 包含了系统状态分布高斯分布的假设条件。 上述方法均通过解析高斯近似状态方程或观测方程来实现非线性估计，G o r d o n 等人 针对状态非线性估计问题提出通过

18、追踪系统状态的条件概率分布实现非线性估计的方 法，并通过贝叶斯定理实现条件概率的转移。这类算法的近似对象不是状态方程或观测 方程，而是状态的条件概率密度，其目的在于寻求真实状态分布的近似而非方程本身。 因其通过蒙特卡罗仿真手段产生大量粒子，用粒子散布情况来逼近状态的概率分布，是 建立在蒙特卡罗仿真技术基础之上的滤波算法，通常被称为序贯蒙特卡罗( S e q u e n t i a l M o n t eC a r l o ：S M C ) 1 2 5 - 2 7 法或粒子滤波( P a r t i c l eF i l t e r i n g ：P F ) 2 8 , 2 9 】方法。D o

19、u c e t 3 0 】等人 针对跳跃M a r k o v 线性系统状态估计提出了更为有效的粒子滤波器算法，对粒子滤波算 法的发展应用起到了推广作用，相关衍生算法不断出现，主要分为以下三类。第一类为 基于重要采样函数的P F 算法。例如文献 3 1 】针对低信噪比的浅海环境提出利用E K F 作 为重要采样函数的P F 算法；文献 3 2 】利用分布式无迹粒子滤波算法解决并发建图与定位 ( S i m u l t a n e o u sL o c a l i z a t i o nA n d M a p p i n g ：S L A M ) 系统状态估计问题，文献 3 3 1 在此基 础上

20、利用混合无迹变换提出混合无迹粒子滤波算法，效果显著；文献 3 4 1 针对粒子退化 问题，为保持粒子多样性提出了马尔科夫链蒙特卡罗重采样P F 。第二类为针对线性和 非线性混合系统提取线性状态分布的边缘化P F ( M a r g i n a l i z e dP a r t i c l eF i l t e r i n g ：M P F ) p 5 ，3 6 J 算法。第三类为基于智能优化思想进行采样的粒子滤波算法。例如文献 3 7 - 4 0 1 模拟 自然界生物进化利用选择、交叉、变异等操作代替传统重采样过程的遗传P F ( G e n e t i c P a r t i c l eF

21、i l t e r i n g ：G P F ) 算法，防止粒子退化现象；文献 4 1 4 3 研究的人工免疫P F ( A c c e l e r a t e dI m m u n eP a r t i c l eF i l t e r i n g ：A I P F ) 算法将粒子看作抗体，应用免疫算法的优 化机制在粒子更新过程中对每个抗体进行克隆，从而优选抗体，保持粒子多样性；文献 4 4 ，4 5 1 将人工鱼群的个体视为粒子，将觅食、聚群行为与粒子更新相结合，改善粒子 硕士论文多被动传感器的数据关联和目标跟踪技术研究 分布，给出人工鱼群P F ( A r t i f i c i a l

22、F i s hS w a r mP a r t i c l eF i l t e r i n g ：A F S P F ) 算法。 上述的诸多非线性估计方法对多被动传感器跟踪系统有很多限制。基于K a l m a n 滤 波的非线性滤波方法，主要从近似非线性系统这一角度进行次优非线性滤波，都隐含了 一个重要的假设条件，即假设系统状态和噪声都是高斯分布的单模态。然而现实世界中 系统噪声( 过程观测噪声) 往往不是理想的高斯分布( 如G a m m a 分布、闪烁分布或其 他跟复杂的混合分布) 。而P F 虽然适用于非高斯假设，但会出现粒子退化现象，消耗系 统资源，然而消除此现象所使用的方法又可能

23、带来新的问题。 本文从另一个方向考虑，利用高斯混合模型( G a u s s i a nM i x t u r eM o d e l ：G M M ) 采用 多个高斯分量组成混合高斯分布，结合非线性滤波算法解决非高斯假设下多被动传感器 目标跟踪系统中非线性估计问题 7 2 】。鉴于高斯混合模型在解决非高斯环境问题中的良好 表现，近年来己得到了广泛应用。例如，文献 4 6 】针对在线预测高速公路交通安全问题， 提出了一种高斯混合模型与卡尔曼滤波算法相结合的新型算法。文献 4 7 】提出了适用于 非高斯噪声环境的扩展切片高斯混合滤波( E x t e n s i o no fS l i c e d

