1. 研究目的与意义
在目标定位跟踪系统中，观测站往往具备探测目标声音、图像、电磁波等功能。如果观测站不具备探测目标的任何信息，那么目标即使在观测站附近出现也等同于隐形，则无法实现对其定位和跟踪。多目标跟踪是指利用信号处理方法对应用场合中存在的多个目标状态进行估计。目前,多目标跟踪技术在视频监控、人体运动跟踪、智能交通系统、雷达等众多领域得到了广泛应用。随着科技的发展，在雷达、声呐、无线领域，对目标位置锁定的研究在各应用场合有着重要的价值。所有传感器都是受噪声污染的，噪声不能消除，只能最大限度的降低，在目标跟踪中，传感器一般都采集观测站与目标之间的距离、角度等信息，这些信息往往会收到高斯或非高斯噪声的干扰，导致观测站不能准确地估计目标的状态，常用的补偿措施就是滤波。
自1970年起,相继提出了一些经典的多目标跟踪算法,如联合概率数据关联方法(JPDA)、多假设跟踪方法 (MHT)等。这些方法已成功应用于多目标跟踪领域, 但由于采用数据关联技术, 这类方法的计算量较大。卡尔曼滤波是一种根据时变随机信号的统计特性，对信号的未来值做出尽可能接近真值的一种估计方法，卡尔曼滤波的一个典型实例是从一组包含噪声的观察序列，观测出物体的位置，坐标及速度，他的广泛应用已经超过30年，许多工程系统和嵌入式系统都需要卡尔曼滤波器，最初卡尔曼滤波器是专为飞行器导航而研发的，目前已成功应用在许多领域中，比如在雷达中，人们感兴趣的是目标跟踪，目标的位置，速度，加速度的测量值往往在任何时候都有噪声，卡尔曼滤波利用目标的动态信息，设法去掉噪音的影响，得到一个关于目标位置的好的估计。还有应用于组合导航与动态定位，传感器数据融合，微观经济学等应用研究领域，特别是在图像处理领域，如头领识别，图像分割，图像边缘检测等当前热门研究领域中占有重要地位。目标跟踪技术已经广泛地应用于工业生产、公共场所及家庭安防、公共交通、公安系统以及军事领域,有着广阔的发展前景和迫切的市场需求。
同时卡尔曼滤波也是控制理论以及控制系统工程的一个重要话题。随着传感技术、机器人、自动驾驶以及航空航天等技术的不断发展，对控制系统的精度及稳定性的要求也越来越高。卡尔曼滤波作为一种状态最优估计的方法，其应用也越来越普遍，如在无人机、机器人等领域均得到了广泛应用。
2. 研究内容与预期目标
目标跟踪算法是智能监控技术的核心内容,通过目标跟踪技术可以实现对目标的轨迹的跟踪,对目标事件检测和目标行为分析提供重要信息。近年来,随着计算机技术的发展和目标跟踪算法研究的深入,由于传统单目标跟踪算法的局限性,基于全局关联的多目标跟踪算法逐渐成为研究的热点内容,该方法从全局考虑场景中所有目标轨迹数据的关联性,从而实现对多目标的跟踪。
多目标跟踪算法一般包括观测数据预处理、观测数据航迹关联、时间配准、目标运动状态滤波及多观测站数据融合几个过程。当然根据应用特点的不同或观测站的特点，多目标跟踪算法可以是它们的组合。
在多目标跟踪算法的研究中,设计一种改进的全局关联目标跟踪算法体系尤为重要,该体系的关键部分主要有4个方面:
3. 研究方法与步骤
研究方法：文献法、实验法
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。
2. 将相关资料进行进一步整理，规划研究思路，对实验中可能遇到的问题和实验过程进行预先准备，设计仿真实验。
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。
