基于GM-CPHD滤波算法的主动声呐目标跟踪

合集下载

基于标记SMC-PHD滤波器的视觉多目标跟踪

Ａｂｔａｔｓｒｃ：ＡｕｌｐｅｖｓｌｔｒｅｓｔａｋｎｌｏｔｍｔｌｉｕａａｇｔｒｃｉｇａｇｒｈｍａｅｎｓｑｅｔｌＭｏｔｒｌｒｂｂｌｙｉｉｂｓｄｏｅｕｎｉａｎｅＣａｏｐｏａｉｉｔ
第４１卷第４期
２１年７月０１
东南大学学报（自然科学版）
ＪＲＮＯＵＨＥＴＵＶＥＳＴ（ｔｒｌｃｎｅＥｉｏ）ＯＵＡＬＯＦＳＴＡＳＮＩＲＩＹＮａａＳｉｃｄｔｎｕｅｉ
ＶＯｌ４ｌＮｏ．＿４Ｊｙ２１ｕｌ０１
ＣｈｎＺｈｎａｇＪｎＬｉｕＦｅｈｍｉｅｅｇｎｉｚｏｉＳｕｎ
（ｃｏｌｆｔｍａｏ，Ｓｕｈａｔｉｅｓｙ，ｎｉｇ２０９，ＣｉａＳｈｏｏｔｎｏｔｅｓＵｎｖｒｉＮａｊ１０６ｈｎ）ｏＡｕｉｔｎ
ｄｉ１．９９ｊｉｎ１０００．０１０．ｌｏ：０３６／．ｓ．０１— ５５２１．４０１ｓ
基于标记Ｓ — ＨＤ滤波器的视觉多目标跟踪ＭＣＰ
陈正纲金立左费树岷
（东南大学自动化学院，南京２０９）１０６
ｈｐｔｅｉｄｎｉｌｒ（ＭＣＰＦｓｐｏｏｅ．Ｂｃｇｏｎｄｌｇａｄｄｎｍｉｏｊｃｄ－ｙｏｈｓｅｓｙｆｔＳ —ＨＤ）ｉｒｐｓｄａｋｒｕｄｍｏｅｎｎｙａｃｂｅｔｅｓｔｉｅｉｔｃｏａｌｍｅｔｄｏｂｅｖｄｓｅｅｉａｏｉｍｆ．ＰｓｉｎｆｏｓｌｏｊｃｒｅｔｎｗｓｍｐｅｎｅｎｏｓｒｅｃｎｓａｌｒｈｏｉｉｖｇｔＷ４ｏｉｏｓｓｉｅｂｅｔｗｅｅｔｏｐｂｓ

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

高斯分布递推ＰＨＤ函数的同时递推基数分布。最后，利用雷达作为传感器，对跟踪机动目标进行仿真，证明ＶＳＭＭ相比于ＩＭＭ对于多机动目标跟踪更具有优越性，同时验证了ＶＳＭＭ— ＧＭＣＰＨＤ滤波算法具有提高机动目标跟踪精度，减小跟踪误差的作用。关键词：机动目标跟踪；高斯混合基数概率假设密度；交互多模型；变机构多模型中图分类号：ＴＮ９１１文献标志码：ＡＤ０Ｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１ — ５Ｏ６ｘ．２Ｏ１３．０１．Ｏ２
摘要：针对交互多模型（ｉｎｔｅｒａｃｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌ，ＩＭＭ）在多机动目标跟踪算法中存在的缺陷以及目标
跟踪精度问题，提出了基于变结构多模型（ｖａｒｉａｂｌｅｓｔｒｕｃｔｕｒｅｍｕｌｔｉｐｌｅｍｏｄｅｌ，ＶＳＭＭ）的高斯混合基数概率假设密
Ａｂｓｔｒａｃｔ：Ｔｏｄｅａｌｗｉｔｈｔｈｅｄｅｆｅｃｔｓａｎｄｔｈｅｔａｒｇｅｔｔｒａｃｋｉｎｇｐｒｅｃｉｓｉｏｎｐｒｏｂｌｅｍｉｎｔｈｅｉｎｔｅｒａｃｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌ（ＩＭＭ）ａｌｇｏｒｉｔｈｍｆｏｒｍｕｌｔｉｐｌｅｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｓｔｒａｃｋｉｎｇ，ａＧａｕｓｓｉａｎｍｉｘｔｕｒｅｃａｒｄｉｎａｌｉｚｅｄｐｒｏｂａｂｉｌｉｔｙｈｙｐｏｔｈｅｓｉｓｄｅｎｓｉｔｙ（ＧＭＣＰＨＤ）ｆｉｌｔｅｒａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｖａｒｉａｂｌｅｓｔｒｕｃｔｕｒｅｍｕｌｔｉｐｌｅｍｏｄｅｌ（ＶＳＭＭ）ｉｓｐｒｏ — ｐｏｓｅｄ．ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅＩＭＭａｌｇｏｒｉｔｈｍｗｈｉｃｈｏｎｌｙｃｏｎｓｉｄｅｒｓｔｈｅｆｉｘｅｄｍｏｄｅｌｃｏｌｌｅｃｔｉｏｎ，ｔｈｅＧＭＣＰＨＤｆｉｌｔｅｒａｌｇｏｒｉｔｈｍｉｓｓｕｐｅｒｉｏｒ．Ｕｔｉｌｉｚｉｎｇｔｈｅａｄａｐｔｉｖｅａｎｄｔｉｍｅ — ｖａｒｙｉｎｇｗｈｉｃｈｂｏｔｈａｒｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＶＳＭＭａｌｇｏ — ｒｉｔｈｍ，ｔｈｉｓａｐｐｒｏａｃｈｒｅａｃｈｅｓｔｈｅｇｏａｌｔｈａｔｔｈｅｍｏｄｅｌｃｏｌｌｅｃｔｉｏｎｍａｔｃｈｉｎｇｔｈｅｔａｒｇｅｔｍｏｔｉｏｎｍｏｄｅｌｃａｎｂｅｓｅｌｅｃｔｅｄ

