论文部分内容阅读
不同于传统的点目标，高分辨传感器在每一时间步长内监测的目标在传感器中的显示为多个测量值，即扩展目标。扩展目标的坐标信息，目标形状，姿态信息等会随时间变化；同时，扩展目标的测量值也会由于目标新生和衍生、探测器漏检等突发情况而发生改变。扩展目标能提供目标更多的信息，在近十余年内引起了大量国内外学者的关注、重视和研究。
针对传统扩展目标跟踪算法存在数据关联复杂、计算量爆炸和跟踪性能较差等问题，本文研究基于随机集理论的高斯概率假设密度滤波器(GM-PHD)跟踪扩展目标，避免传统目标跟踪在数据关联存在的诸多问题，提高扩展目标跟踪能力。该方法以贝叶斯理论框架为基础的，采用传递概率密度强度取代传统方法传递目标量测点后验概率密度的方式，估计出目标的状态及其测量点数目与分布情况。在此基础上，本文主要研究内容如下：
①当扩展目标相邻时，多扩展目标假设密度滤波器划分量测集的准确性往往较低。针对该问题，本文提出了带噪声的基于密度的聚类方法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）联合模糊C均值聚类算法（Fuzzy C-means Algorithm,FCM）对测量点进行二次划分算法，获得了更精确的邻近扩展目标的划分结果。同时，针对密度峰值聚类（Clustering by Fast Search and Find of Density Peaks，CFSFDP）量测集划分算法需要人为干预选择聚类中心的问题，提出一种改进方法自动获取聚类中心，获得的最终量测集划分结果，适应能力更强。
②针对传统扩展目标跟踪方法一般是将点目标的多个量测点当作扩展目标进行实验不够准确的问题，本文通过对真实飞机目标模型进行散射点成像仿真，利用数学方法建立扩展目标的散射中心模型。本文提出利用散射中心模型得到扩展目标的跟踪“瞄准点”，提高目标跟踪的性能。
针对传统扩展目标跟踪算法存在数据关联复杂、计算量爆炸和跟踪性能较差等问题，本文研究基于随机集理论的高斯概率假设密度滤波器(GM-PHD)跟踪扩展目标，避免传统目标跟踪在数据关联存在的诸多问题，提高扩展目标跟踪能力。该方法以贝叶斯理论框架为基础的，采用传递概率密度强度取代传统方法传递目标量测点后验概率密度的方式，估计出目标的状态及其测量点数目与分布情况。在此基础上，本文主要研究内容如下：
①当扩展目标相邻时，多扩展目标假设密度滤波器划分量测集的准确性往往较低。针对该问题，本文提出了带噪声的基于密度的聚类方法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）联合模糊C均值聚类算法（Fuzzy C-means Algorithm,FCM）对测量点进行二次划分算法，获得了更精确的邻近扩展目标的划分结果。同时，针对密度峰值聚类（Clustering by Fast Search and Find of Density Peaks，CFSFDP）量测集划分算法需要人为干预选择聚类中心的问题，提出一种改进方法自动获取聚类中心，获得的最终量测集划分结果，适应能力更强。
②针对传统扩展目标跟踪方法一般是将点目标的多个量测点当作扩展目标进行实验不够准确的问题，本文通过对真实飞机目标模型进行散射点成像仿真，利用数学方法建立扩展目标的散射中心模型。本文提出利用散射中心模型得到扩展目标的跟踪“瞄准点”，提高目标跟踪的性能。