复杂环境下数目未知时变的多目标连续跟踪方法研究

针对杂波和噪声环境中目标紧邻、数目未知时变、航迹交叉、平行等复杂条件下的多目标跟踪应用背景，本项目以粒子概率假设密度滤波为理论基础，在单目标PHD分解的框架下研究多目标连续跟踪问题，研究构建包含滤波、状态假设、状态关联、剪枝、状态反馈和回溯的多目标连续跟踪模型，以及结合航迹不确定性分析和粒子云融合的航迹融合模型；提出权值域的粒子单目标PHD分解方法，给出新的PHD滤波结构；提出数目未知时变的多目标状态估计方法，提高状态估计的精度和效率；提出结合预测和粒子标签的帧间状态关联方法，降低紧邻和航迹交叉情况下的状态关联错误；提出针对杂波的航迹管理方法，降低杂波和噪声等因素对目标跟踪过程的干扰；提出基于粒子云融合的航迹融合方法，解决PHD滤波的同类传感器航迹融合问题。最终提高复杂情况下多目标跟踪精度，降低目标数目、状态和轨迹的估计误差，实时、准确的实现目标的连续跟踪。

目标跟踪问题是指在杂波环境中，根据受噪声干扰的传感器测量序列，对目标状态进行估计，建立完整的目标航迹的过程。目标跟踪在定位、导航、工业控制等军事和民用领域有着广泛的应用。数目未知且随时间变化的多目标跟踪问题，在杂波和噪声环境中目标紧邻、数目未知时变、航迹交叉、平行等复杂条件下，对运动方式复杂多变的目标进行连续跟踪具有很大的不确定性，具有更为广泛的应用范围和更高的技术难度，是十分具有挑战性和具有重要研究价值的课题。.本项目从复杂系统中数目未知时变的目标状态估计方法，多目标连续跟踪方法，多传感器跟踪系统中的航迹融合方法和航迹关联方法四个方面对复杂环境下多目标跟踪进行了全面综合的研究，提出了用于解决状态估计的精确测量跟踪系统中的改进粒子滤波方法，基于粒子概率假设密度滤波分解的状态估计方法，并推广至粒子势概率假设密度滤波中，从随机有限集理论层面解决了状态估计问题，与传统的聚类方法相比，具有更高的估计精度和计算效率；在连续跟踪方面，在粒子概率假设密度和粒子势概率假设密度滤波基础上，建立了包含滤波、状态假设、状态关联、剪枝、状态反馈和回溯的多目标连续跟踪模型，提出结合预测和粒子标签的帧间状态关联方法，降低紧邻和航迹交叉情况下的状态关联错误，构建了完整的多目标轨迹连续跟踪方法，有效提高了跟踪精度，降低了杂波和噪声等因素对跟踪过程的干扰；在多传感器状态融合方面，提出了基于粒子云融合的融合方法，解决粒子概率假设密度滤波中面向同类传感器的融合问题，有效利用多个传感器局部航迹信息，提高目标跟踪整体的精度；提出了基于直觉模糊集聚类的状态关联与融合方法，获得更高的关联精度和更准确的融合结果；在多传感器航迹关联融合方面，提出了基于启发式的航迹状态估计融合和基于信息量分析的航迹状态估计融合算法，平衡了精度与计算量之间的矛盾。通过上述研究，建立了完整的数目未知时变的多目标跟踪方法，在复杂情况下有效的提高了多目标跟踪精度，降低目标数目、状态和轨迹的估计误差，高效、准确的实现目标的连续跟踪。