一种新的多机动目标跟踪的GMPHD滤波算法

一种新的多机动目标跟踪的GMPHD滤波算法
郝燕玲;孟凡彬;王素鑫;孙枫
【期刊名称】《上海交通大学学报》
【年(卷),期】2010(0)7
【摘要】针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.
【总页数】5页(P873-877)
【关键词】多机动目标跟踪;随机有限集;高斯混合概率假设密度滤波;扩展卡尔曼滤波
【作者】郝燕玲;孟凡彬;王素鑫;孙枫
【作者单位】哈尔滨工程大学自动化学院;天津航海仪器研究所
【正文语种】中文
【中图分类】TP18;TP274
【相关文献】
1.机动目标跟踪的一种新的方差自适应滤波算法 [J], 巴宏欣;何心怡;方正;李春芳
2.机动目标跟踪中一种新的自适应滤波算法 [J], 李辉;沈莹;张安;程(王争)
3.一种用于机动目标跟踪的新自适应卡尔曼滤波算法 [J], 朱自谦
4.一种新的混合智能粒子滤波算法在雷达机动目标跟踪中的应用 [J], 陈志敏;薄煜明;吴盘龙;陈沁欣
5.多机动目标跟踪的IMM-GMPHD滤波算法 [J], 严康;闫玉德
因版权原因，仅展示原文概要，查看原文内容请购买。

基于航迹-估计关联的GM-CPHD后处理算法

基于航迹-估计关联的GM-CPHD后处理算法陈金广;孙瑞;马丽丽【摘要】高斯势概率假设密度滤波算法在低检测率条件下目标数目估计会出现偏差。

针对该问题，提出了一种基于航迹—估计关联的GM-CPHD后处理算法。

计算航迹和估计之间的距离矩阵，利用匈牙利指派算法进行航迹—估计关联。

通过设定航迹的连续性阈值对短航迹进行裁剪，并以此消除虚假目标估计。

利用拉格朗日插值对各条不连续的航迹进行插值，以弥补由于低检测率而造成的遗漏估计。

仿真实验结果表明，该处理算法能够有效地提高目标数目的估计精度。

%The error of the target number estimated in the Gaussian mixture cardinalized probability hypothesis density filter is large at the presence of low detection rate. Addressing at this problem, a post-processing algorithm for the GM-CPHD filter based on track-estimate association is presented. Distance matrix between tracks and estimates is calcu-lated, and track-estimate association is done via Hungarian assignment algorithm. A threshold for track continuity is engaged to prune some short tracks, and then some wrong estimates are deleted. Moreover, Lagrange interpolation method is employed to deal with the discontinuous tracks and the corresponding estimates of missing targets are compensated. The experimen-tal results show that the post-processing algorithm can improve the accuracy of the estimated target number effectively.【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)008【总页数】6页(P189-194)【关键词】目标跟踪;高斯混合势概率假设密度(GM-CPHD)滤波;航迹-估计关联;拉格朗日插值【作者】陈金广;孙瑞;马丽丽【作者单位】西安工程大学计算机科学学院，西安 710048; 西安电子科技大学电子工程学院，西安 710071;西安工程大学计算机科学学院，西安 710048;西安工程大学计算机科学学院，西安 710048【正文语种】中文【中图分类】TP391 引言20世纪中后期，诸多学者致力于多目标跟踪问题的研究，并取得了重要的突破，出现了最近邻算法、联合概率数据关联（Joint Probability Data Association，JPDA）滤波算法[1]、多假设跟踪（Multiple Hypothesis Tracking，MHT）算法[2-3]、粒子滤波（Particle Filter，PF）算法[4-5]等。

基于GM-PHD平滑器的检测前跟踪技术

ｎｏｉｓｅｒａｔｉｏｉｓｒｅｄｕｃｅｄ，ｔｈｅＴＢＤａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＧａｕｓｓｉａｎｍｉｘｔｕｒｅｐｒｏｂａｂｉｌｉｔｙｈｙｐｏｔｈｅｓｉｓｄｅｎｓｉｔｙ（ＧＭ —
提升了算法的估计精度。仿真结果表明，该算法在信噪比较低的情况下对目标数目估计的准确度和目标状
态估计的精度均优于基于ＧＭ＿ＰＨＤ的ＴＢＤ算法。
关键词：弱目标；多目标；ＧＭ－ＰＨＤ平滑滤波器；检测前跟踪
Ａｂｓｔｒａｃｔ：Ｆｏｒｔｈｅｗｅａｋｔａｒｇｅｔｔｒａｃｋ－ｂｅｆｏｒｅ－ｄｅｔｅｃｔ（ＴＢＤ）ｐｒｏｂｌｅｍｉｎｒａｄａｒｓｅｎｓｏｒ。ｗｈｅｎｔｈｅｓｉｇｎａｌ — ｔｏ－
中图分类号：ＴＮ９５３；ＴＮ９５７文献标志码：Ａ文章编号：１６７２ — ２３３７（２０１６）０６ — ０６４８ — ０６
Ｔｒａｃｋ＿・Ｂｅｆｏｒｅ－ＤｅｔｅｃｔＡｌｇｏｒｉｔｈｍＵｓｉｎｇＧＭ＿－ＰＨＤＳｍｏｏｔｈｉｎｇＦｉｌｔｅｒ
基于ＧＭ— ＰＨＤ平滑器的检测前跟踪技术

基于GM-PHD滤波的机动多目标跟踪算法

• 96•PHD 滤波算法在复杂环境下多目标跟踪领域应用广泛。

为实现在复杂环境下对可变数目的机动多目标进行精确，高效跟踪，将改进的“当前”统计(CS)模型与高斯混合概率假设密度(GM-PHD)滤波相结合，得到CS-GM-PHD 滤波的机动多目标自适应跟踪算法，在计算机仿真实验中将该算法与IMM-GM-PHD 进行对比，表明该算法具有良好的跟踪效果和更高的跟踪效率。

PHD 滤波器最早由Mahler （Mahler R P S.Multitarget Bayes ﬁltering via ﬁrst-order multitarget moments ）提出，在研究多目标贝叶斯滤波的问题中，利用多目标后验概率的一阶矩近似代替多目标后验概率密度，大大减小了计算负担。

该算法抓住目标跟踪的本质，即估计目标数目和状态，可对可变数目的多目标进行跟踪，受到广大学者的关注。

针对其无法形成闭合解的问题，V o 等利用序贯蒙特卡洛法（V o B N ，Singh S ，Boucet A.Sequential Monte Carlo methods for multi-target ﬁltering with random ﬁnite sets ）和混合高斯法（V o B N ，Ma W K.The Gaussian mixture probability hypothesis density ﬁlter ）实现了PHD 算法。

GM-PHD 滤波器易于提取峰值状态且计算简单，具有工程友好的特点。

在实际的多目标跟踪场景中，目标数目可能随时间发生变化，机动形式多样，跟踪模型对跟踪算法来说至关重要。

现有的交互多模型方法基本可以实现多机动目标的跟踪，但计算较复杂。

“当前”统计模型经改进（刘海燕，赵宗贵，刘熹.“当前”统计模型机动目标跟踪的改进算法）后，可以实现同时对强机动和弱机动目标进行跟踪。

为实现在复杂环境下对可变数目的机动多目标进行高效精确跟踪，重点讨论基于GM-PHD 的多机动目标跟踪算法，将GM-PHD 滤波与改进的“当前”统计模型相结合，实现CS-GM-PHD 滤波自适应跟踪多机动目标算法。

