基于分类多模型法的目标跟踪研究.doc

武汉理工大学硕士学位论文基于分类多模型法的目标跟踪研究姓名：徐铁城申请学位级别：硕士专业：计算机科学与技术指导教师：饶文碧201105 珺 ， 的管理，包括途中和终端地区管理、进场管理、防撞警告、碰撞回避等；海岸监模式基本固定的情形下能起到很好的滤波效果，在目标出现随机机动时这些算法的跟踪精度就有所下降。为了适应目标的随机机动，减少跟踪误差，又出现了一些新的自适应滤波算法，如强跟踪滤波算法、粒子滤波算法，模糊自适应滤波算法等。对与具有不确定机动性的目标，为了能够对目标运动更精确地描述，学者们提出了多模型法，如交互多模型法荌在目标机动恒定时滤波精可以避免目标机动恒定时的精度下降问题。目标跟踪的研究现状目标跟踪过程中的状态估计一直以来都是科研工作者研究的重点。目标的机 模型假定目标运动满足加速度一阶时间相关，能够很好的处理匀速和目标的加速度变化进行预测。作为机动目标跟踪研究中的热点问题，多目标跟踪直得到了研究者们的关 机动类型，然后为每个类型选择一种最优滤波器对目标状态进行估计。滤波器残差的变化判断目标的机动状态的方法。 曰觳夂头掷嘟蟹抡妫谑匝橹杏肅算法实现机动目标的 目标跟踪从传感器数量上，可以分为单传感器目标跟踪系统和多传感器目标跟踪系统；从被跟踪目标数量上，可以分为单目标跟踪和多目标跟踪。其中多传感器目标跟踪系统需要用到多传感器数据融合技术，即将多个传感器的目标信息进行融合。多传感器信息融合不只是将目标的位置信息进行融合，还包括目标状态、类型等信息进行融合【】等。目标跟踪一般分为单目标跟踪和多目标跟踪，但是由于多目标跟踪同样可以 图目标跟踪一般过程只包含了目标在当前时刻的状态，这样是无法形成航迹信息的。目标的航迹信息 滤波算法对动态行为进行状态估计。 【妻：习一【三。噪声协方差方程，刺夥匠芝皇伍七孪讲罹卣蠓匠藽鲆婢卣蠓匠 支痥皇啡伍簔伍蝗】七误差协方差矩阵方程在滤波模型中目标状态量是一个受噪声干扰的随机变量，它们无法得到准确得测量。但是滤波算法可以使用统计的方法根据目标的一组状态对它进行状态估计，且可以最大程度接近真实值，所以滤波方法是一种最优估值方法。在线性系统中滤波算法的估计值的期望与真实值相等，所以它是一种无偏估计。滤波算法是一种递推最优估计方法，采用了状态空间进行描述，能处理多维和非平稳的随机过程。滤波克服了滤波理论的局限性，在工在控制、制导、导航、通讯等现代工程方面应用广泛。脑肷讲罹卣笕绶匠所示粒子滤波方法可以用来解决非线性目标的状态估计问题。粒子滤波采用了蒙特卡洛方法，它利用粒子集和粒子的权值分布来模拟目标的状态分布概率。当目标运动模型为非线性模型或者噪声为非高斯噪声时，传统的滤波方法的性能会急剧下降。粒子滤波方法是通过粒子的分布来近似目标的状态分布，它不受噪声模型的限制，适用的范围更广泛。粒子滤波主要使用与密集杂波环境和多 目标状态滤波。在单目标跟踪中由于粒子数很少无法充分发挥粒子滤波的优点，域得到了广泛的应用。毕叶叫 模型条件滤波尸传火玻馕橐籑。交互多模型计算步骤如下：一 船言巧七薹肛，髏珸一二】一二】 假点迹和其他目标的观测值等。这一过程采用门限过滤的方式来实现。将输出结果形成关联矩阵。 粃，伍蝗沼七一功 概率数据关联方法。这种算法不需要关于目标运动状态和杂波分布的任何先验信息，与其他算法相比在密集杂波环境下能取得最好的效果。 通过使似然函数最大化来计算目标观测的概率分布参数，然后利用概率分布来选择与目标匹配的观测值。的缺点是由于它事先假定了目标的观测值必须服从某一特定的概率分布，当目标处于机动状态时跟踪性能严重下降。它的缺点还有过于依赖先验知识和似然函数计算的高度复杂性。这些都限制了它在工程实践中的应用。 航迹管理贯穿于目标跟踪的整个过程，是目标跟踪得以持续的重要保证，它控制着整个目标跟踪系统的状态转换。在目标跟踪的过程中最开始的数据只有来自传感器的离散采样，没有包含任何航迹信息，所以无法确定传感器采样是否来自某个目标，或者这个采样只是一个杂波。最初的目标航迹信息是通过航迹初始化算法得到的，它通过对来自传感器的采样进行假设来获取目标航迹的最初信息。只有当航迹初始化完成之后才能进行后续的目标跟踪过程。在这个过程之中目标可能会从传感器的探测区域消失，在目标跟踪的过程中为了对这些情况进行处理需要航迹维持算法来提供帮助。如果目标持续一段时间没有在传感器的探测区域内出现或者当前的目标是个虚假的目标，航迹删除算法便会将这些目标信息删除。