融合顺序敏感的多传感器GM-PHD跟踪算法研究.pdfVIP

摘要

多传感器多目标跟踪问题一直以来都是信息融合领域学者们关注的重点之

一，针对一些较为复杂的环境，利用数据的互补和冗余特性按照一定的策略来实

现数据的融合，提高跟踪的精度。但是在数据进行融合时，会存在以下几个问题：

1)融合的先后顺序有可能会影响最终的结果，融合过程中可能会存在数据损失

的问题；2)集中式融合结构虽然能够极大程度的保证数据完整性，但其融合中

心的通信和计算负担较大；3)在密集杂波下滤波器的计算量过大且实时性无法

保证。为此，基于高斯混合概率假设密度(GaussianMixtureProbabilityHypothesis

Density,GM-PHD)滤波器，本文开展了对融合顺序敏感的多传感器GM-PHD跟

踪算法的研究，本文主要工作如下：

1）针对序贯融合方法对于融合顺序敏感的问题，基于量测迭代更新的集中

式序贯融合方法和最优子模式分配(OptimalSubpatternAssignment,OSPA)方法，

提出了一种自适应融合顺序的多传感器量测迭代更新GM-PHD跟踪算法。首先

利用GM-PHD滤波构建多传感器量测迭代更新融合框架。然后基于OSPA度量

定义提出了两种优化融合顺序的方法，一种是基于量测信息的融合一致性度量，

一种是基于后验高斯混合集的融合一致性度量。最后通过优化方法计算各传感器

的融合一致性度量并从大到小排序，结合多传感器量测迭代更新融合框架实现自

适应顺序融合。仿真表明，两种优化算法能够有效的优化融合顺序，提高融合结

果的估计精度。

2）针对集中式通信和计算负担大的问题，为减少融合中心任务量和尽量保

证数据的完整性，提出一种基于带权伪量测的分布式多传感器量测迭代更新GM-

PHD跟踪算法。首先各传感器在本地进行滤波得到后验高斯混合集。然后从滤

波后得到的后验高斯混合集中提取目标状态位置、权值信息作为伪量测发送至融

合中心，相比于原始量测数据，伪量测数据更精确且有效数据保留较完整。最后

利用伪量测对先验高斯集进行迭代更新，获取更加精确的估计结果。仿真结果表

明，本算法相比于多传感器量测迭代更新GM-PHD跟踪算法跟踪精度更高。

3）针对密集杂波下的多传感器序贯融合顺序优化问题，基于累积幅值似然

比提出了一种分布式自适应多传感器序贯融合GM-PHD跟踪算法。首先为减轻

密集杂波的干扰，引入幅值到GM-PHD滤波器中，由幅值特征筛选出有效量测

集。然后提出了幅值累积似然比的融合顺序优化算法。最后结合分布式序贯融合

GM-PHD跟踪算法实现融合。仿真实验表明，对于单传感器GM-PHD跟踪算法，

加入幅值比未加入幅值的跟踪效果好；对于多传感器GM-PHD跟踪算法的顺序

优化问题，基于幅值累积似然比的融合顺序优化算法在一定程度上能够有效的优

化序贯融合顺序。

关键词：多传感器多目标跟踪、GM-PHD滤波、自适应融合、幅值、顺序敏感

ABSTRACT

Theproblemofmulti-sensormulti-targettrackinghasalwaysbeenoneofthekey

concernsofscholarsinthefieldofinformationfusion.Forsomemorecomplex

environments,thecomplementaryandredundantcharacteristicsofdataareusedto

achievedatafusionaccordingtocertainstrategiestoimprovetheaccuracyoftarget

tracking.However,whendataarefused,thereexistssomeproblems:1)thesequence

offusionmayaffecttheresult,andtheremaybedatalossduringthefusionprocess;2)

althoughthecentralizedfusionstructurecangreatlyens