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用_周卫东

系统工程与电子技术ＳｓｔｅｍｓＥｎｉｎｅｅｒｉｎａｎｄＥｌｅｃｔｒｏｎｉｃｓｙｇｇ
Ｖｏｌ．３５Ｎｏ．１Ｊａｎｕａｒ０１３ｙ２
网址：ｗｗｗ．ｓｓｅｌｅ．ｃｏｍ－ｙ
，，ＺＨＯＵＷｅｉｄｏｎＺＨＡＮＧＨｅｂｉｎＬＩＡＯＣｈｅｎｉ－－－ｇｇｇｙ
（ＣｏｌｌｅｅｏＡｕｔｏｍａｔｉｏｎ，ＨａｒｂｉｎＥｎｉｎｅｅｒｉｎＵｎｉｖｅｒｓｉｔａｒｂｉｎ１５０００１，Ｃｈｉｎａ）ｇｆｇｇｙ，Ｈ
此方法可以包含更多的模型通过实时变化的模型集合来剔除不必要的模型不至于因为模型之问的过度竞争使得滤波性能降低滤波器选朋gmcpid滤波算法通过仿真实验验证厂该算法对于非机动弱机动以及强机动目标都达到厂很好的跟踪效果
第３５卷第１期２０１３年１月
）文章编号：１００１５０６Ｘ（２０１３０１０００９０６－－－
，ｍｏｄｅｌ（ｒｏｂａｂｉｌｉｔＩＭＭ）ａｌｏｒｉｔｈｍｆｏｒｍｕｌｔｉｌｅｍａｎｅｕｖｅｒｉｎｔａｒｅｔｓｔｒａｃｋｉｎａＧａｕｓｓｉａｎｍｉｘｔｕｒｅｃａｒｄｉｎａｌｉｚｅｄｐｙｇｐｇｇｇｈｏｔｈｅｓｉｓｒｏｄｅｎｓｉｔＧＭＣＰＨＤ）ｆｉｌｔｅｒａｌｏｒｉｔｈｍｂａｓｅｄｏｎｖａｒｉａｂｌｅｓｔｒｕｃｔｕｒｅｍｕｌｔｉｌｅｍｏｄｅｌ（ＶＳＭＭ）ｉｓ－ｙｐｐｙ（ｇｐ，ｗｉｔｈｔｈｅＩＭＭａｌｏｒｉｔｈｍｗｈｉｃｈｏｎｌｃｏｎｓｉｄｅｒｓｔｈｅｆｉｘｅｄｍｏｄｅｌｃｏｌｌｅｃｔｉｏｎｔｈｅＧＭＣＰＨＤｆｉｌｔｅｒｏｓｅｄ．Ｃｏｍａｒｅｄｇｙｐｐａｌｏｒｉｔｈｍｉｓｓｕｅｒｉｏｒ．ＵｔｉｌｉｚｉｎｔｈｅａｄａｔｉｖｅａｎｄｔｉｍｅｖａｒｉｎｗｈｉｃｈｂｏｔｈａｒｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＶＳＭＭａｌｏ－－ｇｐｇｐｙｇｇｒｉｔｈｍ，ｔｈｉｓａｒｏａｃｈｒｅａｃｈｅｓｔｈｅｔｈａｔｔｈｅｍｏｄｅｌｃｏｌｌｅｃｔｉｏｎｍａｔｃｈｉｎｔｈｅｔａｒｅｔｍｏｔｉｏｎｍｏｄｅｌｃａｎｂｅｓｅｌｅｃｔｅｄｏａｌｐｐｇｇｇ，ｉｎｃｅｒｔａｉｎｔｉｍｅ．ＩｎａｄｄｉｔｉｏｎｔｈｅＧＭＣＰＨＤｆｉｌｔｅｒａｌｏｒｉｔｈｍｎｏｔｏｎｌａｖｏｉｄｓｔｈｅｄａｔａａｓｓｏｃｉａｔｉｏｎｂｕｔａｌｒｏｂｌｅｍ，－ｇｙｐ，ｓｏｔｈｅｒａｄｉｘｄｉｓｔｒｉｂｕｔｉｏｎｗｈｉｌｅＰＨＤｆｕｎｃｔｉｏｎｂｕｓｉｎＧａｕｓｓｉａｎｄｉｓｔｒｉｂｕｔｉｏｎ．Ｆｉｎａｌｌａｒｏａａｔｅｓｒｏａａｔｅｓｙｇｙｐｐｇｐｐｇｒａｄａｒｉｓｃｈｏｓｅｎａｓｔｈｅｓｅｎｓｏｒａｎｄｓｏｍｅｓｉｍｕｌａｔｉｏｎｅｘｅｒｉｍｅｎｔｓｏｎｔｒａｃｋｉｎａｖａｒｉｅｔｏｆｍａｎｅｕｖｅｒｉｎｔａｒｅｔａｒｅｐｇｙｇｇｄｏｎｅ．ＴｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｒｏｖｅｔｈａｔｔｈｅＶＳＭＭａｌｏｒｉｔｈｍｉｓｓｕｅｒｉｏｒｔｏＩＭＭａｌｏｒｉｔｈｍｆｏｒｍｕｌｔｉｌｅｍａｎｅｕ－ｐｇｐｇｐｖｅｒｉｎｔａｒｅｔｓｔｒａｃｋｉｎａｎｄｉｌｌｕｓｔｒａｔｅｔｈａｔｔｈｅＶＳＭＭ－ＧＭＣＰＨＤｆｉｌｔｅｒａｌｏｒｉｔｈｍｃａｎｉｍｒｏｖｅｔｈｅｍａｎｅｕｖｅｒｉｎｇｇｇｇｐｇｔａｒｅｔｔｒａｃｋｉｎｒｅｃｉｓｉｏｎａｎｄｒｅｄｕｃｅｔｈｅｔｒａｃｋｉｎｅｒｒｏｒ．ｇｇｐｇ：ｍ；ＧＫｅｗｏｒｄｓａｎｅｕｖｅｒｉｎｔａｒｅｔｔｒａｃｋｉｎａｕｓｓｉａｎｍｉｘｔｕｒｅｃａｒｄｉｎａｌｉｚｅｄｈｏｔｈｅｓｉｓｄｅｎｓｉｔｒｏｂａｂｉｌｉｔｇｇｇｙｐｙｐｙｙ（；；ＧＭＣＰＨＤ）ｉｎｔｅｒａｃｔｉｎｍｕｌｔｉｌｅｍｏｄｅｌ（ＩＭＭ）ｖａｒｉａｂｌｅｓｔｒｕｃｔｕｒｅｍｕｌｔｉｌｅｍｏｄｅｌ（ＶＳＭＭ）ｇｐｐ

