基于粒子滤波的多目标检测前跟踪算法研究

低信噪比、复杂场景下的多目标检测与跟踪问题是目标探测领域研究的热点和难点，传统的先检测后跟踪（DbT）的方法很难解决这一问题，这是因为：若提高检测门限，则目标很容易丢失；若降低检测门限，则虚警率也相应提高。本项目拟提出一种基于多模态粒子滤波（MMPF）的多目标检测前跟踪（TbD）算法，这种算法对单帧数据中有无目标暂不进行判断,而是利用粒子的散布性特点先对所有可能的轨迹进行跟踪,然后在多帧数据积累的基础上进行判决，从而实现对弱目标的跟踪。在MMPF算法中，将多目标的状态空间划分为多个子空间，通过增减模态分量来标识目标的出现或消失，其运算复杂度随目标个数的增加呈线性（而非指数）增加，可有效避免传统算法中的计算爆炸问题。为了实现对目标的快速、稳健、高精度跟踪，项目中将同时研究提高滤波精度、减小检测时延及提高算法执行速度的方法。本项目的研究可望为低信噪比条件下的多目标TbD提供一条新的可行途径。

低信噪比、复杂场景下的时变多目标检测与跟踪是个极具挑战性的难题，本项目通过检测前跟踪（TbD）方法来解决。首先，以典型红外传感器探测应用为背景，建立了TbD系统模型，并通过粒子滤波原理实现了单目标TbD。在此基础上，从随机有限集跟踪理论出发，提出了基于概率假设密度（PHD）滤波与动态聚类的时变多目标TbD处理方法，实现了目标个数和状态的快速、准确估计；提出了基于多贝努利（MeMBer）滤波和航迹一致性检验的时变多目标TbD处理方法，取得了良好的检测与跟踪效果。最后，将常规条件下的多目标TbD处理方法进一步向其它应用条件扩展，提出了多传感器PHD-TbD处理方法，改善了对低信噪比目标的检测与跟踪性能；提出多模MeMBer-TbD处理方法，提高了对多机动目标的检测与跟踪能力。通过本项目的研究，建立了基于随机有限集理论的多目标TbD处理通用框架，实现了数目可变条件下的多目标联合检测与跟踪，突破了传统检测后跟踪（DbT）方法的局限，取得的成果对提高预警监视系统的多目标探测能力具有重要的理论指导和技术支撑作用。