基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类

发布时间：2017-09-17 15:21

  本文关键词：基于模型类型匹配PHD滤波器和TBM的多目标联合跟踪分类

  更多相关文章： 联合跟踪与分类 概率假设密度 可转移信度模型 粒子滤波 多传感器数据融合

【摘要】：为了解决杂波和漏检下多目标的联合跟踪与分类问题,提出了模型类型匹配概率假设密度(probability hypothesis density,PHD)滤波器,同时将其与多传感器的可转移信度模型(transferable belief model,TBM)框架相结合,并用多个运动学雷达和粒子滤波递推实现。该算法对飞行器的先验信息进行估计,从而替代了属性传感器。在预测阶段,根据模型和类型对PHD滤波器进行粒子匹配;传感器得到观测结果后进行粒子权重的更新;再根据粒子对应的权重得到目标的后验状态-模型-类型分布;这些PHD滤波器可以同时得到目标的状态和类型;结合TBM和航迹粒子标签算法,得到多个传感器的融合结果。仿真表明,本文提出的模型类型匹配PHD滤波器的性能比传统多模型PHD滤波器更精确,同时多传感器的TBM框架也全面提升了算法的性能。
【作者单位】： 北京航空航天大学自动化科学与电气工程学院;
【关键词】： 联合跟踪与分类 概率假设密度 可转移信度模型 粒子滤波 多传感器数据融合
【基金】：航空科学基金(2014ZC51042)资助课题
【分类号】：TN713;TP212
【正文快照】： 0引言在现代战争军事侦察系统中,多目标的跟踪与分类问题已经成为了最重要的两个技术难题。尽管这两个问题是耦合的,但是以往人们通常将它们用不同的传感器分别处理,用运动学传感器进行目标跟踪,用属性传感器进行目标分类。由于目标类型信息能够确定目标运动学包络,提高目标跟，

本文编号：870157