机载脉冲多普勒雷达在测量数据丢失下的多目标跟踪

机载脉冲多普勒雷达在测量数据丢失下的多目标跟踪何山;吴盘龙;恽鹏;邓宇浩【摘要】针对于多目标在机载多普勒盲区测量数据丢失下的跟踪问题,提出了一种鲁棒无偏转换自适应门限的CPHD (Robust Unbiased Converted Measurements-Adaptive Gating-Cardinalized Probability Hypothesis Density,RUCM-AG-CPHD)算法.该算法首先对目标测量信息进行无偏转换,并将无偏转换得到的噪声协方差矩阵做解耦;然后设计增益调节矩阵提高滤波器在目标量测数据丢失下的鲁棒性;最后采用自适应门限去除不相关的量测信息,同时保证检测到新出现的目标,从而有效地降低了算法的计算复杂度.仿真结果表明该算法的有效性和可行性,可以更加准确的估计出目标在盲区内测量信息丢失下的目标个数和状态,且计算量相对于传统的CPHD算法减少了8.6％.%The algorithm of robust unbiased converted measurements and adaptive gating based on cardinalized probability hypothesis density (RUCM-AG-CPHD) is proposed for multiple targets tracking problem under the Doppler blind zone with missing measurements.Firstly,the target measurements are unbiasedly converted,and the noise covariance matrix is decoupled.Then the gain adjustment matrix is designed to improve the robustness of filter in the loss of target measurements.Finally,the adaptive gating is used to remove the irrelevant measurements,and the detection of new targets is guaranteed,so as to effectively reduce the computational complexity of the algorithm.Simulation results demonstrate the validness and feasibility of the proposed algorithm.The number and state of the targets under the loss of measurements in the blind zone can be estimated moreaccurately,and the calculation amount of RUCM-AG-CPHD is reduced by 8.6％ compared with traditional CPHD algorithm.【期刊名称】《中国惯性技术学报》【年(卷),期】2017(025)005【总页数】6页(P630-635)【关键词】CPHD滤波器;多目标跟踪;多普勒盲区;无偏转换;自适应门限【作者】何山;吴盘龙;恽鹏;邓宇浩【作者单位】南京理工大学自动化学院,南京210094;南京理工大学自动化学院,南京210094;多运动体信息感知与协同控制重点实验室,南京210094;南京理工大学自动化学院,南京210094;南京理工大学自动化学院,南京210094【正文语种】中文【中图分类】TP24雷达与目标之间存在相对运动时，回波信号和发射信号的频率不相等从而产生多普勒效应，而机载脉冲多普勒雷达正是利用这种多普勒效应进行目标信息的提取[1]，使其具有脉冲雷达的距离分辨力和连续波雷达的速度分辨力，对杂波有较强的抑制能力。

自适应GM-PHD滤波器在多目标追踪的应用

自适应GM-PHD滤波器在多目标追踪的应用苍岩;陈迪;毕晓君【摘要】针对PHD滤波器中先验概率初始化时,新生目标出现的位置不确定,且目标强度计算区域必须为整个监测区域,造成算法低效率等问题,将原始算法通过PHD 滤波的扩展项在预测步骤与更新步骤对新生目标与存活目标进行区分,再通过每一次扫描得到的量测自适应更新得到目标新生强度,依据量测的驱动来避免对先验概率初始化假设的问题.利用OSPA函数作为算法性能监测标准,利用仿真数据和实测数据对改进的算法进行了验证.结果显示,利用量测来驱动新生目标强度函数,对新生目标与存活目标先进性判断,目标数目估计正确率达到97％,OSPA距离较GM-PHD算法下降50％.【期刊名称】《哈尔滨工程大学学报》【年(卷),期】2015(036)011【总页数】6页(P1526-1531)【关键词】概率密度函数;高斯滤波器;多目标;跟踪算法;自适应估计【作者】苍岩;陈迪;毕晓君【作者单位】哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150001【正文语种】中文【中图分类】TN911.7多目标跟踪技术已经发展了50多年，相继在防卫系统、监视系统等领域得到了广泛应用。

该技术可分为传统多目标跟踪方法和新兴的多目标跟踪方法。

新兴算法是一种基于随机有限集的概率假设密度滤波方法，其主要代表为粒子概率假设密度滤波［1］和高斯混合概率假设密度滤波［2］。

通过将新生目标的概率密度函数设为均匀分布，可以提高近似高斯新生模型下的滤波性能，同时避免对高斯新生组件数目和位置参数的设置［3］；在利用量测驱动生成新生概率密度方面也有很多学者做了尝试，并将其应用到序贯蒙特卡洛概率假设密度滤波器中，减少新生目标的粒子数目，且能较准确地估计目标状态［5］；除了量测信息遗爱，利用似然信息来生成新生目标强度函数，能得到更好的跟踪效果［5］。

基于多目标不确定性改进的GM-PHD滤波器

基于多目标不确定性改进的GM-PHD滤波器
王奎武;张秦;虎小龙
【期刊名称】《兵工学报》
【年(卷),期】2022(43)12
【摘要】基于随机有限集的高斯混合概率假设密度(GM-PHD)滤波是处理多目标跟踪问题的一种有效方法。

GM-PHD滤波器在密集杂波环境中会因估计误差过大而导致跟踪性能的下降,主要是因为没有充分考虑来自多目标量测的不确定性。

为此,提出在考虑高斯分量权重的情况下,通过分量值改变协方差更新式,并通过引入标签,采用自适应阈值对高斯分量进行合并。

理论分析和仿真结果表明:该方法在杂波环境下,目标最优次模式分配距离小,跟踪精度更高;目标数量的估计结果受杂波的影响更小,其估计值更接近真实的目标数量;通过具有不同杂波以及检测概率条件的跟踪场景,证明了该方法的目标数量估计精度和滤波性能明显好于传统算法。

【总页数】9页(P3113-3121)
【作者】王奎武;张秦;虎小龙
【作者单位】空军工程大学防空反导学院;空军工程大学研究生院
【正文语种】中文
【中图分类】V556;TP391
【相关文献】
1.自适应GM-PHD滤波器在多目标追踪的应用
2.基于背景差分检测和改进GM-PHD滤波器的多目标跟踪
3.基于相机雷达融合的改进GM-PHD多目标跟踪算法
4.一种多扫描平滑的多目标GM-PHD滤波器的技术研究
5.一种多扫描平滑的多目标GM-PHD滤波器的技术研究
因版权原因，仅展示原文概要，查看原文内容请购买。