航迹维持 目标跟踪的第一步是从众多的目标观测采样中获取目标的初始信息。由于标标当前状态标关联门限 目标跟踪算法的主要问题分析 应用进行仿真实验。标的机动性进行检测与分类，然后为每一类目标选择合适的机动模型对其状态进目标机动检测上 为刀的卡方分布，分类的依据为滤波器残差分布。目标持续在时间，内归一化残机动状态，使用弱机动目标的滤波器可以增加状态预测的精度和减少计算复杂 在实际的目标跟踪中往往会受到传感器观测噪声的影响，当噪声影响大到一 平均残差功率的定义见公式只为滤波器的测量误差协方差；缸为监测时间段，一般选择个采用间隔。与它的已知概率分布进行对比，当它们之间的差超过某个门限时目标开始机动。材。笋掣服从自由度为以一的彳：分布。筛检记忆法也是通过对检测量“的观察来判断目标是否产生机动。 动目标，模型可以对这类目标进行正确的描述。等人在研究机动目标状态预测时认为目标在通常情况下是匀速率运动的，目标的转弯、躲避、和加计胍籖】该方程可以正确预测出现瞬时机动的目标的状态。在公式中为均值为零的高斯白噪声序列，其定义见公式 测方程见公式于模型的自适应滤波器作为弱机动目标的状态滤波器。 斯噪声半马尔科夫统计模型，这是对模型的重要改进。趌籄币灰淮印監假设采样间隔为勘暝趉时刻的状态见公式西一 甠刁喉亍，嗍其中也，西删七，略同公式，“一鰈豢贗；口七忙 仃：，卜咖一回住 甜为离散化噪声向量，定义见公式一 由于引入了目标加速度的一阶导数、二阶导数甚至更高阶到数的状态估计，基于分类模型的数据关联算法核心为分类器。分类器的数量和分类算法的设计掷嗥髦行牡募扑愫兔畔薜纳杓可以根据对目标跟踪的精度要求来决定。在传统算法中目标跟踪的对象是每个传感器的实时采样数据，而在分类模型中将传感器采样数据根据分类规则进行分类。然后将类的特征作为一个新的采样数据进行目标跟踪计算，可以减少计算的复杂度。分类模型的结构如图所示。 设分类器集合为琿为械脑K分类器磓类器的数量。分类器的计算结果的集合为琷硎痉掷嗥鱭度为口一，最小门限加速度为口血。门限为且满足关系；计算：趈驤： 当吒凼保頜一嵋摇禷权值的分配不是唯一的，不同的权值分配会对结果产生很大影响。权值分配方式都要满足两个条件。因为在类的集合尺也琲。的每个类中的元素都是等价的，所以取的图集合中心的加权求和 等。它们的实现方式如下所示，机动检测的残差分布是目标分类的依据，根据上述的条件来调整目标机动类型。以一五目冢 唬。色。啦倍騥，基于分类模型的机动目标跟踪方法交互多模型法采用了相似图 通过对前面惴姆抡娼峁姆治隹梢缘贸鲇跋霤算法性能的几个关键因素有：第一，机动检测算法的准确性，第二，最优滤波器的选择。机动检测的准确性直接影响了目标机动分类的结果，目标所属机动类型是否正确决定了当前目标所使用的滤波器是否为适合于该目标的最优滤波器。如果目标机动分类不准确那么当目标使用该类型关联的滤波器进行滤波时很可能出现滤波发散。 本章小结 第翪的仿真与性能分析基于分类多模型模型的目标跟踪方法隝同属于多模型法，在对机动目标跟踪时目标的多样性和目标本身在不同时刻所表现出的机动性，很难用一个统一的模型来描述所有目标在整个运动过程中运动状态，所以多模型法便成了更好的选择。基于分类多模型的目标跟踪方法没有采用传统的通过目标后验信息对滤波误差进行修正的方式提高对机动目标状态估计的精度，而是在对目标进行和目标分类的准确性。在下面的试验中主要对目标机动检测的可行性进行验证和目标分类仿真及分析篒机动检测将采用归一化残差功率法，归一化残差为 ，一化残差接近蛘遱不服从自由度为刀的妒分布，以为目标状态的维数。目标隔勘暝硕奔，蒙特卡罗仿真次数次。 图滤波器归一化残差分布较好的状态估计结果。图赟滤波器归一化残差分布 分布。分布，而且此时滤波发散。图滤波器归一化残差分布出现机动时残差发散。 映目标是否滤波发散，如果滤波发散则目标开始机动或者目标机动程度开始增强，滤波器残差分布接近最小值时说明目标机动减弱。当目标机动增强时需要使用具有更高精度的自适应滤波器，否则会产生滤波发散或精度下降。当目标机动减弱时可以使用弱机动滤波器。与强机动滤波器相比，此时弱机动滤波器不仅减少了计算复杂度还可以提高滤波精度。 跟据中的目标机动检测和分类的结果可以为目标在不同的运动状态时选篒 图目标跟踪位置误差协方差图目标跟踪速度方差协方差埘一峨心童茸一化量塞差功嗣， 开始匀速运动。本章小结 可以更全面地描述目标的机动，而分类的方式可以简化算法的