24、G a u s s i a nM i x t u r ef i l t e r ： E S G M F ) 算法，解决了全球卫星导航系统( G l o b a ln a v i g a t i o ns a t e l l i t es y s t e m ：G N S S ) 信号的 多径估计问题。 1 2 2 多目标被动跟踪 多目标跟踪( M u l t i p l eT a r g e tT r a c k i n g ：M T T ) 理论最早由W a x 在1 9 5 5 年提出，他 将M T T 问题看作在噪声背景下确定一个粒子路径的类似问题。直到1 9 6 4 年，S i t t

25、 l e r 给 出最优关联贝叶斯方法，为M T T 技术的发展奠定了基础。他指出在多目标跟踪系统 中，在观测的附加噪声具有不确定性的同时其观测来源也是不确定的。因此，除了要 解决单目标跟踪中存在的剔除观测中所含虚警和杂波，目标状态滤波预测估计等问题 之外，多目标跟踪更要解决观测的关联融合问题。对于多传感器系统，关联融合不仅 发生在观测和己知目标航迹之间( 观测目标关联融合，或航迹维持) ，还可能发生在 多个传感器所获观测集合之间( 观测信息间关联融合，亦称航迹起始) 以及不同传感器 的目标航迹之间。 此后几十年间，科学家们对M T T 问题进行了大量研究，提出了许多理论模型和构 想。其中，常

26、见的多目标关联算法有以下几种： 1 “最近邻”( N e a r e s t N e i g h b o r ：N N ) 法【4 8 J ：计算各回波与被跟踪目标的预测位置 之间的统计距离，取值最小的有效回波即候选回波。然而该算法只实现了局部最优， 因此适用于具有高信噪比和稀疏目标的环境。优点是计算量小，缺点是抗干扰能力 差，在目标个数或杂波数目较大，有密集回波时可能出现航迹丢失现象。 2 联合概率数据关联( J o i n tP r o b a b i l i s t i cD a t aA s s o c i a t i o n ：J P D A ) 法 4 9 , 5 0 ：在概率 数

27、据关联( P r o b a b i l i s t i cD a t aA s s o c i a t i o n ：P D A ) 算法的基础上，引入“聚”( c l u t t e r ) 的概 1 绪论硕士论文 念，面向多目标关联域相交环境。理论上J P D A 是比较完善的关联算法，然而有着计算 复杂的缺点，工程上难以实时实现。 3 多假设跟踪( M u l t i p l eH y p o t h e s i sT r a c k i n g ：M H T ) 法【5 l J ：综合J P D A 和N N 两种 思想计算每个关联假设的后验概率，删除较小的假设，合并近似假设。M H

28、 T 优点是适 用于低检高杂波的多目标环境，缺点是过于依赖先验条件，计算量较大。 4 多维分配( S DA s s i g n m e n t ) 法【5 2 】：计算各种分配情况下的全局统计距离，将不 同帧测量数据中的源于同一目标的量测关联起来，。虽然S D 算法适用于多传感器观 测关联和观测目标关联，但当维数大于等于3 时，用穷举法求分配最优解便是 N P H a r d 问题，计算量庞大复杂。 上述几种方法都基于数据关联的融合，近年来受到广泛关注的基于随机集理论 ( F i n i t eS e t sS t a t i s t i c sT h e o r y ：F I S S T )

29、 的跟踪方法却不需要倚仗繁杂的数据关联，通过 将目标状态和观测集合作为整体进行处理以实现数据融合和多目标跟踪。从M a h l e r 在 1 9 9 4 年系统地提出有限集合统计学理论开始，F I S S T 在信息融合领域的应用可大致分 为以下三个阶段。1 9 9 4 至1 9 9 6 年为基础理论研究起步阶段，M a h l e r 等人基于规范 B a y e s 滤波方法，结合随机集统计学理论，系统地描述了目标跟踪系统状态估计理论。 1 9 9 7 至1 9 9 9 年为基础理论研究发展阶段，M a h l e r 等人基于实际应用考虑，设计了处理 和融合不确定信息的跟踪方法，进一步

