目标跟踪的算法研究

在众多领域,比如军事上的战场监视、防空系统,民用上的交通管制、机器智能、医疗器械,目标跟踪都是一个基本的或重要的问题。随着应用的推广,各种新的技术被应用到目标跟踪中来适应更加复杂的环境。而目标跟踪中的一个核心部分就是滤波算法,本文重点研究了一般的卡尔曼(Kalman)滤波,扩展Kalman滤波(EKF: Extend Kalman Filter),粒子滤波,和基于这些滤波算法的交互式多模型(IMM: Interacting Multiple Model)目标跟踪技术。 本文首先介绍了目标跟踪的基本原理,重点分析了基于Kalman滤波(包括EKF)的经典跟踪方法。通过建立相应的模型仿真了解到,基于EKF的跟踪方法对于线性或者弱机动性的目标有很精确的跟踪性能,但是在强非线性或者高度机动性的目标的情况下的跟踪性能会下降。同时,对于多维状态的跟踪系统,EKF中的雅克比矩阵计算会很复杂也很困难。针对Kalman滤波中的问题,本文介绍了近几年比较流行的粒子滤波,通过和Kalman滤波的仿真实验,发现粒子滤波在强非线性或者高度机动性的目标的情况下的跟踪性能要优秀。但是由于粒子滤波的算法原理,它的计算量很大。最后本文研究了针对机动目标的IMM算法,提出了多速率交互式多模型粒子滤波器(MRIMMPF: Multi-rate IMM Particle Filter)算法和交互式多模型Kalman-粒子滤波器(IMMK-PF: IMM Kalman-Particle Filter)算法。前者在交互式多模型粒子滤波器(IMMPF)的基础上引入多速率技术,期望在保持IMMPF的性能同时能够减少因为粒子滤波带来的计算量;而后者是结合了Kalman滤波和粒子的特点,期望提高算法的稳健性和计算效率。最后通过和一般基于EKF的IMM算法、IMMPF算法的比较,验证了这两个算法的有效性。