基于有限集统计学理论的机动目标联合检测、跟踪与分类研究

现有研究中大多将目标检测、跟踪、分类三个问题分开处理。事实上，目标的检测、跟踪与分类是三个紧密耦合的问题，应加以联合处理。本项目将利用有限集统计学理论在目标联合检测与跟踪上的优势，加入目标属性特征测量信息，并与多模型算法思想相结合，致力于解决机动目标联合检测、跟踪与分类问题。尽管基于有限集统计学理论的多目标跟踪技术可以同时实现目标数目及目标状态的估计，但并不能形成目标航迹。针对现有一些航迹生成技术都没有考虑到虚警估计、目标漏检与目标机动的情形，本项目还将在分析多机动目标动力学模型的基础上，加入目标属性信息并与传统数据关联方法相结合，实现多机动目标航迹值的估计。

从复杂战场环境中可靠地检测目标，并实现对目标的精确跟踪与准确分类是战场侦察监视系统的核心任务。现有研究大多将目标检测、跟踪与分类切分为三个独立问题，分别加以处理。尽管这种采用“切分”思想的处理方法逻辑清晰、实现简单，但该方法并没有充分挖掘三者间的耦合信息。事实上，目标的检测、跟踪与分类是三个紧密耦合的问题。一方面，目标的运动学行为可以改善目标分类性能；另一方面，类别相关的运动学模型又可以提升目标跟踪性能。当然，目标数目的变化也蕴含着跟踪与分类算法的改变。三者联合处理有望得到更优异的目标检测、跟踪与分类性能。本项目以有限集统计学理论为基础，探索其在机动目标联合检测与跟踪、机动目标联合跟踪与分类、尤其是在机动目标联合检测、跟踪与分类技术中的应用，推导并提出了一系列联合滤波算法。经过详细的理论推导、性能分析和大量仿真验证，所提联合滤波算法在目标检测、跟踪与分类方面的性能指标都优于传统滤波算法，可以显著提高侦察监视系统的目标信息获取能力。具体研究成果包括：1）对有限集统计学理论的提炼阐释与改进；2）对单/多机动目标联合检测与跟踪、联合跟踪与分类及联合检测、跟踪与分类算法的推导验证；3）对目标航迹提取算法的改进及性能评估等方面，总计发表7篇SCI论文（1篇录用待刊）、5篇EI论文及1篇《中国科学-信息科学》论文。