一种新的多机动目标跟踪的GMPHD 滤波算法

问题, 进而使算法失效[ 1 3] . 20 世纪初, M ahler[ 3] 提出基于随机集理论的高斯混合概率假设密度
( Gaussian M ixt ure P robabilit y H ypot hesis Densi t y, GM PH D) 滤波的非数据关联跟踪算法, 它绕过了复杂的数据关联问题, 具有计算量小、实现简单,
RF S; Sk| k- 1 表示 k 时刻仍存在的目标 R FS; Bk| k- 1 为
由 X k- 1 衍生的目标 RF S; k 为 k 时刻瞬间出现的目标 RF S.
在 k 时刻的多目标观测模型用 RFS 可描述为
Zk = k ( X k ) ∀ Kk k 为 X k 的观测 RF S; K k 为由杂波或者误差引起的观测 RF S.
gk ( Zk | X k ) p k| k- 1 ( X k | Z1: k- 1 )
( 4)
#gk ( Zk | Xk ) p k| k- 1 ( X k | Z1: k- 1 ) ( dXk )
式中: p k| k- 1 、p k 、f k| k- 1 和 g k 分别为多目标先验概率、后验概率、转移概率和似然函数; 为某一空间适当的参考测度[ 1] .
时刻提供的观测认为是一个全局观测, 把全局目标和全局观测用 RF S 描述[ 1, 3] . 因此, 多目标的状态模
型和观测模型可以表示为 R FS 形式[ 3] .
假设在 k 时刻, 多目标状态集为 Xk = { xk, 1 , !,
xk, M( k) } , 多目标观测集为 Zk = { z k, 1 , !, zk, N ( k) } . 其中, M ( k) 和 N( k) 分别表示 k 时刻目标数和观测数.

快速多目标跟踪GM-PHD滤波算法

快速多目标跟踪GM-PHD滤波算法陈金广;秦晓姗;马丽丽【期刊名称】《计算机科学》【年(卷),期】2016(043)003【摘要】传统的GM-PHD(Gaussian Mixture-Probability Hypothesis Density)滤波算法用当前时刻接收到的全部量测值对所有高斯项进行更新,使得大量的运算时间花费在使用无效量测对高斯项的更新上.针对此问题,提出一种快速多目标跟踪GM-PHD滤波器.首先在算法预测步骤中将高斯项分为新生及存活目标两类;然后在更新步骤中先计算存活目标与所有量测之间的残差,使用椭球门限,用门限内的量测值来更新存活目标;接着计算新生目标与剩下量测之间的残差,再次使用落入椭球门限内的量测值来更新新生目标,这样可以最大限度地将无效量测排除掉,从而减少算法运算时间.实验结果表明,该方法在保证目标跟踪精度的同时降低了算法时间复杂度,其综合性能优于传统的GM-PHD滤波算法.【总页数】5页(P317-320,封3)【作者】陈金广;秦晓姗;马丽丽【作者单位】西安工程大学计算机科学学院西安710048;西安工程大学计算机科学学院西安710048;西安工程大学计算机科学学院西安710048【正文语种】中文【中图分类】TP391【相关文献】1.一种快速的多目标跟踪非线性滤波算法 [J], 田嘉洪;陈谋;姜长生2.基于边缘卡尔曼滤波的GM-PHD多目标被动跟踪算法 [J], 曲长文;冯奇;毛宇;周强3.基于相机雷达融合的改进GM-PHD多目标跟踪算法 [J], 张晗; 李森; 白傑4.基于GM-PHD滤波的机动多目标跟踪算法 [J], 张万顺;张安清;齐海明5.基于GM-PHD滤波的空间邻近多目标跟踪算法 [J], 龚阳;崔琛因版权原因，仅展示原文概要，查看原文内容请购买。

基于模型预测控制的水下机器人动态目标跟踪控制

高技术通讯2020年第30卷第6期；606-614doi:10.3772/j.issn.1002-0470.2020.06.008基于模型预测控制的水下机器人动态目标跟踪控制①魏亚丽②朱大奇③褚振忠(上海海事大学智能海事搜救与水下机器人上海工程技术研究中心上海201306)摘要针对水下动态目标跟踪问题，研究了基于模型预测控制(MPC)的水下机器人跟踪控制方法。

首先，对于多波束前视声纳图像所采集的图像，通过滤波去噪、阈值分割及特征提取处理，得到动态跟踪目标的位置信息；然后构建无迹卡尔曼滤波器预测动态目标的轨迹信息，通过与卡尔曼滤波器对比，体现了无迹卡尔曼滤波对动态目标预测结果的准确性；最后，应用模型预测控制器实现对动态目标的水下跟踪，解决了反步控制算法中速度超限的问题，使跟踪结果更加稳定可靠。

实验与仿真表明所提动态目标跟踪控制方法有效可行。

关键词水下机器人；跟踪控制；模型预测控制(MPC)；动态目标；前视声纳0引言水下动态目标跟踪技术在海洋资源勘探、水下工程作业、海战场监视及水下精确制导等方面具有广泛的应用前景。

近年来，水下动态目标跟踪问题研究得到了一定的发展，在声纳图像处理及动态目标定位方面提出了很多方法。

文献［1］提出了基于声纳图像的高斯混合基数化概率假设密度(Gaussi-an mixture cardinality probability hypothesis density, GM-CPHD)滤波算法,更有效地实现了目标状态及数目的估计。

