基于粒子滤波的机动目标检测前跟踪算法研究

作     者：张春景 

作者单位：大连海事大学 

学位级别：硕士

导师姓名：柳晓鸣

授予年度：2021年

学科分类：0809[工学-电子科学与技术（可授工学、理学学位）] 080902[工学-电路与系统] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：检测前跟踪 机动目标 粒子滤波 遗传重采样 多模型粒子滤波 

摘      要：为解决粒子滤波检测前跟踪(Particle Filter Track-Before-Detect,PF-TBD)算法由于粒子退化而无法获得较好的检测跟踪性能问题,各学者提出了多种改进方法,而且为提高PF-TBD对机动目标的处理能力,发展出了多模型粒子滤波检测前跟踪(Track-Before-Detect Based on Multi Model Particle Filter,MMPF-TBD)算法,但该算法存在有效模型使用概率低等缺陷。本文以粒子滤波(Particle Filter,PF)方法和多模型(Multi Model,MM)理论为基础,以MMPF-TBD算法为主线,从优化滤波方法和优化多模型结构两个角度分别提出了以下三种算法。本文主要研究工作及取得的成果如下:(1)基于优化遗传重采样的辅助粒子滤波检测前跟踪(Auxiliary Particle Filter Track-Before-Detect Based on Optimized Genetic Resampling,OGRAPF-TBD)算法研究。针对辅助粒子滤波检测前跟踪(Auxiliary Particle Filter Track-Before-Detect,APF-TBD)由于粒子匮乏而无法获得较好的检测跟踪性能问题,提出了OGRAPF-TBD算法。在APF-TBD的重采样中应用优化的遗传重采样(Optimized Genetic Resampling,OGR)方法,根据权重选择优质粒子,通过排序分组交叉和变异操作得到新粒子。该方法不仅能保留APF-TBD通过优化重要性分布函数提高采样粒子准确性的优势,将OGR思想引入重采样还能有效解决粒子匮乏问题,增加有效粒子数目。仿真结果表明,相较于APF-TBD和PF-TBD,OGRAPF-TBD具有更高的目标发现概率和跟踪精度,以及更强的适用性。(2)基于优化遗传重采样的多模型辅助粒子滤波检测前跟踪(Multi Model Auxiliary Particle Filter Track-Before-Detect Based on Optimized Genetic Resampling,MMOGRAPF-TBD)算法研究。针对MMPF-TBD由于采用序贯重要性重采样(Sequential Importance Resampling,SIR)滤波方法而无法较好地检测跟踪机动目标问题,提出了MMOGRAPF-TBD算法。将MMPF-TBD中的SIR替换成OGRAPF-TBD,从优化滤波方法角度改进了MMPF-TBD,保证粒子有效性的同时,解决了粒子匮乏问题,使加权平均后的粒子更接近目标的真实状态。仿真结果表明,相对于MMPF-TBD而言,MMOGRAPF-TBD具有更高的有效模型使用率、检测及跟踪精度,更强的适用性。(3)优化的多模型遗传重采样辅助粒子滤波检测前跟踪(Optimized Multi Model Genetic Resampling Auxiliary Particle Filter Track-Before-Detect,OMMOGRAPF-TBD)算法研究。针对MMOGRAPF-TBD存在运动模型不能很好地覆盖高机动目标的运动形式,模型间转换复杂和有效模型使用概率低问题,本文提出了OMMOGRAPF-TBD算法。以改变机动加速度的取值为核心,用一种运动模型模拟出多种运动模型,不仅增加了运动模型种类,也避免了多模型之间的转换。仿真结果表明,相较于MMPF-TBD和MMOGRAPF-TBD,OMMOGRAPF-TBD具有更高的运动模型使用效率、检测跟踪精度,以及更强的适用性。