粒子滤波改进方法研究在目标跟踪技术中的应用

论文摘要

随着现代科学技术和工程技术的发展,目标跟踪理论形成了经典的维纳滤波和近代卡尔曼滤波两大理论体系。目标跟踪技术中的关键技术包括数据关联技术和滤波算法。本文针对目标跟踪技术中的关键技术进行了详细的研究。首先本文介绍了数据融合的基本原理以及目标跟踪的基本原理及线性滤波算法卡尔曼滤波,详细介绍了算法的基本原理和算法过程。卡尔曼滤波算法是在线性、高斯的情况下能很好地满足目标跟踪的性能,然而对非线性、非高斯的情况,滤波方法的指标有所下降。针对非线性、非高斯的情况,详细介绍了粒子滤波算法,阐述了其基本原理和关键技术。其次分析了粒子滤波算法的优缺点,以及粒子滤波算法的改进方向,其改进的方向主要是重要性密度函数的选取和利用重采样技术,来减少标准粒子滤波算法粒子退化现象。针对粒子滤波算法的缺点,引进了一种改进的粒子滤波算法——正则粒子滤波算法,该算法是基于正则再采样技术而改进的一种算法,即根据后验密度的离散分布重建它的连续分布,然后从后验分布的连续近似中采样获得再采样粒子,从而能减少粒子的退化现象。另外还详细介绍了联合数据关联技术和交互多模型方法及其基本原理。并在交互多模型算法中,把正则粒子滤波算法代替了卡尔曼滤波算法。通过实验仿真对单目标和多目标进行了跟踪,分别应用了卡尔曼滤波、粒子滤波和正则粒子滤波算法,实验结果表明正则粒子滤波算法明显地提高了跟踪效果和跟踪精度。然后运用VC++结合MATLAB完成了软件的设计。最后,给出了结论与展望,总结了所做的主要工作和指出了下一步有待研究解决的内容。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 目标跟踪技术国内外发展状况
• 1.3 多传感器数据融合技术国内外研究动态
• 1.4 论文主要工作和结构安排
• 第2章 数据融合理论及目标跟踪技术
• 2.1 数据融合
• 2.1.1 数据融合的基本原理
• 2.1.2 数据融合的通用模型
• 2.1.3 数据融合的结构
• 2.2 目标跟踪
• 2.2.1 数据配准
• 2.2.2 跟踪波门的预测
• 2.2.3 跟踪门
• 2.2.4 数据关联与滤波算法
• 2.2.5 跟踪起始与跟踪终结
• 2.3 本章小结
• 第3章 滤波算法
• 3.1 系统模型
• 3.2 贝叶斯最优估计
• 3.3 蒙特卡罗方法
• 3.3.1 序贯重要性采样算法（SIS）
• 3.3.2 重采样技术
• 3.4 卡尔曼滤波（KF）
• 3.5 粒子滤波（PF）
• 3.5.1 标准粒子滤波算法
• 3.5.2 粒子滤波器的缺点
• 3.5.3 粒子滤波算法的改进方法
• 3.6 本章小结
• 第4章 粒子滤波在目标跟踪中的应用
• 4.1 机动目标的运动模型
• 4.2 正则粒子滤波算法
• 4.3 联合概率数据关联（JPDA）
• 4.4 交互多模型（IMM）
• 4.5 两个JPDA模型的IMM目标跟踪
• 4.6 粒子滤波与多模型的多目标跟踪
• 4.7 仿真与结论分析
• 4.7.1 扩展卡尔曼滤波EKF和不敏卡尔曼滤波UKF仿真比较
• 4.7.2 正则粒子滤波RPF和标准粒子滤波PF仿真比较
• 4.7.3 多目标跟踪仿真
• 4.8 程序设计
• 4.9 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历