文献［2］提出了基于鲁棒粒子滤波的被动声纳多目标跟踪算法,该算法能够在保持多目标连续跟踪的同时跟踪未知的时变多目标，提高了水下目标跟踪的准确性。

文献［3］针对主动声纳测量误差引入的目标机动决策模糊问题，提出了一种基于机动检测延迟的跟踪滤波算法，提高了声纳图像目标定位的精度。

文献［4］研究了基于交互式多模型的水下动态目标跟踪问题，在动态目标轨迹预测中具有较好的实时性与可靠性。

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用周卫东;张鹤冰;廖成毅【期刊名称】《系统工程与电子技术》【年(卷),期】2013(035)001【摘要】针对交互多模型(interacting multiple model,IMM)在多机动目标跟踪算法中存在的缺陷以及目标跟踪精度问题,提出了基于变结构多模型(variable structure multiple model,VSMM)的高斯混合基数概率假设密度(Gaussian mixture cardinalized probability hypothesis density,GMCPHD)滤波算法.该算法利用了VSMM具有自适应性、时变性的特点,达到了在某一时刻能够选取与目标运动模式相匹配的模型集合的目的,相比于IMM考虑的仅是固定的模式集合具有很强的优越性.此外,GMCPHD滤波算法不仅避免了数据关联问题,而且通过高斯分布递推PHD函数的同时递推基数分布.最后,利用雷达作为传感器,对跟踪机动目标进行仿真,证明VSMM相比于IMM对于多机动目标跟踪更具有优越性,同时验证了VSMM-GMCPHD滤波算法具有提高机动目标跟踪精度,减小跟踪误差的作用.%To deal with the defects and the target tracking precision problem in the interacting multiple model (IMM) algorithm for multiple maneuvering targets tracking, a Gaussian mixture cardinalized probability hypothesis density (GMCPHD) filter algorithm based on variable structure multiple model (VSMM) is pro-posed. Compared with the IMM algorithm which only considers the fixed model collection, the GMCPHD filter algorithm is superior. Utilizing the adaptive and time-varying which both are thecharacteristics of VSMM algo-rithm, this approach reaches the goal that the model collection matching the target motion model can be selected in certain time. In addition, the GMCPHD filter algorithm not only avoids the data association problem, but al-so propagates the radix distribution while propagates PHD function by using Gaussian distribution. Finally, a radar is chosen as the sensor and some simulation experiments on tracking a variety of maneuvering target are done. The simulation results prove that the VSMM algorithm is superior to IMM algorithm for multiple maneu-vering targets tracking and illustrate that the VSMM-GMCPHD filter algorithm can improve the maneuvering target tracking precision and reduce the tracking error.【总页数】6页(P9-14)【作者】周卫东;张鹤冰;廖成毅【作者单位】哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;哈尔滨工程大学自动化学院,黑龙江哈尔滨150001【正文语种】中文【中图分类】TN911【相关文献】1.基于DS-VSMM的声网络低空机动目标跟踪 [J], 郭云飞;张幸;林岳松2.基于无味有向图切换的机动目标跟踪VSMM算法 [J], 黄翔宇;彭冬亮3.多机动目标跟踪的IMM-GMPHD滤波算法 [J], 严康;闫玉德4.基于粒子滤波器的多机动目标跟踪贝叶斯滤波算法研究 [J], 李延秋;沈毅;刘志言5.一种新的多机动目标跟踪的GMPHD滤波算法 [J], 郝燕玲;孟凡彬;王素鑫;孙枫因版权原因，仅展示原文概要，查看原文内容请购买。

基于GM-CPHD滤波算法的主动声呐目标跟踪

为了实现声呐系统对水下多目标的跟踪，结合跟踪门策略，提出一种适用于水下声呐系统的自适
收稿日期：２０１７—０４－２５
基金项目：国家自然科学基金（５１１７９１５７，５１４０９２１４，１１５７４２５０）资助
作者简介：陈晓（１９８６一），女，西北工业大学博士研究生，主要从事目标跟踪及非线性滤波研究。
（西北工业大学航海学院，陕西西安７１００７２）
摘要：水下多目标运动状态估计一直是主动声呐目标跟踪的难点问题。为了实现对可变数目水下多目标运动状态的估计，将随机有限集理论应用于多目标跟踪，不仅避免了多目标跟踪数据关联问题，而且解决了多目标跟踪过程中可变数目目标运动状态估计。传统的ＰＨＤ滤波算法对目标数目估计存在敏感性，虽然ＣＰＨＤ滤波算法引入了对势分布的估计提高了对目标数目估计的精确性，但同时也增加了其计算量。对于高斯线性目标跟踪系统，ＧＭ—ＣＰＨＤ滤波算法对目标数目的估计比ＧＭ—ＰＨＤ滤波更加精确。利用椭圆跟踪门策略减小了ＧＭ—ＣＰＨＤ滤波算法的计算量。同时，结合水下目标跟踪的特点，利用声呐方程得到一定虚警概率条件下的检测概率与距离关系的解析式，提出了一种适合于水下目标跟踪的自适应检测概率ＧＭ—ＣＰＨＤ滤波算法，仿真结果表明：该算法在多目标跟踪中可以更有效地实现目标状态及数目的估计。
ｍｉｘｔｕｒｅｐｒｏｂａｂｉｌｉｔｙｈｙｐｏｔｈｅｓｉｓｄｅｎｓｉｔｙ）滤波算法和ＳＭＣ—ＰＨＤ（ｓｅｑｕｅｎｔｉａｌＭｏｎｔｅＣａｒｌｏｐｒｏｂａｂｉｌｉｔｙｈｙｐｏｔｈｅｓｉｓｄｅｎｓｉｔｙ）［６３滤波算法，并且应用于实际问题，如：双基地雷达跟踪Ｊ、声呐跟踪等。由于ＰＨＤ滤波算法在缺失真实目标观测的情况下，对目标数目的估计十分敏感，Ｍａｈｌｅｒ提出了ＧＭ—ＣＰＨＤ（Ｇａｕｓｓｉａｎｍｉｘｔｕｒｅｃａｒｄｉｎａｌｉｚｅｄｐｒｏｂａｂｉｌｉｔｙｈｙｐｏｔｈｅｓｉｓｄｅｎｓｉｔｙ）滤波算法，该算法在传递ＰＨＤ的同时还传递目标数目的概率密度，可以更好地实现随机有限集的势估计。为了减少该算法的计算量，文献［１０］通过跟踪门策略可以有效地减少计算量而不影响多目标跟踪性能。然而对于水下声呐系统的水下多目标跟踪，虽然文献［１１］将ＳＭＣ—ＰＨＤ滤波算法用于实际声呐目标跟踪，但是并未对检测概率进行分析。文献［１２］对变检测概率条件下的ＧＭ— ＰＨＤ滤波性能进行了分析，但其对检测概率的建模缺少声呐方程和水声理论的依据，跟踪性能有待进一步提高。

