| 【中文题名】 | 基于PDAF_AI的微弱点状动目标跟踪技术研究 |
| 【英文题名】 | A PDAF_AI Based Technique for Tracking of Dim Moving Point Target in Image Sequences |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-11-13 |
| 【中关键词】 | 图像序列,CFAR判决准则,Kalman滤波器,概率数据关联滤波（PDA）,点目标跟踪, |
| 【英关键词】 | Image sequences,CFAR criterion,Kalman filter,Probabilistic data association filter （PDAF）,point target tracking, |
| 【分类导航】 | 工业技术>无线电电子学、电信技术>雷达>雷达跟踪系统>> |
| 【论文摘要】 |
通常,人们对序列图像跟踪系统的研究主要集中在近距离大目标,大信噪比的情况下。然而,近些年来,由于军事上要求不断的提高防御系统性能,使得人们对远距离,低信噪杂波比情况下的微弱点状目标的检测及跟踪技术产生了浓厚的兴趣,使得该课题成为目前的研究热点之一。
本论文研究了一种基于目标的初始位置、运动速率以及目标亮度的点状动目标PDAF跟踪技术。此技术以基于TBD技术的多帧检测成功为条件,TBD检测器把多帧检测结果——目标的初始位置、运动速率以及目标亮度传递到跟踪滤波器,跟踪滤波器接收到这些信息后,利用卡尔曼滤波器来预测目标在下一帧的可能的存在区域,再在此区域内进行目标的CFAR检测。由于信噪比很低,可能会出现很多虚假目标,利用已获知的目标初始信息和数据关联技术,确定其中某一个为真实目标,从而达到跟踪目的。
本论文推导了概率数据关联滤波器的公式,并用MATLAB对其算法进行了仿真,得到了重要的理论分析和实验结果。 |
| 【论文题纲】 |
|
摘要 |
2-3 |
|
Abstract |
3-7 |
|
第一章 引言 |
7-14 |
|
1.1 研究背景及意义 |
7-8 |
|
1.2 目标与观测模型及微弱点状动目标跟踪难点 |
8 |
|
1.2.1 目标与观测模型 |
8 |
|
1.2.2 微弱点状动目标跟踪难点 |
8 |
|
1.3 国内外研究动态 |
8-12 |
|
1.4 本论文主要研究工作 |
12-13 |
|
1.5 论文内容安排 |
13-14 |
|
第二章 微弱点状动目标跟踪技术基础理论 |
14-23 |
|
2.1 常用的判断准则 |
15-17 |
|
2.1.1 最大后验概率（MAP）判决准则 |
15-16 |
|
2.1.2 Bayes 判决准则 |
16 |
|
2.1.3 CFAR 判决准则 |
16-17 |
|
2.2 目标跟踪模型研究 |
17-20 |
|
2.3 KALMAN 滤波器 |
20-21 |
|
2.4 数据关联问题 |
21-22 |
|
2.5 信噪杂波比定义 |
22-23 |
|
第三章 基于PDAF_AI 的点状动目标跟踪技术 |
23-32 |
|
3.1 概率数据关联问题的提出 |
24-25 |
|
3.2 附带亮度信息的概率数据关联（PDAF_AI）跟踪技术 |
25-32 |
|
3.2.1 跟踪模型 |
26-28 |
|
3.2.2 跟踪算法 |
28-32 |
|
第四章 算法仿真与性能分析 |
32-42 |
|
4.1 实验条件 |
32-33 |
|
4.1.1 实验环境 |
32 |
|
4.1.2 实验数据准备 |
32-33 |
|
4.2 实验结果 |
33-36 |
|
4.2.1 实验流程图 |
33-35 |
|
4.2.2 跟踪实验结果 |
35-36 |
|
4.3 算法性能分析 |
36-42 |
|
第五章 结论与展望 |
42-43 |
|
5.1 结论 |
42 |
|
5.2 展望 |
42-43 |
|
参考文献 |
43-46 |
|
附录A 实验数据准备 |
46-49 |
|
附录B PDAF_AI 的微弱点状动目标跟踪算法 |
49-53 |
|
攻读学位期间发表的学术论文 |
53-54 |
|
致谢 |
54-55 |
|
| 【DOI】 | LunWen.ID:2.2008.346142 |
