1. 研究目的与意义
目标跟踪的广泛运用主要在于民用领域和军用领域这两个方面。但是，由于许多相关技术的飞速发展，运动目标不断提升其性能，对于目标跟踪而言，要求会更为苛刻。
关于运动目标跟踪这个方向，对运动目标的状态进行估计时，一般情况下可以采用卡尔曼（Kalman）滤波，从而得到运动目标的滤波值和估计值。但是，在运动目标发生变速或者转向等一系列变化的过程中，采用卡尔曼（Kalman）滤波时，性能和准确度会有所下降。对于会发生变速和转向等一些非稳态的运动目标跟踪而言，交互多模型（IMM）方法是一个比较好的选择。IMM算法主要通过滤波以及数据融合这两个方法，提升目标跟踪的跟踪性能。在全局跟踪的过程中，IMM算法给出了多个个体模型跟踪估计值的概率加权和，最终的组合状态估计由此得出；其中，在状态与协方差组合中，模型有效的概率起到了加权的作用，不同模型之间的转换可以用马尔可夫链实现。在混合系统状态估计算法中，IMM算法被证明是最佳的性能和成本比的方法。虽然，在某些时刻或时段，IMM算法的性能可能会低于其他一些模型，但是，从全局来看，IMM综合了多个传感器模型对于目标状态值的估计，能够在跟踪机动目标方面效果更好，所以，对于全局目标跟踪这个方向而言，相对来说它是效果最好的。
目标跟踪属于当前的热门领域，与其相关的一些技术主要作用于在民用和军用两个领域，其主要任务是提供准确而可信度高的目标的相关信息。大量功能和成效已经在这一方面得到显现，其中，各种类型的滤波技术用来解决目标跟踪中出现的一些复杂的相关问题，但是其效果并不能够运用于一些更加高层次的需求。虽然有许多的复杂问题需要解决，但是这些问题并不能阻止目标跟踪技术以及其衍生技术在很多领域得到广泛的应用。
2. 研究内容与预期目标
卡尔曼滤波器是最优的递归算法。针对于许多实际问题的解决它是效率最高的，最好的，最有用的方法。卡尔曼滤波器已经在机器人导航与控制系统，传感器数据融合，军事雷达和弹道轨迹外推等领域被广泛应用。在最近的几年，它在计算机图像处理方面占据着非常重要的地位，如人脸识别，图像边缘检测与图像分割技术和操作系统等技术领域。
雷达测量系统中，目标跟踪往往是人们非常关注的方面，但测量运动目标的位置、速度和加速度在每时每刻都存在噪声信号。卡尔曼滤波是基于运动目标动态信息，设法消除噪声干扰，从而获取目标位置的最佳估计。这个估计过程主要有三个方面，第一个方面是对运动目标当前位置的估计，第二个方面是对运动目标未来位置的估计，第三个方面是对运动目标过去位置的估计。
Kalman滤波算法中，使用状态方程和观测方程描述动态系统。被估计量随时间变化，属于动态估计。在目标跟踪中，不须知道目标的运动模型就能够实时地修正目标的位置、速度等状态参量，具有较好的适应性。但是目标突然转弯或加、减速时，使用基本的Kalman滤波算法常常得不到理想结果。交互多模型（IMM）是一种软切换算法，目前在机动目标跟踪领域得到广泛的应用。IMM算法使用两个或更多的模型来描述工作过程中的可能的状态，并通过有效的加权融合进行系统状态估计，克服了单模型估计误差较大的问题。
3. 研究方法与步骤
研究方法：文献法；实验法
步骤：
1.查阅搜集相关文章资料，理清课题研究脉络，总结归纳研究方法，悉心准备下一步研究。
4. 参考文献
[1] 冯刚，吕茂庭，覃天. 基于MATLAB的卡尔曼滤波仿真研究[D]. 防空兵学院硕士
学位论文，2011.
[2] 苏林，尚朝轩.基于卡尔曼滤波器的雷达追踪[D]. 石家庄军械工程学院，2006.
5. 工作计划
进度安排：
第一阶段（1周-4周）
收集资料，了解卡尔曼滤波器和扩展卡尔曼滤波的基本知识，对设计任务有基本认识，撰写开题报告；
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