高斯过程回归的CPHD扩展目标跟踪

高斯过程回归的CPHD扩展目标跟踪李翠芸;王精毅;姬红兵【摘要】In view of the complexity of estimating the shape of extended targets and the low accuracy in multiple extended target tracking in the clutters and missed detections,a Gamma Gaussian-mixture cardinalized probability hypothesis density filter with Gaussian Process Regression which can adaptively estimate the shape of the extended targets is proposed.First,the extension of targets is modeled as a starconvex model,and on the basis of good estimation performance for the motion state with the Gamma Gaussian-mixture cardinalized probability hypothesis density filter,the Gaussian Process Regression is used to estimate the shape of extended targets,thus achieving the purpose of tracking the extended target.Simulation shows that the proposed algorithm outperforms the Gamma Gaussian-mixture cardinalized probability hypothesis density filter based on the star convex random hypersurface model in estimation precision and computing speed.%针对现有扩展目标跟踪算法中,形状估计复杂,在考虑漏检及杂波情况下目标跟踪精度不高等问题,提出了一种基于高斯过程回归的伽玛高斯混合势概率假设密度扩展目标跟踪算法.该算法采用星凸模型对目标进行建模,在伽玛高斯混合势概率假设密度滤波器对扩展目标运动状态估计良好的基础上,利用高斯过程回归对目标形状进行估计,实现了对扩展目标的有效跟踪.实验仿真表明,所提算法能够对目标的运动状态进行高效跟踪,且在扩展形状的估计精度、计算速度等方面要优于基于星凸随机超曲面的伽玛高斯混合势概率假设密度滤波器.【期刊名称】《西安电子科技大学学报（自然科学版）》【年(卷),期】2017(044)003【总页数】6页(P8-12,30)【关键词】星凸模型;高斯过程回归;势概率假设密度;形状估计【作者】李翠芸;王精毅;姬红兵【作者单位】西安电子科技大学电子工程学院,陕西西安710071;西安电子科技大学电子工程学院,陕西西安710071;中国人民解放军95980部队,湖北襄阳441000;西安电子科技大学电子工程学院,陕西西安710071【正文语种】中文【中图分类】TN953近年来,随着高分辨率雷达的发展,对于扩展目标跟踪算法的研究引起了国内外学者的高度关注[1-8].文献[4]提出了一种基于随机矩阵的扩展目标跟踪方法.文献[5]将随机矩阵和扩展目标概率假设密度(Extended-Target Probability Hypothesis Density,ET-PHD)相结合,提出了高斯逆威舍特概率假设密度(Probability Hypothesis Density,PHD)滤波器.由于随机矩阵方法对质心状态的预测和更新与目标扩展程度的估计相关联,使得估计精度受限.文献[6]利用椭圆随机超曲面对扩展目标进行建模,与伽玛高斯混合势概率假设密度(Gamma Gaussian-Mixture Cardinalized Probability Hypothesis Density,GGM-CPHD)相结合,此种滤波器在形状估计方面只能估计出目标的长短轴.文献[7]提出了星凸随机超曲面(Star convex Random Hypersurface Model,SRHM),使用该模型来对扩展目标建模,可跟踪形状不规则的目标,并有很好的近似程度.文献[8]提出用多椭圆的方法去描述扩展目标的形状,对目标形状估计的准确性进一步得到提升.但是,这些算法在估计目标形状时所需参数较多,导致计算复杂度较高.文献[9]提出用高斯过程回归(Gaussian Process Regression,GPR)的方法来估计目标扩展状态,提高了对目标扩展状态的估计速度和精度,但是其对目标运动状态估计精度较低,且当存在杂波和漏检的情况下,存在跟踪精度低的问题.针对以上问题,笔者提出了一种基于高斯过程回归的伽玛高斯混合势概率假设密度扩展目标(Gamma Gaussian-Mixture Cardinalized Probability Hypothesis Density filter with Gaussian Process Regression, GPR-GGM-CPHD)跟踪算法.通过使用星凸模型对目标进行建模,利用伽玛高斯混合CPHD滤波器对目标运动状态估计精度高的特点,将高斯过程回归方法应用到扩展目标的形状估计中,提升了估计速度和精度.仿真实验验证了文中算法的可行性.1.1 目标跟踪建模目标状态方程为其中,wk-1是状态噪声,Fk-1为状态转移矩阵.使用星凸模型[10]对目标进行建模,则量测方程可表示为其中,表示k时刻的目标质心;是k时刻获得的Nz,k个量测;是其对应的角度;,是方向矢量;f(θk,l)为其对应的半径;sk,l表示缩放因子;ek,l是均值为零、协方差为R的高斯噪声.文中的重点是针对扩展目标的形状估计,因此,这里对GGM-CPHD算法的基础知识不进行阐述,算法中需要用到的一些假设和具体预测更新等内容参见文献[6,11]. 1.2 高斯过程回归原理高斯过程(Gaussian Process,GP)是任意有限个随机变量x1,…,xN均具有联合高斯分布的集合,函数f(x)的分布完全由均值函数μ(x)和协方差函数k(x,x′)确定,即其中,zk是当训练输入为xk时函数f(·)含有噪声的量测;ek是均值为零、协方差为R的高斯噪声.目的是用一系列的量测和对应的输入去学习相对于输入的函数值.根据式(5),量测z和函数值f的联合分布为为实现实时的递归处理,通常采用近似的方法来解决递归问题.通过连续对后验概率p(f|z1:N)应用贝叶斯公式,可得因此,可以近似f相对于过去的量测z1:k-1是完全独立的,也就意味着f相对于之前的量测是完全统计独立,即2.1 GPR形状更新从星凸模型的定义可知,目标形状可以描述为角度及其对应的半径所组成的集合,而每一个量测zk,l都能用相对于目标质心的角度θk,l和半径rk,l表示.因此,可把对目标的形状估计转换为对相应角度上对应的半径值的估计.结合高斯过程回归的学习特性,在目标跟踪中,可用k时刻获得的量测相对于目标质心的角度及半径,来近似估计出目标的形状.首先,将目标扩展状态定义为,其中,,为固定的角度集合,取将圆周均分所对应的值;,为对应角度上的半径值.根据1.2节中得出的结论,递归过程可以在下面的状态空间模型上运用卡尔曼滤波器进行计算,即2.2 算法步骤步骤1 预测.使用状态方程即式(1)对目标运动状态进行预测.预测扩展状态时,给每一个目标赋予一个扩展状态参数集合,对于新生目标,将其形状参数初始化为半径为零的集合;对于上一时刻存活的目标,保留上一时刻的扩展状态集合.步骤2 运动状态更新.通过GGM-CPHD滤波算法进行运动状态更新.考虑跟踪环境中不同目标的特征属性可能不同,可采取对更新的状态进行标记的方法来判断量测归属问题,即标记出对应的量测划分.步骤3 扩展状态更新.首先利用步骤2中每个运动状态附带的量测和更新出来的质心位置,计算得到每一个量测对应的角度和半径;然后通过尺度变换得到更加符合目标真实形状的半径,同时角度保持不变;最后通过GPR方法,对形状进行估计更新.步骤4 质心优化.利用更新后的形状对质心位置进行校正,从而优化CPHD的滤波效果.为验证文中所提算法的有效性和可行性,通过仿真来对比所提算法(GPR-GGM-CPHD)与基于星凸随机超曲面的伽玛高斯混合势概率假设密度算法(SRHM-GGM-CPHD)对同一场景中多个不同形状目标的跟踪效果,继而验证所提算法的有效性.仿真场景设置:观测区域为x～[-140 m,140 m],y～[-140 m,140 m],考虑不存在交叉情况的3个扩展目标,整个过程持续50 s.