基于CFAR和概率数据关联的点状运动目标跟踪技术性能分析

论文摘要

近些年来,由于军事上要求不断提高防御系统性能,使得人们对远距离,低信噪杂波比（SNCR）情况下的微弱点状运动目标的检测及跟踪技术产生了浓厚的兴趣,该课题也成为目前的研究热点之一。在低信噪杂波比（SNCR）条件下,微弱点状运动目标的检测与跟踪在图像处理、遥感、雷达监视、机器人学和医学等很多领域中很重要而且非常具有挑战性。本文首先介绍了微弱点状运动目标检测与跟踪系统原理,并指出了其中的关键技术及不同方法的优缺点,然后在恒虚警率（CFAR）准则下,描述了微弱点状运动目标的跟踪算法,接着重点对PDAF跟踪及PDAF-AI跟踪两种情况分别做了实验,并对实验结果做了比较,最后做了性能分析。为了更直观地看出PDAF-AI与PDAF的跟踪性能,又对本算法做了蒙特卡罗实验,实验结果与理论相符,证明了本文算法的有效性和可行性,最后对全文作出总结与展望。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 微弱点状运动目标检测与跟踪系统
• 1.3 微弱点状目标跟踪常用技术
• 1.4 论文主要工作及论文内容安排
• 第二章 微弱点状运动目标CFAR 跟踪技术基本理论
• 2.1 目标与观测模型
• 2.2 Neyman-Pearson 准则
• 2.3 概率数据关联技术
• 2.4 Kalman 滤波
• 2.5 蒙特卡罗方法
• 2.6 本章小结
• 第三章 基于CFAR 和概率数据关联的点状运动目标跟踪技术性能分析
• 3.1 微弱点状运动目标初始信息的获取算法
• 3.2 微弱点状运动目标的跟踪算法
• 3.2.1 跟踪模型
• 3.2.2 PDAF 算法步骤
• 3.2.3 PDAF-AI 算法步骤
• 3.3 PDAF 与PDAF-AI 实验结果比较
• 3.3.1 X 方向方差比较
• 3.3.2 Y 方向方差比较
• 3.3.3 某时刻跟踪窗内测量到的目标结果总数比较
• 3.3.4 信噪比与跟踪率的关系
• 3.3.4.1 蒙特卡罗实验分析过程
• 3.3.4.2 蒙特卡罗实验环境的设置
• 3.3.4.3 蒙特卡罗实验结果及比较
• 3.4 本章小结
• 第四章 全文总结与展望
• 参考文献
• 附录
• 研究生期间发表论文
• 致谢