30、完善了多目标跟踪规范B a y e s 方法。2 0 0 0 年至 今为理论研究成果应用阶段，也是F I S S T 理论在多目标跟踪领域大放异彩的阶段。 M a h l e r 等人开始将随机集理论从单传感器单目标系统推广应用到多传感器多目标系统 的研究中。例如，文献【5 3 】给出高斯假设条件下多目标跟踪的算法近似问题，利用随机 有限集( R a n d o mF i n i t eS e t s ：R F S ) 理论系统地描述了多目标跟踪问题，提出了传递多目 标集合概率分布“一阶矩”的估计思想，给出了相应的概率假设密度( P r o b a b i l i t y H y p o t

31、h e s i sD e n s i t y ：P H D ) 滤波算法。2 0 0 3 2 0 0 5 年，S i d e n b l a d h t 5 4 1 ，Z a j i c 和M a h l e r t 5 5 】 以及V o 5 6 1 等人将R F S 理论与P F 相结合，给出了P H D 算法S M C 实现。2 0 0 7 年，针对 P H D 对目标个数估计方差可能较大的特点，M a h l e r 5 7 】将P H D 滤波器进行扩展，把多目 标状态集合重新建模为一个聚类点过程，得到了C a r d i n a l i z e dP H D 滤波器。 多年来，基于

32、R F S 理论M T T 思想的P H D 滤波器和C P H D 滤波器被应用到越来越 多的实际跟踪环境中。比如2 0 0 3 年Z a j i c ，R a v i c h a n d r a n 等人利用P H D 解决高分辨率 雷达系统的空中目标识别和跟踪问题【5 引，2 0 0 4 年I k o m a 等人利用S M C 实现P H D 解决 随时间改变的光学图像特征点跟踪问题【5 9 】，2 0 0 7 年A h l b e r g 等人针对模糊态势评估系统 “I F D 0 3 ”中的群目标跟踪问题进行研究【6 0 1 。2 0 1 0 年W h i t e l e y 等人

33、利用辅助粒子滤波方 式实现了P H D 滤波器【6 。2 0 11 年N a d a r a j a h 等人提出了解决目标跟踪问题的P H D 平滑 器【6 引。2 0 1 2 年，M a h l e r 等人进一步提出了前后向P H D 平滑器【6 3 】。 硕士论文 多被动传感器的数据关联和目标跟踪技术研究 国内对基于随机有限集的滤波算法研究起步较晚，但作为一个新兴的具有良好前 景的研究方向，该算法已引起西安电子科技大学、国防科学技术大学、西安交通大 学、哈尔滨工程大学等高校与科研院所的关注，然而针对多目标跟踪，尤其是多被动 传感器的多目标跟踪领域尚未应用此类算法，本文将对此展开讨论和研

34、究，希望对多 被动传感器下多目标跟踪工程实践提供有益参考。 1 3 论文主要研究工作及创新点 本文以多被动传感器目标跟踪系统的工程实践为背景，分别针对多被动传感器单 目标跟踪和多被动传感器多目标跟踪问题进行研究。对于多被动传感器单目标跟踪， 本文考虑实际的目标跟踪过程中存在非高斯过程噪声与测量噪声情形，提出了利用高 斯混合扩展卡尔曼滤波算法和高斯混合粒子滤波算法的两种跟踪方法，并对这两种方 法进行了对比分析；对于多被动传感器多目标跟踪过程中，传统跟踪方法需要复杂的 数据关联步骤，且传统的J P D A 方法需要己知目标个数，针对上述传统跟踪方法的不 足，本文利用高斯混合粒子P H D 滤波算法

35、，提出了解决多被动传感器多目标跟踪问题 的方法，为未来多被动传感器目标跟踪系统工程实现提供理论指导和有益的参考。 本文的主要工作总结如下： 第一章介绍了本课题的研究背景及意义，从非线性估计方法和多目标跟踪技术两 个方介绍多被动传感器目标跟踪系统研究发展现状，给出课题研究主要工作和论文安 排及创新点。 第二章对E K F 、U K F 和P F 三种非线性估计方法在多被动传感器目标跟踪系统的应 用进行了理论研究和仿真实现。分析了三种方法的限制条件和适用范围，同时对 E K F 、U K F 和P F 的跟踪精度进行了对比研究。 第三章对非高斯条件下多被动传感器单目标跟踪方法进行了研究。分析了高斯