目标形状、大小及存活时间如表1所示. 仿真参数设置:目标产生量测的泊松率均为λ=20,杂波泊松率NFA=20;目标存活概率ps=0.99,检测概率PD=0.99,Ts=1 s.采用最优次模式分配(Optimal Sub Pattern Assignment,OSPA)距离来评价算法对目标运动状态的估计性能,参数设置p=2,c=60.采用高斯随机变量来近似得到尺度变换因子,即.对于协方差函数,选择最常用的平方指数函数,其中信号幅度的先验方差,函数的长度尺度l=π/4.形状估计的量测噪声协方差R=0.01I2,遗忘因子α=0.000 1.采用交集并集比(Intersection Over Union,IOU)来评价算法对目标扩展状态的估计性能.即假设真实目标覆盖区域面积为S0,算法估计目标覆盖区域面积为^S,则IOU为两个区域的交集面积与并集面积之比,即目标的运动方程如式(1)所示.参数设置为新生目标强度为其中,,协方差矩阵Pb=diag([5,1, 5,1]).图1给出了单次目标跟踪结果.可以看出,算法能够实现对目标的有效跟踪,且对目标位置估计准确度较高.图2给出了100次蒙特卡洛仿真实验的平均目标数目估计的结果.由于两种算法均使用了GGMCPHD算法来更新目标运动状态,所以在目标数估计上结果一致.图3给出了100次蒙特卡洛仿真实验3种目标的IOU结果.目标新生的前5个时刻由于量测积累较少,形状估计效果较差,导致IOU较小.随着时间的推移,两种算法的估计效果逐渐稳定,但是所提算法对目标形状的估计明显好于对比算法的.图4为100次蒙特卡洛仿真结果的质心OSPA距离.由于两种算法均使用了GGM-CPHD滤波算法来更新目标的运动状态,其本身对目标质心的估计就十分准确.文中所提算法在形状估计中对质心位置进行优化时,仅采用了简单的求均值的方法,虽然OSPA距离有所变化,但是改善效果一般.在仿真时间上,100次蒙特卡洛仿真结果,SRHM-GGM-CPHD算法与GPR-GGM-CPHD算法时间消耗比约为5∶1,运算效率提升明显.这是由于SRHM-GGM-CPHD算法在形状更新中使用了无轨迹变换(Unscented Transformation,UT)以及对形状进行了约束,导致算法计算时间较长,而文中所提算法在形状估计中仅使用卡尔曼滤波模型对数据进行线性处理就能实现,因而计算效率较高.笔者针对扩展目标联合估计运动状态和目标形状的问题,提出了一种基于高斯过程回归的伽玛高斯混合CPHD扩展目标跟踪算法.该算法将目标运动状态估计和扩展状态估计分开进行,充分利用了伽玛高斯混合CPHD滤波器和高斯过程回归算法的特性,实现了星凸模型下的扩展目标跟踪及形状估计.实验仿真证明了该算法能够较好地实现对多形状目标的有效跟踪,且形状估计性能较基于星凸随机超曲面的伽玛高斯混合CPHD滤波器有明显提高,对多形状目标跟踪的良好跟踪效果使其更加具有实际意义.同时,对于形状估计的单独处理,使得扩展状态估计模块能够灵活地与多种目标跟踪算法进行结合,为后续算法的改进奠定了基础.下一步将对形状估计完成后的目标质心优化问题以及目标漏检后再次被检测到时的识别匹配问题做进一步深入研究.【相关文献】[1]BEARD M,REUTER S,GRANSTROM K,et al.Multiple Extended Target Tracking with Labeled Random Finite Sets [J].IEEE Transactions on Signal Processing,2016,64(7):1638-1653.[2]GRANSTROM K,WILLETT P,BAR-SHALOM Y.An Extended Target Tracking Model with Multiple Random Matrices and Unified Kinematics[C]//Proceedings of the 2015 18th International Conference on Information Fusion. Piscataway:IEEE,2014:1007-1014.[3]BAUM M,HANEBECK U D.Extended Object Tracking with Random Hypersurface Models[J].IEEE Transactions on Aerospace and Electronic Systems,2014,50(1):149-159. [4]KOCH J W.Bayesian Approach to Extended Object and Cluster Tracking Using Random Matrices[J].IEEE Transactions on Aerospace and Electronic Systems,2008,44(3):1042-1059.[5]GRANSTROM K,ORGUNER U.A PHD Filter for Tracking Multiple Extended Targets Using Random Matrices[J]. IEEE Transactions on Signal Processing,2012,60(11):5657-5671. [6]李翠芸,林锦鹏,姬红兵.一种基于椭圆RHM的扩展目标Gamma高斯混合CPHD滤波器[J].控制与决策,2015 (9):1551-1558. LI Cuiyun,LIN Jinpeng,JI Hongbing.A Gamma Gaussian Mixture CPHD Filter for Extended Target Tracking Based on Ellipse Random Hypersurface Models[J].Control and Decision,2015(9):1551-1558.[7]BAUM M,HANEBECK U D.Shape Tracking of Extended Objects and Group Targets with Star-convex RHMs[C]// Proceedings of the 14th International Conference on Information Fusion.Piscataway:IEEE,2011:1-8.[8]LAN J,LI X R.Tracking of Maneuvering Non-ellipsoidal Extended Object or Target Group Using Random Matrix[J]. IEEE Transactions on Signal Processing,2014,62(9):2450-2463. [9]WAHLSTROM N,OZKAN E.Extended Target Tracking Using Gaussian Processes[J].IEEE Transactions on Signal Processing,2015,63(16):4165-4178.[10]BAUM M,HANEBECK U D.Random Hypersurface Models for Extended Object Tracking[C]//Proceedings of the IEEE International Symposium on Signal Processing and Information Technology.Piscataway:IEEE,2009:178-183.[11]LUNDQUIST C,GRANSTROM K,ORGUNER U.An Extended Target CPHD Filter and a Gamma Gaussian Inverse Wishart Implementation[J].IEEE Journal of Selected Topics in Signal Processing,2013,7(3):472-483.[12]何志昆,刘光斌,赵曦晶,等.高斯过程回归方法综述[J].控制与决策,2013(8):1121-1129. HE Zhikun,LIU Guangbin,ZHAO Xijing,et al.Overview of Gaussian ProcessRegression[J].Control and Decision, 2013(8):1121-1129.[13]王芳黎.基于高斯过程回归方法的研究及应用[J].工业控制计算机,2015(11):76-78. WANG Fangli.Research and Application Based on Gaussian Process Regression[J].Industrial Control Computer,2015 (11):76-78.。