基于交互式多模型的目标跟踪算法研究(2)
5 结论与展望 39
5.1 所得结论 39
5.2 后续研究及应用方向的展望 41
致谢 42
参考文献 43
1 绪论
1.1 课题研究背景及意义
在许多领域，如军事和民用，机动目标跟踪技术具有非常广泛的应用，譬如空防和空中交通管制。针对于机动运动的物体的行进，应用仅仅一个唯一的模型是难以正确的表述机动物体的行进状况的，所以需要使用许多模型共同来表述。这种系统被称为混合系统，它具备参数不断连续改变和动态模式随机突变的特性，因而出现了对混合系统最优估计的研究。具体解决了混合系统的方案有两个：第一种解决方案是可控检测器管理滤波模型在机动和非机动的切换，过程中识别机动产生的延迟会导致一个很大的跟踪误差，并且，很难把握目标回到非机动模型的具体时间，所以导致第一种方法还是个单模算法；；另一种解决方案是同时使用多个模型(Multiple Mode1)，它根据基于不同模型的滤波器同时并行工作，并且对其输出通过一定的规则来合成。
多模型估计(MME)方法能够十分有效地解决系统的结构以及参数不明确，改变的问题，是一种自适应估计算法。多个过滤器并行运行的一个确定的联合，即总体估计。在MME方法中，交互式多模型(Interacting Multiple Mode1，IMM)方法被认为是至今为止最有效的多模型方法之一，由于其费效比较好且结构简单，非常适合机动目标跟踪。IMM和别的方法之间，其优势在于：自适应能力比GPB1的强；相同情况下的估计精度，运算量比二阶伪贝叶斯方法计算量（GPB2）要少得多。
1.2 国内外研究现状
1.3 本文结构
本文共分为五部分。第一章为绪论，介绍了交互式多模型目标跟踪这个课题的研究背景、研究意义，其中对多模型方法进行了详细的介绍，然后对国内外的研究情况进行了分析。第二章节首先讲解了机动目标的运动模型建立的基本原则，然后具体的讲解了一些具体的方案,最后讲解了卡尔曼滤波。第三章详细的介绍了交互式多模型算法的五个步骤，然后提出了交互式多模型算法的要求和IMM算法的参数设置。第四章节主要针对各模型的仿真结论进行了分析和比较。第五章对所做研究IMM算法进行了总结概括，并展望了未来可能的研究方向。
2 目标跟踪模型及卡尔曼滤波
2.1 目标跟踪模型
所有的跟踪算法都是基于目标的运动模型的，但是目标的动态模型则是基于各类几何运动的规律的，例如直线运动、曲线运动，而它们是来源于牛顿定理的。模型不但需要与目标的实际情况相一致，在方便数学处理方面也有一定要求。在研究对象做非机动的运动时，我们可以比较轻松地设计出对象的运动模型，然而在对象在做机动运动的时候，如果去建立合适的模型是很困难的。由于在多数情况下，因为我们对于机动知识了解的有限，并人为主导的因素会导致理论准确性的偏差，所以只能在假设的条件下近似地加以描述。
IMM是一种次优混合估计器，它可以包含多种跟踪模型，各模型通过Markov转移概率进行切换，常用的跟踪模型有CV、CA、CS、Singer、CT等。
在对目标跟踪方面，首屈一指的要属于CA模型和CV模型，它们两个是最基本的，也是最经常被使用的，由于计算量小，适合于实时情况。对于匀速、匀加速直线运动或者近似于匀速、匀加速运动，这些模型可以达到非常高的精度。
CA、CV为线性模型，而CT为非线性模型。对于匀速直线轨道，选择CV模型是最合适的，因其位置估计和速度估计的精度比较高，而且计算量小。CT模型，将角速度接近0，相当于速度恒定的模式，也能有很好的效果。当目标是选择了匀加速直线运动，匀加速模型和“当前”统计模型都可以获得更好的效果，但由于加速度“当前”统计模型不同，这样的参数是需要重新设置的。转弯运动的目标轨迹，CT模型的效果优于其他模型。下面对本部分的仿真中用到的模型进行简单的介绍。由于CS模型是Singer模型的改进，Jerk模型的状态文数太高，这里未对它们进行实验仿真。