36、混 合模型的理论基础，给出其模型近似实现。利用高斯混合模型将传统的非线性滤波算 法如E K F 进行扩展使其适用于非高斯环境，之后为避免E K F 的线性化处理过程，利用 高斯混合模型对P F 进行改进，保证其在非高斯环境下估计精度的同时改善了算法效 率，使其更适用于工程应用。仿真实现在多被动传感器系统下高斯混合E K F 算法和高 斯混合P F 算法单目标跟踪状态估计，并分析对比了两种算法和含重采样步骤的序贯重 要性采样粒子滤波( S e q u e n t i a lI m p o r t a n c eS a m p l i n g 诵t hR e s a m p l i n gP a

37、t i t i c a lF i l t e r i n g ： S I S R P F ) 算法的跟踪精度和算法运行时间，说明了本文所提算法的有效性。 第四章对多被动传感器系统的多目标跟踪算法进行了研究。不采用传统基于复杂 数据关联思想的跟踪方法，而是利用基于随机有限集理论的P H D 滤波，通过高斯混合 和蒙特卡罗方法实现其在多被动传感器多目标跟踪中的状态估计，并与基于联合概率 1 绪论硕士论文 数据关联结合S I S R P F 的估计方法进行对比，分析二者跟踪效果和精度，说明算法有 效性。 第五章对全文研究工作进行总结，并提出研究过程中所发现尚待解决的问题，对 课题未来研究方向进行展望

38、。 本文主要创新点总结如下： 1 针对状态和噪声均为非高斯分布的多被动传感器单目标跟踪问题，将高斯混合 模型与E K F 算法相结合，采用了一种高斯混合E K F 滤波算法，提高了多被动传感器下 的目标状态估计精度。 2 针对状态和噪声均为非高斯分布的多被动传感器单目标跟踪问题，将高斯混合 模型与粒子滤波算法相结合，采用了一种基于P F 的高斯混合估计算法，改进了多被动 传感器下的目标状态估计精度。 3 针对多被动传感器多目标跟踪中目标数不确定问题，采用一种高斯混合粒子 P H D 滤波算法，将目标状态和数目以集值形式进行处理，解决多被动传感器多目标跟 踪中需同时估计状态和目标数的问题。 硕士

39、论文 多被动传感器的数据关联和目标跟踪技术研究 2 多被动传感器目标跟踪的基本理论 2 1 引言 单目标跟踪基本构成主要包括以下内容：生成量测数据并进行预处理、选取目标运 动模型、目标检测与辨识、滤波估计、跟踪目标坐标系和状态变量的选定。其中最基本 最核心的环节是滤波估计过程，通过滤波估计，系统可得到当前和未来时刻目标运动状 态，其运动参数通常包括位置、速度、加速度等1 6 4 1 。因此，单目标跟踪实质上是目标状 态的自适应滤波过程。以下为单目标跟踪具体流程描述，其原理示意图见图2 1 。首先， 量测量和状态预测量构成残差( 新息) 向量，之后根据残差的变化进行目标检测和辨识， 在按照某一准

40、则或逻辑调整滤波增益与协方差矩阵或者实时辨识出目标的运动特性，最 后由滤波算法得到目标的状态估计值和预测值，从而完成单目标跟踪功能。 图2 1 单目标被动跟踪原理 滤波估计是处理观测信息得到目标状态估计的基础，根据一定的滤波准则，对系 统的状态进行估计，又根据贝叶斯理论，系统的状态可通过求解其概率分布函数加之 估计准则获得，因此滤波的重点就转化成了利用所得观测信息，估计状态的概率分布 函数。 而多目标跟踪是利用多个传感器所得量测数据集合对目标的状态进行持续和优化 的估计与预测过程，其中目标状态包括运动分量( 位置、速度和加速度等) 、其他分量 ( 辐射信号的强度、射频频率和脉宽等属性信息) 和

41、常数或缓慢变化的参数( 耦合系 数、电磁波或声波的传播速度等) 。多目标跟踪综合利用了统计估计、随机决策、控制 以及智能计算等现代科学理论，将经过预处理的传感器检测数据依据一定规则进行判 决和关联，分解为对应虚警、新目标和已确认目标等不同信源产生的量测集合，从而 判定被跟踪的目标数目并估计出目标的状态参数。如图2 1 多目标跟踪基本原理框图， 以传统基于数据关联思想的多目标跟踪技术为例，对目标跟踪过程的几个基本要素进 2 多被动传感器目标跟踪的基本理论 硕士论文 行简述： 1 量测数据获取 量测数据是传感器获取的目标量测数据值，主要为目标的运动参数。其中，主动 传感器通常可能获得目标位置、速度

