自适应高斯厄米特粒子PHD滤波多目标跟踪算法

刘　欣，冯新喜，王　鹏

(空军工程大学 信息与导航学院，陕西 西安 710077)



自适应高斯厄米特粒子PHD滤波多目标跟踪算法

刘欣，冯新喜，王鹏

(空军工程大学 信息与导航学院，陕西 西安 710077)

摘要：针对高斯厄米特粒子概率假设密度(probability hypothesis density, PHD)算法可能导致滤波计算复杂度较高、精度不强，性能较差的问题，提出一种自适应高斯厄米特粒子PHD的改进算法，该算法通过在高斯变换的过程中引入阈值，以该阈值为界剔除权值较小的积分点，对大于阈值的积分点进行归一化处理，在保证滤波精度的基础之上，减小权值较小点在计算上带来的冗余；另外在高斯厄米特滤波的过程中引入了自适应因子，适当调整高斯厄米特滤波过程中的增益，自适应调节滤波的均值与方差，以提高滤波过程的精度。仿真结果表明：改进后的算法相比于高斯厄米特粒子PHD算法在精度上有明显提高，同时简化了计算复杂度，达到预期的目的。

关键词：自适应滤波;高斯厄米特滤波;粒子PHD;多目标跟踪

0引言

传统的多目标跟踪通常采用关联算法[1-3]，将传感器得到的量测信息与航迹进行一一对应，这种关联方法引起的最主要的问题就是计算量过大，在进行多目标的跟踪过程中，要进行大量的计算，导致跟踪的实时性能较差。2001年Mahler提出了随机集[4]理论，这是多目标跟踪发展的一个里程碑。概率假设密度(probability hypothesis density，PHD)是随机集关于贝叶斯递推的后验概率密度的一阶矩，它有效地解决了数据关联带来的计算量过大的问题。……