基于随机有限集理论的多目标跟踪方法若干问题研究

Multi-target tracking techniques have important application value in many areas, such as aerospace, military defense, and robotics. Multi-target tracking methods based on random finite set theory can avoid problems appeared in the progress of data association. It can also deal with multi-target tracking problems in the complex environment with target number unknown and target number varying with time. It has become an international focus of research in recent years. .The proposal aims at some key problems about multi-target tracking methods based on the random finite set theory. It devodes ourselves to the studies of promoting the effectiveness of multi-target tracking. Firstly, we will study new methods of more accurate target state extraction in complex situations. Targets are labeled in the process of tracking, and then multi-target tracks are formed. More effective algorithms for target state extraction can be obtained by using the former track information. Subsequently, we will study some multi-target tracking scenarios in real application to seek general constraints of tracking system. More accurate results will be obtained as the constraints are applied properly in the filter. Furthermore, considering the case of continuous multi-step miss-detection on the same target in the progress of signal collection, we will study the general track-to-track association technique. .Through the studies above, we expect to enrich and enhance the implementation approaches and multi-target tracking theories system.

多目标跟踪技术在航空航天、军事防卫、机器人等领域具有重要的应用价值。基于随机有限集理论的多目标跟踪方法，能够避免数据关联步骤的困扰，能够较好地解决复杂环境中目标数目未知且随时间变化的多目标跟踪问题，已成为近年来国际上研究的热点。.项目针对基于随机有限集理论的多目标跟踪方法中的若干关键问题展开研究，致力于提高多目标跟踪的有效性。首先，研究复杂条件下更准确的目标状态提取方法。在跟踪过程中对目标进行标定，形成多目标航迹，利用已经形成的航迹信息重新设计目标状态提取算法，以获得更有效的目标状态估计方法。其次，对多目标跟踪场景进行研究，寻找目标跟踪系统中惯有的约束关系，并在滤波过程中加以合理利用，进一步提高滤波的精度，从而提高目标跟踪的精度。此外，考虑到信号采集过程中存在同一目标持续多步漏检的情况，研究一般意义下的航迹关联技术。.通过本项目研究，可以丰富和补充多目标跟踪方法的实现途径和理论体系。

根据既定目标，从提高多目标跟踪精度、降低执行时间，以及提高目标在不同时刻的关联程度等方面入手进行研究，取得如下成果：（1）针对杂波更容易集中在目标所处区域的问题，提出一种状态与杂波相关条件下的GM-PHD算法。该算法对状态和杂波之间的相关性进行建模，根据整个监视区域的杂波分布获得杂波强度，并将其应用于滤波更新过程中，以提高滤波精度。（2）考虑到传统的GM-PHD滤波器在更新步骤中用全部量测值对所有高斯项进行更新，使得大量的运算时间花费在无效量测上。针对此问题，提出一种快速多目标跟踪GM-PHD滤波器。（3）针对杂波环境下标准的势均衡多伯努利滤波器不能有效跟踪多机动目标的问题，提出了一种新的多机动目标跟踪算法。（4）实际应用中存在杂波率较高而检测率较低的情况，此时GM-PHD滤波算法的估计结果出现较大偏差。采用航迹-估计关联和数值插值技术予以补偿。（5）在低检测率条件下，GM-CPHD目标数目估计会出现偏差。针对该问题，提出了一种基于航迹—估计关联的GM-CPHD后处理算法。此外，采用递推方法替换定义方法计算初等对称函数，提高了求解效率，降低了整个算法的时间复杂度。（6）针对扩展多目标PHD展开研究，提出了一种基于容积卡尔曼滤波的扩展目标跟踪算法。此外，分别研究了在多传感器条件下，目标交叉条件下，以及多传感器监测区域部分重叠条件下的扩展目标跟踪问题。（7）对DST、DSmT、PCR组合规则，量子态秘密共享，以及证据源间的冲突问题进行研究，给出了一些新的思路和方法。对卡尔曼滤波相关算法进行了多方面研究。本项目在多目标跟踪，扩展多目标跟踪，卡尔曼滤波，以及信息融合和信息安全等方面提出了一些新的思路和有益的参考结果。项目组已发表或录用学术论文30余篇，已被SCI检索4篇；出版学术专著1部；培养硕士研究生11人。