42、、加速度，目标数目和属性；被动传感器主要得 到的是目标当前方位，即俯仰角和方位角； 2 机动判决 机动判决包括机动检测和机动识别。作为两种决策机制，当目标出现机动时，此 环节可确定机动的发生时间，估计机动参数( 如机动强度及持续时间) 。本文研究的对 象不包括机动目标，故接下来讨论跟踪过程的内容中不再提及机动判决。 3 滤波估计与预测 滤波估计与预测作为跟踪系统最基本最重要的环节，是对当前时刻和预测下一时 刻目标运动状态进行估计的关键技术方法。常见的滤波算法主要有最小二乘滤波 ( L S F ) 、K a l m a n 滤波( K F ) 、扩展K a l m a n 滤波( E K F )

43、 、无迹K a l m a n 滤波( U K F ) 以及粒子滤波( P F ) ； 4 跟踪门规则 跟踪门( 也称关联门) 是将量测数据中的有效回波分配给已建立的目标航迹或新目 标的一种限制门限，是一种粗略检验方法。利用跟踪门确定有效回波，只考虑在跟踪 门内的量测数据，可以有效减少计算量； 5 数据关联 数据关联是将量测数据经过跟踪门规则的输出与已有目标航迹进行比较，最终确 定量测数据与航迹正确配对的过程； 跟踪起始 与跟踪终结 I 跟踪维持 y 数据关联卜_ 今 机动识别 滤波预测| l 多机动 目标状态 I 跟踪门 规则 6 跟踪起始与跟踪终结 图2 2 多目标跟踪基本原理框图 硕士论

44、文多被动传感器的数据关联和目标跟踪技术研究 跟踪起始是在已有的目标跟踪之外再确定新生目标档案的决策方法，包括生成假 定航迹，初始化假定航迹和确定航迹三个步骤。跟踪终结可视作跟踪起始的逆过程， 作用是消除已有目标档案。 此外，漏检与虚警也是目标跟踪系统中丞待解决的常见问题。漏检一般是指未被 传感器探测到的目标量测数据；虚警是指因传感器自身噪声、探测区域包含杂波或电 子干扰信号等潜在的信息源使传感器传回的伪量测数据。目标跟踪真实环境往往含有 高杂波，合理处理这些漏检、虚警等信息也是目标跟踪技术的重要组成部分。 2 2 多被动传感器量测建模 被动传感器的特点是不主动发射信号，只接收目标自身的辐射信号

45、或反射外源照射 信号。因此，其所获目标观测信息中通常不包括距离信息，属于不完全量测，加之被动 跟踪系统通常具有强非线性，被动目标跟踪所涉及的问题尤为复杂，其数学描述如下。 设被动多传感器探测系统包含S 个被动传感器，探测目标运动过程用马尔可夫状态 方程描述： X 女= 舭一1 l X + w ( 2 1 ) 其中，x 。= ( X k ，Y 。，气，茸，九，Z k ) 1 为目标状态矢量，分别对应目标的位置、速度信息。 若目标机动或需要识别目标身份时，状态矢量还可能包括目标加速度及辐射信号强 度、射频频率等信息。六肛。( ) 为从七一l 时刻至尼时刻目标状态转移函数。W 。为目标状 态噪声矢量，可假设为高斯噪声：w 。N ( q k ，Q ) ，q 。和g 为状态噪声的均值和协方差 矩阵。 图2 3 多被动传感器跟踪系统示意图 系统示意图见图2 3 ，k 时刻传感器5 的观测方程如下： 2 多被动传感器目标跟踪的基本理论硕士论文 露= ( ) + 嚣，s = 1 2 一，S ( 2 2 ) 其中，y ? 1 = ( 磷“，巍5 ) 2 为传感器s 的观测矢量。 目标的方位角磷5 ) 和俯仰角巍5 计算如下： 磋。= 蝴( 磷衅) ( 2 3 ) = 一p 丽 泣4