基于伯努利数据关联多目标跟踪算法研究.pdfVIP

基于伯努利数据关联多目标跟踪算法研究

摘要

随着海洋战略地位日益重要，水下目标跟踪技术已成为研究热点。传统的多目标跟踪算

法，需要已知目标数量和精准的数据关联。如果关联错误，会导致跟踪精度差、计算量大等

问题，所以不适用于跟踪精度和实时性要求高的场景。然而，随机有限集理论经过不断的发

展和完善，其利用标签可以标记不同的目标，根据多目标滤波密度可以避免复杂的数据关联、

估计目标数量和得到更佳的跟踪性能，并且利用不同的改进算法可以进一步降低计算量、提

高跟踪精度和目标数量估计的准确性。

首先，介绍了矢量传感器测向原理及方法—时域声强法和频域声强法，利用纯方位定位

算法得到目标的位置，然后利用状态模型和滤波算法可以得到目标的估计轨迹，并且在非线

性高斯环境下仿真对比了三种非线性滤波算法的跟踪精度；

其次，介绍了跟踪门理论，选用了椭圆形跟踪门，在一定程度上减少了杂波的干扰，然

后分别研究了单目标数据关联算法：最近邻算法，在跟踪门内选取最小欧式距离的量测点作

为目标点；概率数据关联算法，在跟踪门内所有量测点加权组合得出的组合点作为目标点；

多目标数据关联算法：联合概率数据关联算法，在跟踪门有重叠的情况下用确认矩阵划分属

于不同目标的量测点，再利用概率数据关联算法得出目标点；全邻模糊聚类数据关联算法，

用确认矩阵划分聚类中心，用隶属度函数给出量测点权值，组合出最优点作为目标点。最后

用仿真实验分别比较了单目标数据关联算法和多目标数据关联算法的跟踪精度及运行时间；

然后，分别研究了四种标签多伯努利滤波算法：利用标签标记不同目标航迹和利用多目

标密度函数计算每个测量点的权值与目标数目的广义标签多伯努利滤波算法（GLMB）；利

用K最短路径降低了计算量的改进的广义标签多伯努利滤波算法（J-GLMB）；利用跟踪门

分组近似多目标密度从而进一步降低了计算量的标签多伯努利滤波算法（LMB）；研究并

提出了利用目标运动的距离差与航向角进一步分配量测权重，利用筛选出的量测点代入边缘

广义标签多伯努利滤波算法得到矢量边缘广义标签多伯努利滤波算法（V-J-LMB）。在不同

的条件下，用仿真验证了各个算法的跟踪性能，并且通过对比得到V-J-LMB跟踪性能最优。

最后，用实验数据验证算法。本次外场实验有两个不同频率的声源作为目标，用频域声

强法得到目标的方位，利用纯方位算法得到目标的位置，最后采用LMB与V-J-LMB进行跟

踪目标，对比表明，V-J-LMB算法的目标数量估计准确率最高，OSPA距离误差最小，所以

该算法跟踪性能最优。

关键词：多目标跟踪；数据关联；卡尔曼滤波；标签多伯努利；矢量传感器

基于伯努利数据关联多目标跟踪算法研究

Abstract

Withtheincreasinglyimportantstrategicpositionoftheocean,underwatertargettracking

technologyhasbecomearesearchhotspot.Traditionalmulti-targettrackingalgorithmrequires

aknownnumberoftargetsandaccuratedataassociation.Iftheassociationiswrong,itwill

causeproblemssuchaspoortrackingaccuracyandlargecalculationamount,soitisnotsuitable

forscenarioswithhightrackingaccuracyandreal-timerequirements.However,thestochastic

finitesettheoryhasbeencontinuouslydevelopedandimproved,anditcanlabeldifferent

targetswithlabels,avoidcomplexdataassociation,estimateth