基于改进概率假设密度的多目标跟踪算法

发布时间：2017-07-17 00:18

  本文关键词：基于改进概率假设密度的多目标跟踪算法

  更多相关文章： 多目标跟踪 概率假设密度滤波 序贯蒙特卡罗 建议密度函数 均方根容积卡尔曼滤波

【摘要】：经典序贯蒙特卡罗概率假设密度(Sequential Mote Carlo Probability Hypothesis Density,SMC-PHD)滤波中,将目标状态转移密度函数做为建议密度函数,没有利用当前观测信息,导致大部分预测粒子状态偏离目标真实状态,粒子退化严重.针对上述问题,提出利用均方根容积卡尔曼滤波产生建议密度函数,对其进行采样得到预测粒子状态,该方法有严格理论基础,能有效减轻SMC-PHD滤波中的粒子退化,且适用性很强.仿真实验对比了该算法、经典SMC-PHD和基于无迹卡尔曼的SMC-PHD算法的跟踪性能,验证了该方法无论对势估计还是对目标状态估计的精度都优于其他两种算法.
【作者单位】： 西安电子科技大学雷达信号处理国家重点实验室;
【关键词】： 多目标跟踪 概率假设密度滤波 序贯蒙特卡罗 建议密度函数 均方根容积卡尔曼滤波
【基金】：国家自然科学基金(No.61401526)
【分类号】：TN713
【正文快照】： 引言由于需要进行数据关联,传统的多目标跟踪算法运算量大、实时性差.为解决上述问题,Mahler基于随机有限集[1](Random Finite Sets,RFS)理论,对多目标跟踪进行集合建模,从而将单目标贝叶斯滤波推广到多目标领域,避免了数据关联.但多目标贝叶斯滤波的最优解需要进行集合积分,，

本文编号：551193